IT农业机械在日本水稻生产中的应用

介绍了IT农业机械在日本水稻生产领域的研究成果及其运用情况,包括便携式作物生长信息检测装置,无人驾驶直升机作物生长信息检测装置,测产联合收获机,变量施肥装置及作业导航系统.这些先进技术对我国开展的数字农业技术研究,具有重要的参考价值.     

机电一体化家具的探讨

本文提出了机电一体化家具的概念，分析了我国家具中机电一体化现状、基本形式、存在的问题，探讨了家具的机电一体化应遵循的基本设计原则和发展趋势。     

蛋壳内蛋液残留量与悬置时间及Haugh单位的关系

为提高打蛋机工作效率,减少蛋壳内蛋液残留量,测定蛋壳内蛋液残留量及其与蛋壳悬置时间和鲜蛋Haugh单位关系。结果表明:在静止状态下,被打蛋器打开的鸡蛋壳悬置0.8s之前,蛋壳内蛋液残留量不稳定,1s后基本稳定,1.4s时蛋内97.9%的蛋液已流出蛋壳,仅残留2.1%;后续时间内蛋壳内蛋液残留量变化微小,据此可确定蛋壳最佳悬置时间为1.4s。在蛋壳悬置1.4s的情况下,不同Haugh单位的鲜蛋,蛋壳内蛋液残留量变化显著(P=0.030.05),趋势是随Haugh单位的减小而减小。根据鲜蛋合格标准,确定打蛋时最佳Haugh单位为57.5~60.0,并据此决定鲜蛋库存时间。     

皮蛋抗压试验及弹性模量和泊松比的测定

针对皮蛋外形为非标准椭球,难以采用定义方法求其弹性模量的问题,采用美国ASABE提出的弹性模量(E)求解方法和泊松比(μ)测定方法,阐述皮蛋的球度、外观尺寸、曲率半径等基本物理量的求解和系数λ与cosα的数学关系计算原理,利用TMS-PRO食品物性分析仪和小位移传感器为主要测量仪器分别对皮蛋横向和纵向进行压缩试验,获得其不同方向的应力应变曲线,分析计算得出皮蛋抗载弹性模量:中间受压为3.204 MPa,两端受压为3.666 MPa;泊松比:中间受压为0.155 4,两端受压为0.383 0。     

鸡蛋质量大小分级生产线过渡输送装置的机构运动分析

针对国产鸡蛋质量大小分级生产线效率低、破损率大的问题,设计1种鸡蛋质量大小分级生产线过渡输送装置,它能将鸡蛋从称质量后的6排转化为单排并运输到分级执行装置,并将鸡蛋从长轴水平位置翻转成长轴铅垂位置,以便装盘时鸡蛋钝端朝上。利用Solidworks建立完整的三维模型,通过三维模型对过渡输送装置的结构和工作原理进行详细说明;采用解析法对装置执行机构的运动轨迹、运动速度以及与偏心链轮传动机构速度的匹配进行分析;建立主、从动链轮瞬时传动比与主动链轮转角的关系方程并使用Matlab对其求解,获得执行机构与传动机构的精准位置关系。经分析得到了执行机构的关键设计尺寸以及偏心链轮的偏心角等参数,为样机的试制与安装提供理论基础。根据分析得到的数据试制样机成功,该装置6排称质量单排分级,效率较一般生产线提高6倍,过渡装置速度的精确匹配,使得鸡蛋破损率下降。     

基于Delta并联机器人的禽蛋智能捡拾试验

针对当前禽蛋加工生产线中分段处置过程工序多、生产线长、累计破损率大、设备成本高等问题,采用一种基于机器视觉的Delta并联机器人,实现在生产线上将合格禽蛋捡拾到标准蛋盘并按照一定的顺序逐层整齐摆放的高速智能捡拾。通过基于视觉的动态禽蛋个体进行定位,确定不同搬运路径的智能轨迹规划,对实现智能捡拾的机器人控制程序进行设计并对禽蛋智能捡拾进行测试。结果表明,采用基于视觉的Delta并联机器人可以实现禽蛋智能捡拾和装盘工作目标,机器人运行速度达1 250 mm/s,捡拾效率为0.414 2~0.447 8枚/s,漏捡率小于3.33%。     

