加强村级农机维修网点建设刻不容缓

近几年,一些大中型联合收割机、拖拉机等不断进入农家,这些农业机械给农民带来巨大的经济效益,但维修极不方便,农村中不少维修服务组织不健全,农机手往往要跑几十里路进城去请人修理,不仅耽误了农时,影响农业生产,而且还增加了农民的费用开支.这种村级农机维修点建设滞后的现象,与当前农业机械的迅速增长很不相适应.为促进农机化事业发展,必须做到哪里有农机,哪里就有农机维修点,哪里就有农机维修技术人员.因此,加强村级农机维修网点建设,满足农民对农机维修工作的需求,是农机管理部门一项刻不容缓的工作.     

基于Rank变换的农田场景三维重建方法

农田场景的三维重建对于研究远程监测作物的生长形态、预测作物产量、识别田间杂草等都具有重要作用。为解决农田场景图像三维重建困难、立体匹配精度较差等问题,该文提出了一种基于Rank变换的农田场景三维建模方法。该方法运用加权平均法灰度化图像,以保留农田场景的完整特征;以灰度图像的Rank变换结果作为匹配基元,采用基于归一化绝对差和测度函数的区域匹配算法获取场景的稠密视差图;根据平行双目视觉成像原理计算场景的空间坐标,并生成三维点云图;依据所得场景的三维坐标,对场景中感兴趣区域实现三维重建。采用标准视差计算测试图像验证立体匹配算法精确性,平均误匹配率较传统的绝对差和函数算法降低约5.63%。运用不同环境下的棉田场景图像测试三维重建方法,试验结果表明,在6.8 m的景深范围内,作物及杂草的高度、宽度等几何参数计算值与实际测量值接近,各项指标的平均相对误差为3.81%,验证了三维重建方法的可靠性及准确性。     

基于Census变换的双目视觉作物行识别方法

针对基于双目视觉技术的作物行识别算法在复杂农田环境下,立体匹配精度低、图像处理速度慢等问题,该文提出了一种基于Census变换的作物行识别算法。该方法运用改进的超绿-超红方法灰度化图像,以提取绿色作物行特征;采用最小核值相似算子检测作物行特征角点,以准确描述作物行轮廓信息;运用基于Census变换的立体匹配方法计算角点对应的最优视差,并根据平行双目视觉定位原理计算角点的空间坐标;根据作物行生长高度及种植规律,通过高程及宽度阈值提取有效的作物行特征点并检测作物行数量;运用主成分分析法拟合作物行中心线。采用无干扰、阴影、杂草及地头环境下的棉田视频对算法进行对比试验。试验结果表明,对于该文算法,在非地头环境下,作物行中心线的正确识别率不小于92.58%,平均偏差角度的绝对值不大于1.166°、偏差角度的标准差不大于2.628°;图像处理时间的平均值不大于0.293 s、标准差不大于0.025 s,能够满足田间导航作业的定位精度及实时性要求。     

采用双目视觉和自适应Kalman滤波的作物行识别与跟踪

针对传统作物行识别方法在相邻图像间的识别结果偏差较大,作物行的定位精度和稳定性低等问题,该研究提出一种基于双目视觉和自适应Kalman滤波技术的作物行识别与跟踪方法。对于作物行识别,首先建立图像预处理算法,基于改进的超绿-超红模型和最大类间方差法分割植被灰度特征;建立作物行特征提取算法,基于特征点检测技术和双目视差测距方法计算植被角点特征的三维坐标,根据三维阈值提取作物行特征点,进而建立作物行中心线检测算法,建立基于主成分分析的直线拟合模型,根据作物行特征点的频数统计规律检测作物行冠层中心线。对于作物行跟踪,建立跟踪目标规划模型,提取位于图像中央区域的作物行作为跟踪目标;建立目标状态方程,基于自适应Kalman滤波技术构建作物行中心线跟踪模型。以棉花图像开展试验研究,图像数据包括阴影、杂草、地头等田间场景。试验结果表明,该研究方法的作物行识别准确度、精度和速度均较高,识别正确率约为92.36%,平均航向偏差为0.31°、标准差为2.55°,平均识别速度约80.25 ms/帧;经目标跟踪后,航向角和横向位置估计的标准差分别为2.62°和0.043 m、较无跟踪状态分别减小22.94%和10.42%,作物行中心线的方位估计精度进一步提高。研究成果可为导航系统提供连续、稳定的作物行导引参数。     

