基于卫星测速小麦精量电驱式播种控制系统

设计一款基于卫星测速并随速控制播种量的电驱式精量播种施肥机,以卫星接收模块单机接收地表速度数据,并调控排种排肥电机转速,驱动采用步进电机,从而实现精确的前进速度测量及随速度变化进行精确的排种控制;设计4种前进速度,以实测排种排肥量与计算值进行对比;试验结果表明:卫星测速控制和闭环步进电机驱动排种排肥时,排种实测值与计算值比较误差未超5%,可以保证不同前进速度时播种均匀,并且在前进速度提高时有着更高的播种精度,可以适用于高速播种。     

振动气吸式秧盘精量播种机的工作原理及作业性能分析

水稻旱育稀植和浅栽是叨年代发展起来的轻型栽培技术,与其相配套的盘秧必须做到空穴率低、播量少、每穴株数均匀。通常穴播量的指标为：杂交稻1－2粒,常规稻2－4粒,空穴率小于4％,合格率大于6％。传统播种机的播种方式通常采用宽幅外槽轮式排种器或型孔轮式排种器,不能满足精量播种要认,加上目前农村大量使明的钵体塑盘均由厚度为）．2毫米以下的塑料或再生塑料制成,难以在育秧④种流水线上实现机械化R业。lop年由农业部南京在业机械化研究所主持的农业部重点科研项目“水稻机械化育秧精量播种成套设备研制”课题,首创了振动气吸原…     

基于改进U-Net模型的小麦收获含杂率在线检测方法

含杂率是小麦机械化收获重要指标之一,但现阶段我国小麦收获过程含杂率在线检测难以实现。为了实现小麦机械化收获过程含杂率在线检测,本文提出基于结合注意力的改进U-Net模型的小麦机收含杂率在线检测方法。以机收小麦样本图像为基础,采用Labelme手工标注图像,并通过随机旋转、缩放、剪切、水平镜像对图像进行增强,构建基础图像数据集;设计了结合注意力的改进U-Net模型分类识别模型,并在torch 1.2.0深度学习框架下实现模型的离线训练;将最优的离线模型移植到Nvidia jetson tx2开发套件上,设计了基于图像信息的含杂率量化模型,从而实现小麦机械化收获含杂率在线检测。试验结果表明：针对不同模型的训练结果,结合注意力的改进U-Net模型籽粒和杂质分割识别F1值分别为76.64%和85.70%,比标准U-Net高10.33个百分点和2.86个百分点,比DeepLabV3提高10.22个百分点和11.62个百分点,比PSPNet提高18.40个百分点和14.67个百分点,结合注意力的改进U-Net模型对小麦籽粒和杂质的识别效果最好;在台架试验和田间试验中,装置在线检测含杂率均值分别为1...     

高效工厂化育秧育苗集成技术在江苏的示范与推广

本文通过江苏省农业技术更新工程项目“高效工厂化育苗集成技术的实施”,介绍了国内外相关技术的研发情况,阐述了该项目的核心技术及示范推广取得的成果。     

稻麦联合收割机碎草机构实时监控系统的研制

针对现有稻麦联合收割机秸秆切碎抛撒装置智能化水平不高,相关参数监测系统缺乏等问题,基于机电一体化控制技术,研制稻麦联合收割机秸秆切碎抛撒装置监控系统。该系统由推杆电机、霍尔传感器、扭矩传感器、位移传感器、人机交互终端以及电子控制单元(ECU)等组成,人机交互终端采用组态触摸屏,通过485总线与电子控制单元进行实时信息交互,实现转速、开度等系统参数实时采集、显示与存储,并能够根据作业要求控制推杆电机控制撒布板开度,实现秸秆半幅和全幅抛撒。实时调整抛撒效果。将此系统应用于秸秆切碎抛撒试验台,在秸秆切碎抛撒试验台上进行系统性能测试试验,结果表明:监控系统操作简单,参数测量精度达到94%以上,推杆的控制精度达到90%以上,系统具有良好的鲁棒性,能够满足稻麦机械化收获的相关要求。     

