基于图像处理的茶叶智能识别与检测技术研究进展分析

作为茶叶智能化生产的关键难题之一,基于图像处理的茶叶智能识别与检测技术受到广泛关注。通过综述图像处理技术在茶叶嫩芽识别定位、茶叶病虫害检测、茶叶品种识别与品质检测等方面的研究应用,分析比较各方法的优缺点,总结现有研究存在的主要问题有嫩芽分割受光照影响较大、难以分割含与嫩芽颜色相近背景的图像、枝叶遮挡情况识别效果不理想、缺乏真实背景下茶叶病斑识别算法等。指出基于图像处理的茶叶智能识别与检测技术未来的研究重点:增加不同地域茶叶及品种的样本数据以提高算法普适性;采取多信息融合的方法以求获得更全面的茶叶嫩芽信息;枝叶遮挡严重情况下的识别策略可考虑借助机械装置或风机拨开枝叶,从而避免因枝叶遮挡而导致识别率低的现象发生。     

硝铵尿素液肥对玉米生长发育的影响

试验研究了不同硝铵尿素液肥施用量对玉米生长的影响规律,以期为玉米栽培中合理施用硝铵尿素液肥提供理论依据。试验在田间条件下,设置N1(N为0 kg/hm~2,CK),N2(N为100 kg/hm~2),N3(N为150 kg/hm~2),N4(N为200 kg/hm~2)4个处理,小区试验设计,3次重复。结果表明,N3处理的株高分别比N1,N2处理提高44.10%,20.84%,且差异显著;N3处理的叶片长度长于N2处理11.03 cm,差异显著,N2处理长于对照9.56 cm,差异也显著;N3处理的根系、茎鲜质量分别比N2处理提高23.09%,30.14%,且差异显著,N2处理与对照之间也存在显著差异;N4处理株高、叶片长度、根系和茎鲜质量均与N3处理之间无显著差异。综合分析认为,N3处理最优。     

穿孔倾斜角度对3D打印仿生木材吸声结构的吸声性能影响

【目的】基于木材内部天然多孔构造设计仿生木材的复孔吸声结构,研究穿孔倾斜角度对3D打印仿生木材吸声结构的吸声性能影响,为开发仿生木材吸声材料奠定理论基础。【方法】利用Rhinoceros三维建模软件进行结构设计,采用3D打印技术制备出仿生木材吸声结构。对比3D打印穿孔板,基于阻抗管传递函数法探究穿孔不同倾斜角度(0°、15°、30°、45°、60°)对3D打印仿生木材吸声结构的共振频率和吸声系数的影响。【结果】1) 3D打印穿孔板有2个共振频率,分别位于中低频和中高频处;而3D打印仿生木材吸声结构有3个共振频率,分别位于中低频、中高频和高频处,木质穿孔板仅在中低频具有共振频率,二者差异显著。2)穿孔倾斜角度对3D打印穿孔板的吸声性能有一定影响,在中低频处,随穿孔倾斜角度增大,3D打印穿孔板的共振频率向低频方向移动,吸声系数峰值总体呈上升趋势,峰值均在0. 8以上,吸声性能较好;在中高频处,随穿孔倾斜角度变化,3D打印穿孔板的共振频率和吸声系数峰值均有所改变,但无明确规律,此段吸声系数峰值在0. 3左右,吸声性能较差。3)穿孔倾斜角度对3D打印仿生木材吸声结构的吸声性能有较大影响,中低频处与中高频处的吸声规律与3D打印穿孔板基本一致;在高频处,随穿孔倾斜角度增大,3D打印仿生木材吸声结构的共振频率向低频方向移动,吸声系数峰值均在0. 8以上,具有较好的吸声性能。【结论】穿孔倾斜角度的3D打印仿生木材吸声结构在中低频、中高频和高频处都有较好的吸声性能,在高频处,不同倾斜角度3D打印仿生木材吸声结构的共振频率跨度较大,可为以后全频率吸声结构的设计研究奠定理论基础。本研究结果为实现可设计吸声频率的新型复合材料提供一个新的研究方向,在一些特殊吸声环境领域具有较好的发展前景。     

GA4+7+氯吡脲对重瓣百合'Thalita'生长的影响

以重瓣百合'Thalita'为试材,采用4个不同浓度(10、20、40、80 mg·L-1)的GA4+7+氯吡脲(1∶1),对其进行叶面喷施处理,以清水为对照,测定其株高、茎粗、叶面积等指标,探讨GA4+7+氯吡脲对重瓣百合'Thalita'生长的影响,以期为其推广提供参考.结果 表明:20 mg·L-1 GA4+7+氯吡脲对'Thalita'花苞直径和叶面积促进作用最大,分别比对照高14.18％和55.13％,均达显著差异;茎粗随着GA4+7+氯吡脲的浓度升高表现出一定抑制作用;20 mg·L-1GA4+7+氯吡脲在花苞开放率和花期上综合效果最好;80 mg·L-1 GA4+7+氯吡脲对'Thalita'株高促进效果最好,比对照高2.67％;所有处理组种球鲜质量和根长均比对照低,其中20 mg·L-1 GA4+7+氯吡脲效果最为明显,分别比对照低36.77％和48.18％,均达显著差异.综合比较来看,20 mg·L-1 GA4+7+氯吡脲对重瓣百合'Thalita'生长影响最大,效果更佳.     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。     

