作物表型信息获取机器人底盘设计与试验

为进一步提升农业机器人底盘田间适应性和行驶稳定性,面向我国山东地区小麦表型信息获取作业场景,设计了一种四轮独立驱动转向的农业机器人底盘。根据小麦种植农艺需求和行驶地形环境,确定了底盘总体布局方案和主要技术参数。分别开展了底盘驱动部件、转向部件以及摆臂平衡部件设计,并进行了参数校核和元件选型。建立了关键部件ANSYS有限元模型,分别进行了摆臂平衡机构的应力形变分析和车架振动模态模拟,仿真结果表明,摆臂平衡机构的强度和刚度均能满足设计要求,车架能够有效避免因地形激励产生的共振。建立底盘ADAMS动力学仿真模型,分别进行纵向、横向稳定性分析和单侧凸起、凹坑越障性分析,仿真结果表明,底盘横纵向稳定性能够满足设计要求,摆臂平衡机构能够有效补偿单侧障碍造成的质心高度变化,提高了底盘的行驶稳定性。田间试验表明,机器人底盘具有良好的行驶性能,硬质地面直线行驶平均偏驶率为0.51%,田间地面平均偏驶率为1.13%。原地转向中心点偏移量为3.1mm,阿克曼转向最小转向半径为1.125mm。纵向翻倾角为34°,横向翻倾角为28°。单侧越障最大高度为160mm,单侧跨坑最大深度为160mm。     

多尺度自注意力特征融合的茶叶病害检测方法

针对茶叶病害检测面临的病害尺度多变、病害密集与遮挡等诸多问题,提出了一种多尺度自注意力茶叶病害检测方法(Multi-scale guided self-attention network, MSGSN)。该方法首先采用基于VGG16的多尺度特征提取模块,以获取茶叶病害图像在不同尺度下的局部细节特征,例如纹理和边缘等,从而有效表达多尺度的局部特征。其次,通过自注意力模块捕获茶叶图像中像素之间的全局依赖关系,实现病害图像全局信息与局部特征之间的有效交互。最后,采用通道注意力机制对多尺度特征进行加权融合,提升了模型对病害多尺度特征的表征能力,使其更加关注关键特征,从而提高了病害检测的准确性。实验结果表明,融合多尺度自注意力的茶叶病害检测方法在背景复杂、病害尺度多变等场景下具有更好的检测效果,平均精度均值达到92.15%。该方法可为茶叶病害的智能诊断提供参考依据。     

基于WGAN和MCA-MobileNet的番茄叶片病害识别

针对番茄病害识别模型参数量大、计算成本高、准确率低等问题,本文提出一种基于多尺度特征融合和坐标注意力机制的轻量级网络（Multi scale feature fusion and coordinate attention MobileNet, MCA-MobileNet）模型。采集10类番茄叶片图像,采用基于Wasserstein距离的生成对抗网络（Wasserstein generative adversarial networks, WGAN）进行数据增强,解决了样本数据不足和不均衡的问题,提高模型的泛化能力。在原始模型MobileNet-V2的基础上,引入改进后的多尺度特征融合模块对不同尺度的特征图进行特征提取,提高模型对不同尺度的适应性;将轻量型的坐标注意力机制模块（Coordinate attention, CA）嵌入倒置残差结构中,使模型更加关注叶片中的病害特征,提高对病害种类的识别准确率。试验结果表明,MCA-MobileNet对番茄叶片病害的识别准确率达到94.11%,较原始模型提高2.84个百分点,且参数量仅为原始模型的1/6。该方法较好地平衡了模型的识别准确率和计算成本,为番茄叶片病害的现场部署和实时检测提供了思路和技术支撑。     

融合路面特征的大型喷雾机多工况悬架控制与试验

大型高地隙喷雾机的作业工况复杂,不同路况对悬架的性能要求不尽相同,传统悬架系统已无法满足喷雾机多工况作业的不同减振需求。为有效提高大型喷雾机各工况下的减振性能并有效降低能耗,提出了一种基于路况识别的多工况主动悬架控制系统。首先,分析喷雾机典型作业工况,建立路面特征与悬架模型的映射关系;然后,搭建喷雾机油气悬架的上下层控制系统,采用变步长萤火虫算法优化控制系统中各工况下的阻尼系数;最终将搭载该控制算法的喷雾机进行田间动态性能试验。试验结果表明,相比传统悬架,主动悬架在水泥及田间路面的行驶平顺性分别提升11.0%和22.8%,操控稳定性分别提升24.5%和3.4%。本研究所提出的控制系统可以有效解决不同工况下驾驶平顺性和操纵稳定性的矛盾关系,满足喷雾机各工况的特定减振需求。     