基于DeepLabV3+网络的机收大豆破碎率在线检测方法

针对传统大豆联合收获机破碎率在线检测方法以人工检测耗时耗力且受人为主观因素影响的问题,提出基于DeepLabV3+网络的机收大豆破碎率在线检测方法。利用大豆图像在线采集装置获取联合收获机实时收获的大豆图像,使用标注软件对图像进行标注,构建数据集。为进一步提高网络训练速度,在DeepLabV3+网络中主干特征提取网络选用轻量级卷积网络MobileNetV2替代网络Xception;在预测部分,采用加黑边裁剪拼接的方式,提高图像分割精度。试验结果表明：基于DeepLabV3+网络模型对测试集大豆样本图像中破碎籽粒识别的综合评价指标F₁值为89.49%,完整籽粒识别的综合评价指标F₁值为93.93%;建立破碎率量化模型,进行台架试验,采用本文提出大豆破碎率在线检测方法检测结果平均值与人工检测结果平均值相对误差0.36%;为大豆联合收获机作业质量在线检测提供参考。     

联合收割机后秸秆切碎抛撒研究现状与趋势

我国作为世界农业大国,但秸秆作为世界第四大能源物质,其在我国的综合利用率仅为70%,因此,有必要对其配套使用机具进行研究。通过各地调研和文献参考,概述了国内外联合收割机对秸秆切碎抛撒装置的使用现状,提出秸秆切碎抛撒装置存在的问题,并依据国情,对我国秸秆切碎抛撒综合利用发展趋势作出展望。     

采用改进U-Net网络的机收大豆质量在线检测

破碎率、含杂率是评价大豆联合收获机的重要作业性能指标,破碎率、含杂率实时数据是实现大豆联合收获机智能化调控的基础。为了实现大豆机械收获过程破碎率、含杂率的在线检测,该研究提出了基于改进U-Net网络的机收大豆破碎率、含杂率在线检测方法。以大豆联合收获机实时收获的大豆图像为对象,使用开源标注软件Labemel对数据集进行标注,构建基础数据集。针对大豆图像粘连、堆叠、语义信息复杂等问题,以U-Net为基础网络结构,结合VGG16网络并在各激活层（Rectified Linear Unit,ReLu）前引入批归一化层（Batch Normalization,BN）防止过拟合;在编码器中提取的特征图后面添加卷积块注意力模块（Convolutional Block Attention Module,CBAM）抑制无关区域的激活,减少冗余部分;采用最近邻插值法的上采样替换解码器中转置卷积,避免转置卷积引起的棋盘效应。试验结果表明：改进U-Net网络能有效地将图像中完整大豆籽粒、破碎籽粒和杂质进行识别分类,完整籽粒识别分类综合评价指标值为95.50%,破碎籽粒识别分类综合评价指标值为91.88%,杂质识别分类综合评价指标值为94.35%,平均交并比为86.83%。应用所设计的大豆籽粒破碎率和含杂率在线检测装置开展台架和田间试验。台架试验结果表明,本文方法的检测结果与人工检测结果的破碎率均值绝对误差为0.13个百分点,含杂率均值绝对误差为0.25个百分点;田间试验表明,本文方法检测结果与人工检测结果的破碎率均值绝对误差为0.18个百分点,含杂率均值绝对误差为0.10个百分点。所提检测方法能够准确在线估算机收大豆的破碎率和含杂率,可为大豆联合收获作业质量在线检测提供技术支持。     

基于机器视觉的大豆机械化收获质量在线监测方法

针对大豆机械化收获过程中缺少联合收获机作业质量(破碎含杂率)在线监测装置的问题,提出了基于机器视觉的大豆机械化收获图像采集系统、大豆成分分类识别算法和谷物联合收获机作业质量监测方法.采用改进分水岭算法对大豆图像进行有效分割,筛选RGB和HSV颜色空间特征值,基于颜色特征值对分割后大豆图像各闭合区域进行分类识别,构建了量...