茉莉酸甲酯与水杨酸在诱导高粱和苏丹草颖花开放中的效应

以高梁和苏丹草为试材,发现：２ｍｍｏｌ／Ｌ的ＭｅｊＡ处理后８ｈ,千金红和ＡＲＩ高梁的开经知率为１８．７％和２．９６％,分别对对照的２５倍和８．１倍,苏丹草的开颖率为１８．４２％,为对照的１４．９倍。１０ｍｍｏｌ／Ｌ和１ｍｍｏｌ／Ｌ的ＳＡ对ＭｅＪＡ诱导的颖花开放有强烈的抑制作用。高梁的雄性不育系和保持系经ＭｅＪＡ处理后９～１０ｈｍ开颖率显著增加,其中３０４２Ａ和３０４２Ｂ的开经分别为１４．８％和１６     

基于表面凹凸性的羊胴体点云分割方法

羊胴体自动化分割对于提高羊屠宰加工企业生产效率有重要意义。为实现将羊胴体点云精准高效地分割为多分体,研究了一种基于表面凹凸性的羊胴体点云分割方法。以倒挂状态下的巴美肉羊胴体为研究对象,利用三维激光扫描仪获取羊胴体点云。首先,对羊胴体点云进行预处理,去除离群点噪声和采用体素滤波的方法进行下采样;并将羊胴体点云超体素化,以获取超体素邻接图;然后,对超体素邻接图中相邻点云的公共边进行凹凸性判断,将凹边凸边赋予不同权重;并由得分评估函数计算不同权重点云的得分,将结果与参数S_min作比较;最后,根据比较结果确定分割区域,完成对羊胴体点云的分割。试验结果表明：羊胴体点云分割的平均精确度、平均召回率、平均F1值和平均总体准确率分别为92.3%、91.3%、91.8%、92.1%。各分体的平均分割精确度分别为92.7%、90.7%、92.6%、93.2%、92.5%、92.2%,各分体的平均分割召回率分别为86.0%、93.2%、92.8%、91.6%、90.9%、93.4%,处理单只羊胴体点云的平均时长为18.82 s。通过处理多分体组合点云以及多体型羊胴体点云判断本文方法的适...     

基于单阶段目标检测算法的羊肉多分体实时分类检测

针对输送带场景中羊肉分体需要进一步分类检测问题,提出一种基于单阶段目标检测算法的羊肉多分体实时分类检测方法.在羊屠宰车间环境下采集包含多类、多个羊肉分体图像,经图像增广及归一化后建立羊肉多分体图像数据集,其中训练集7 200幅,测试集1400幅,验证集400幅.利用单阶段目标检测算法YOLO v3引入迁移学习对羊肉多分...     

基于改进YOLO v4的笼养蛋鸭行为实时识别方法

蛋鸭行为模式是判断笼养鸭养殖过程中健康状况及福利状态的重要指标，为了通过机器视觉实现识别蛋鸭多行为模式，提出了一种基于改进YOLO v4 (You only look once)的目标检测算法，不同的行为模式为蛋鸭的养殖管理方案提供依据。本文算法通过更换主干特征提取网络MobileNetV2,利用深度可分离卷积模块，在提升检测精度的同时降低模型参数量，有效提升检测速度。在预测输出部分引入无参数的注意力机制SimAM模块，进一步提升模型检测精度。通过使用本文算法对笼养蛋鸭行为验证集进行了检测，优化后模型平均精度均值达到96.97%,图像处理帧率为49.28 f/s,相比于原始网络模型，平均精度均值及处理速度分别提升5.03%和88.24%。与常用目标检测网络进行效果对比，改进YOLO v4网络相较于Faster R-CNN、YOLO v5、YOLOX的检测平均精度均值分别提升12.07%、30.6%及2.43%。将本文提出的改进YOLO v4网络进行试验研究，试验结果表明本文算法可以准确地对不同时段的笼养蛋鸭行为进行记录，根据蛋鸭表现出的不同行为模式来帮助识别蛋鸭的异常情况，如部分行为发...