中国板栗36个叶片表型性状的多样性

【目的】揭示中国板栗（Castanea mollissima Bl.）叶片表型性状的变异规律及多样性特征,为中国板栗资源的保护、开发和科学利用提供依据。【方法】对中国10个省份（群体）240份资源的36个叶片表型性状（31个数量性状和5个质量性状）进行检测,运用方差分析、多重比较、相关分析和聚类分析等方法,探讨板栗叶片表型多样性水平及其与原产地的地理、环境因子关系。【结果】巢式方差分析表明,31个数量性状在群体内存在极显著差异（P<0.01）,同时叶片长、叶片宽、叶片长/宽、锯齿高度等15个数量性状及3个质量性状（叶片形状、叶基形状和叶缘锯齿特征）在群体间存在显著或极显著差异（P<0.05或P<0.01）,说明板栗叶片表型在群体内和群体间均存在丰富变异。群体间叶片表型分化系数V_ST为7.95%,远小于群体内的92.05%,说明叶片表型变异主要来源于群体内部。板栗叶片表型的平均变异系数（CV）和平均多样性指数（H′）分别为18.05%和1.27,5个质量性状中以叶片形状的CV和H′最高（35.67%,0.86）,叶缘特征最低（5.60%,0.07）;31个数量性状的CV在8.68%（叶片长/宽）—32.73%（锯齿深度）,H′在1.54（叶背茸毛密度）—2.09（叶片结构疏松度）。叶片外观形态、生理指标和解剖性状的平均H′分别为2.03、2.04和2.04,CV由高到低分别为15.27%（外观形态）>15.18%（生理指标）>12.17%（解剖结构）。10个群体表型性状CV均值在17.11%（陕西）—19.66%（山东）,H′均值在0.99（安徽）—1.80（河北）。板栗叶片大多表型性状与地理气候因子之间存在显著或极显著相关,其中年均气温等温度指标和年降水量与叶基形状、锯齿高度等性状呈负相关（经度和纬度与之呈正相关）,与叶片长/宽呈正相关（经度和纬度与之呈负相关）。【结论】板栗叶片表型在群体间和群体内均存在丰富变异,但变异主要来源于群体内（个体基因型间的变异）,因而以叶片表型性状作为研究对象,进行抗逆性、高光合效率等特异品种选育或相关研究时,研究重点应该放到广泛的个体基因型调查上,变异较为丰富均匀的群体可作为重点参考。板栗叶片大多外观形态和生理指标性状呈现以温度和降雨量因子为主导的梯度规律性。     

英国景观特征评估对我国国土空间景观风貌规划管控的启示

国土空间规划要求对全域全要素资源进行统筹规划。景观风貌是跨越行政边界的各要素资源的综合表征。对景观风貌进行评估能够为国土空间景观风貌规划管控提供依据,为各类规划管控提供景观风貌参照标准,实现国土空间全域全要素资源禀赋的原真性保护。文章通过对英国景观保护观念、保护方法和对象及管理组织和管控模式的发展转变历程进行总结,对其景观特征评估体系要点进行解读,提出在国土空间规划的背景下,我国进行景观风貌规划管控的构想:完善规划评估导向和原则,搭建规划评估流程,划分规划管控层级与重点,构建统筹管理、区域协同、多方参与的管控体系。景观风貌规划管控体系的构建可为国土空间规划体系的建立提供有力支撑。     