新型果园宽幅联合仿形修剪机设计与研究

针对目前修剪机修剪形状单一,适应性差,修剪机械通用性能低的问题,通过理论分析、三维模型设计、性能试验相结合的方法,设计针对新型果园的宽幅联合仿形修剪机。主要对该整机的机架结构、切割装置、传动系统、液压系统进行了设计,并分别对机架结构和切割装置的机构进行运动分析。试验结果表明:该修剪机切割高度范围为500～4 000 mm,向左最大移动幅度为1 530 mm,向右最大移动幅度为740 mm,左右最大摆角幅度为±25°,最大切割直径为60 mm,修剪漏割率为7.3%,修剪合格率为90.9%,切割断面质量和修剪形状符合农艺学的要求。该机适应性强,通用性能高,能满足多种修剪树形的需要。     

脱毒‘烟富3号’与未脱毒‘烟富3号’苹果香气成分差异分析

采用顶空固相微萃取、气相色谱-质谱联用技术检测分析了脱毒‘烟富3号’与未脱毒‘烟富3号’苹果果肉、果皮中的香气成分。结果表明:脱毒对‘烟富3号’苹果果肉、果皮中的香气成分影响明显,其中脱毒‘烟富3号’苹果果肉含有19种香气成分,总含量为271.88μg/kg,比未脱毒‘烟富3号’苹果果肉中检出的香气成分多5种,总含量高97.88μg/kg;从脱毒‘烟富3号’苹果果肉中检测到7种独有的香气成分,包括2-甲基丁酸乙酯、2-甲基丁酸丙酯、甲酸己酯、己酸己酯、丙酸丙酯、丁酸丙酯、(E)-2-己烯醛。脱毒‘烟富3号’苹果果皮中的香气成分为29种,总含量为1 408.77μg/kg,比未脱毒‘烟富3号’苹果果皮中检出的香气成分多1种,总含量高696.36μg/kg;从脱毒‘烟富3号’苹果果皮中检测到4种独有的香气成分,包括2-甲基丁酸丙酯、丙酸己酯、2,3-二甲基-1-戊烯、2-甲基丁酸。综合来看,脱毒‘烟富3号’苹果香气品质优于未脱毒‘烟富3号’苹果。     

基于双向准Z源逆变器的无刷直流电机驱动系统研究

针对农用电动运输车直流电源电压降落而导致的动力降低,以及车辆行驶工况复杂多变等问题,设计一种基于双向准Z源逆变器的无刷直流电机驱动系统。以STM32F103C8T6为控制器,完成驱动系统的硬件电路设计。通过直流母线方波升压和SVPWM控制策略,使无刷直流电机驱动系统具有ON-PWM斩波、准Z源方波升压、准Z源SVPWM三种驱动模式。最后搭建驱动系统的试验平台,取直流电源电压U_(dc)=24 V,直通占空比D_0=0.2,准Z源方波升压和准Z源SVPWM都将逆变桥的直流母线电压提升至40 V以上,有效解决直流电源电压降落的问题。驱动系统根据加速、爬坡、重载等具体工况快速、准确地切换工作模式,满足车辆的动力需求,提高车辆行驶的安全性和可靠性。     

蓝莓果实发育过程中品质的动态变化

以‘粉蓝’为试材,对果实发育过程中品质变化规律进行分析,为蓝莓品质调控提供理论依据。结果表明,随着果实的生长发育,果实可滴定酸含量先增加后下降,可溶性糖含量显著增加,糖酸比在波动中显著增加;果实原花青素、花色苷含量从盛花后60d开始显著增加;总酚和类黄酮含量整体呈下降趋势,发育后期略有上升;原花青素、花色苷含量与可溶性总糖含量呈极显著正相关(r=0.98**,r=0.89**)。     

基于PCA-Attention-LSTM网络的土壤氮含量监测

土壤作为农作物生长的主要营养来源,氮是植物生长的重要元素,有效评价土壤氮素含量可以促进配方施肥的发展。提出主成分分析、注意力机制和长短时记忆神经网络相结合的模型(PCA-Attention-LSTM)来监测土壤的氮素含量。采用PCA(主成分分析)对数据进行处理,提取影响土壤氮含量的关键影响因子,降低模型向量输入的维数,利用注意机制突出预测中的关键输入特征。在Keras深度学习框架的基础上搭建PCA-Attention-LSTM的网络模型,实现对未来2 h土壤氮含量的精监测。最后,以黑龙江省依安甜菜养植基地的数据对土壤氮含量进行训练和验证。结果表明,与RNN等其它网络模型相比,该模型的效果更好,基于PCA-Attenlion-LSTM网络模型的平均绝对误差,均方根误差和平均绝对百分误差分别为0.119、0.020、0.156。该模型预测精度高,泛化能力强,可以应用于土壤氮含量的监测。