水稻机插秧技术推广的影响因素及其对策

近年来,农机部门在水稻机械化插秧技术推广应用中做了大量宣传与技术服务工作,也取得了一定的成效,达到了机手、农户、基层干群和农机部门自身的"四满意"效果.水稻仍是种植业的大宗产品,也是主要的粮食作物.目前,尽管机插秧技术得到了社会的认可,但机插秧技术推广面积和插秧机的推广数量与社会需求仍有较大差距.     

苜蓿侧根发生与内源激素的变化

研究根系发育能力不同的苜蓿品种在主根受伤后内源激素的变化。结果表明,主根伤害后,根组织生长素含量上升,根系发育能力越强者,增加量越大。细胞分裂素(玉米素、异戊烯基腺嘌呤、双亲玉米素)和赤霉素在处理后1周时下降,随后逐渐回升。生长素/细胞分裂素、生长素/赤霉素和生长素/脱落酸的比值在处理后1周时明显增加,随后逐渐下降。叶片和根组织激素分布不一致,其中叶片生长素含量相对较高,根组织细胞分裂素含量相对较高。伤害主根后1周时,叶片细胞分裂素和生长素含量明显下降,随后逐渐回升,根系发育能力越强者恢复正常含量越快。     

基于像素块和机器学习的播前棉田地表残膜覆盖率检测

由于农用地膜的长期使用,棉田残留地膜造成了严重的耕地环境污染。为了快速准确地检测播前棉田地表残膜污染,该研究提出一种基于像素块和机器学习的播前棉田地表残膜覆盖率检测方法。将原始图像通过不同尺寸分割的方法得到像素块,提取像素块的一阶、二阶、三阶颜色矩和灰度共生矩阵（Gray-level Co-occurrence Matrix,GLCM）纹理特征,通过像素占比判别方法提取标签。采用随机森林（Random Forests,RF）、极端梯度提升（Xtreme Gradient Boosting,XGBoost）、支持向量机（Support Vector Machine,SVM）和人工神经网络（Artificial Neural Network,ANN）4种算法构建残膜识别模型,计算棉田地表的残膜覆盖率。结果表明,20×20像素块下采用人工神经网络算法,残膜覆盖率检测值与真实值的相对误差最小,为0.51%,检测时间最短,为0.29 s。相比于像素点,像素块识别方法减小了样本数量,增加了像素点之间的相互特征,可快速准确检测残膜覆盖率,对农田残膜污染监测具有一定借鉴意义。     

基于虚拟现实的拖拉机双目视觉导航试验

针对农机导航系统的传统田间试验方式受作物生长状态的约束性较强,错过适当的作物生长时期将直接导致开发周期延长、成本增加等问题,该文提出了一种基于虚拟现实技术的拖拉机双目视觉导航试验方法。该方法以拖拉机为作业机械,苗期棉花为目标作物,在虚拟现实环境下建立田间作物行场景的三维几何模型,用于模拟田间试验场景;建立虚拟现实环境下的拖拉机物理引擎,根据实车参数及试验场景信息快速、准确地解算拖拉机的动力学参数,并且根据解算所得的状态参数在虚拟试验场景中实时渲染拖拉机的位姿状态;设计路径跟踪控制器,以经过双目视觉方法识别的田间路径为目标路径,根据拖拉机当前行驶路径与目标路径的相对位置关系解算并控制拖拉机前轮转向角度。以某型拖拉机参数为实车参数,采用大小行距方式布置5行曲线形态的苗期棉花作物行场景开展虚拟导航试验。拖拉机以不大于2 m/s的车速跟踪作物行时,平均位置偏差的绝对值不大于0.072 m、位置偏差的标准差不大于0.141 m;平均航向偏差的绝对值不大于2.622°、航向偏差的标准差不大于4.462°。结果表明:该文设计的拖拉机虚拟试验系统能够在虚拟现实环境下,模拟田间作物行环境开展基于双目视觉的导航试验,可为导航控制系统的测试及改进提供理论依据和试验数据。