吉林省天然红松居群表型变异分析及多样性研究

  目的  为揭示天然红松居群的表型分化程度及变异模式,以吉林省的6个天然红松居群为研究对象,  方法  采用方差分析、主成分分析、聚类分析及多性状综合评价等方法对红松居群的13个表型性状（针叶性状和种实性状）进行系统分析和综合评价。  结果  （1）除针叶束粗/针叶厚在居群间差异未达显著水平外,其余性状在居群内和居群间均达极显著差异水平（ P < 0.01）。（2）在居群间红松的平均表型分化系数为59.33%,其变异大于群体内（40.67%）。（3）6个居群的平均表型变异系数为11.30%,针叶性状和种实性状的表型变异系数依次为针叶性状（14.56%） > 球果性状（10.48%） > 种子性状（5.87%）。（4）主成分分析结果表明,红松居群表型多样性基本来源为针叶性状 > 种子性状 > 球果性状。（5）利用欧氏距离对红松居群进行聚类分析,将红松6个居群划分为3大类群,分别为P1与P6、P3与P5、P2与P4。（6）利用多性状综合评价法,分别以种实性状（种长、种宽、百粒质量和球果质量）和针叶性状（针叶长、针叶宽、针叶厚、针叶束粗）对天然红松居群进行评价,分别筛选出1个居群。  结论  红松居群具有中等的表型多样性,居群间和居群内均存在丰富的表型变异,研究结果为今后红松种质资源的保护和利用提供基础,为红松优良居群的构建提供材料。      

基于Xception-CEMs神经网络的植物病害识别

随着深度学习技术与农业的密切融合,越来越多的研究将深度学习技术用于农业病虫害检测,提高农产品产量和质量。本文提出一种新颖的基于Xception模型的植物病害识别方法。了解到植物病害图像会受到不确定环境因素的干扰而减小图像信息。在Xception的基础上,提出一种新的通道扩增模块,采用带有通道分配权重的多尺度深度卷积与组卷积结合,增强空间和通道的特征提取效率;在网络中采用通道扩张-保持-再扩张-压缩的新策略,进一步优化通道特征提取;引入密集连接方式,提高在同尺寸的特征图之间特征重用。试验数据集由10种不同植物的50类图像组成,分别包括10种健康植物和27种病害,其中对13种病害进行了两种程度的分类。本文的方法在这些类别上可以获得91.9%的准确率,88.7%的精确率,82.45%的召回率以及85.33%的F1值。本文的算法有更小的模型复杂度和参数量,计算量为29.33 M,为Xception的66.4%。参数量为14.05 M,为Xception的66.9%。因此,Xception-CEMs能够有效对病虫害进行识别,有利于农业智能化发展。     

基于小样本学习的植物病害识别研究*

为在仅有少量训练样本条件下获得较高的植物病害分类精度,采用小样本学习模型作为病害分类器,在匹配网络、原型网络和关系网络3种典型小样本学习算法框架下分别采用Conv4、Conv6、ResNet10、ResNet18和ResNet34 5种浅层网络作为特征提取网络,在PlantVillage植物病害数据集上对病害识别性能进行对比试验。在1shot条件下,匹配网络、原型网络和关系网络对植物叶片病害识别的平均准确率分别为72.29%、72.43%和69.45%;其中原型网络+ResNet34为表现最好的组合,病害识别准确率达到了77.60%。在5shot条件下,匹配网络、原型网络和关系网络平均准确率分别为87.11%、87.50%和82.92%,各种网络病害识别准确率比1shot条件均有明显提升;原型网络+ResNet34依旧是表现最佳的组合方式,识别准确率达到89.66%。上述试验结果表明,通过优选小样本学习框架和特征提取网络的组合方式,对于少量样本的病害也能取得较好的识别效果。     

利用多时序激光点云数据提取棉花表型参数方法

当前,能够实现作物表型参数高效、准确的测量和作物生育期表型参数的动态量化研究是表型研究和育种中亟待解决的问题之一。本研究以棉花为研究对象,采用三维激光扫描LiDAR技术获取棉花植株的多时序点云数据,针对棉花植株主干的几何特性,利用随机抽样一致算法（RANSAC）结合直线模型完成主干提取,并对剩余的点云进行区域增长聚类,实现各叶片的分割;在此基础上,完成植株体积、株高、叶长、叶宽等性状参数的估计。针对多时序棉花激光点云数据,采用匈牙利算法完成相邻时序作物点云数据的对齐、叶片器官对应关系的建立。同时,对各植株表型参数动态变化过程进行了量化。本研究针对3株棉花的4个生长点的点云数据,分别完成了主干提取、叶片分割,以及表型参数测量和动态量化。试验结果表明,本研究所采用的主干提取及叶片分割方法能够实现棉花的枝干和叶片分割。提取的株高、叶长、叶宽等表型参数与人工测量值的决定系数均趋近于1.0;同时,本研究实现了棉花表型参数的动态量化过程,为三维表型技术的实现提供了一种有效的方法。