排序方式: 共有91条查询结果,搜索用时 15 毫秒
31.
华南双季稻区水稻不同机械化栽植方式对比试验与评价 总被引:2,自引:6,他引:2
为探索不同机械化栽植方式对华南双季稻区的适应性及其影响机理,2011-2014年连续4 a在广东省肇庆市和江门市,以钵体苗人工手插为对照,安排了钵体毯状苗机插、毯状苗机插和毯状苗窄行机插3种机械化栽植方式的对比试验。应用主效可加互作可乘(additive main effects and multiplicative interaction,AMMI)模型对影响水稻产量的栽植方式、环境和二者的互作进行了分析,进而对不同栽植方式的适应性进行了评价。结果表明:不同栽植方式水稻产量的单因素方差分析显示,3种机械化栽植方式对常规稻都具有良好的适应性,可替代人工手插大面积推广使用;而杂交稻各次试验中3种机插秧栽植方式的产量都低于人工手插,杂交稻机插秧问题还需进一步研究。AMMI分析中,栽植方式平方和、环境平方和及二者的互作平方和分别占处理平方和的6.39%、85.29%和8.31%,都达到了极显著差异水平(P0.01);AMMI模型的交互效应主成分(interaction principal component analysis,IPCA)前2个达到显著水平,两项累计解释了互作平方和的92.99%;残差均方根(root mean square,RMS)的值为49.34 kg/hm2,占总均值的0.71%,表明AMMI2模型对试验的数据结构进行了很好的拟合。适应性评价显示,人工手插的平均产量最高,与环境存在较大正互作,是目前杂交稻种植中最好的栽植方式,但稳定性欠佳;毯状苗机插的平均产量最低,与环境的互作最小,是一种稳定性较好的栽植方式;钵体毯状苗机插的稳定性不及毯状苗机插,但平均产量高于毯状苗机插,与毯状苗机插相比平均增产约-2%~6%;毯状苗窄行机插的稳定性不及钵体毯状苗机插,但平均产量与钵体毯状苗机插相差不大,在杂交晚稻种植中常常高于钵体毯状苗机插。研究结论对推进华南双季稻区种植机械化的发展具有重要参考价值。 相似文献
32.
耙压式除草轮与水田土壤作用的流固耦合仿真分析及验证 总被引:2,自引:5,他引:2
为探明水稻机械除草过程中,除草轮的工作阻力大小变化及水田土壤的动态行为,该文利用ANSYS软件的显式动力分析模块LS-DYNA对耙压式除草轮在水田环境下的作业过程进行仿真分析。采用ALE(Arbitrary Lagrange-Euler)多物质耦合算法建立了土壤-水两物质耦合有限元模型;运用流固耦合算法分析除草轮与土壤-水模型的相互作用过程。采用有交互作用的正交试验方法选取土壤种类、水层厚度和除草轮旋转速度3个因素进行仿真试验分析,得到各因素及其一级交互作用对除草轮和土壤-水模型的耦合应力和土壤扰动率的影响规律。利用多目标优化设计方法综合评判仿真试验结果,综合评分结果表明,在不同的土壤工作环境下,除草轮在水层厚度为60mm、转速为160r/min的作业条件下均可获得较优的工作性能。影响除草轮和土壤-水模型耦合应力的因素主次顺序为:土壤种类水层厚度土壤种类×水层厚度土壤种类×除草轮转速除草轮转速水层厚度×除草轮转速。影响土壤扰动率的因素主次顺序为:土壤种类除草轮转速土壤种类×水层厚度土壤种类×除草轮转速水层厚度水层厚度×除草轮转速。为验证仿真结果,进行了田间试验和土槽试验,根据仿真所得耦合应力值推导出除草轮所受土壤反作用力扭矩值,与田间实测值相对误差为8.84%;仿真所得土壤扰动率与土槽试验实测值相对误差为9.86%;仿真所得综合评分结果与试验综合评分结果相对误差为7.02%。仿真分析结果可为轻简式水稻除草机应用在不同稻区的田间作业参数提供参考。 相似文献
33.
农作物表型技术及其智能装备研究进展与展望 总被引:1,自引:0,他引:1
农作物产量相关表型性状参数的快速获取对作物育种以及产量相关研究至关重要,也是作物育种全程智能化的研究重点和难点。此外,作物基因组技术的快速发展让人类快速解析数量性状成为了可能,但作物表型数据的不足严重限制了这一可能。通过开发农作物表型测量技术和智能装备可加以解决。将作物产量相关表型性状参数获取技术及其智能装备用于作物的品种改良和解析基因组信息,定量研究与生长、产量和适应生物和非生物胁迫相关的复杂性状,是建立农作物生长模型和采集农作物高维、丰富表型数据集的重要途径,能够填补基因组信息与植物表型可塑性之间关联性的空白。当前我国作物考种技术正处于由机械化方式向智能化转型升级的关键阶段。本文从作物表型观测技术与装备研究两方面分析了国内外研究现状,提出了建立智能化手段,兼顾不同需求发展高性能、高效率、高可靠性农业考种装备,提升装备智能化水平的发展思路。 相似文献
34.
为确定淹水胁迫下适应性相对较强的苜蓿(Medicago sativa)品种,以‘金皇后’(B1)、‘阿尔金刚’(B2)、‘维多利亚’(B3)、‘巨能551’(B4)和‘巨能耐湿’(B5)为材料,研究了淹水处理对不同苜蓿品种群体质量和品质的影响。结果表明,随着淹水时间增加,不同苜蓿品种草产量之间差异显著,与0d相比1d淹水处理下B3,B4,B5的产量增加,随水淹胁迫时间的增加产量逐渐下降,而B1,B2则随淹水时间延长持续降低,5d时各品种草产量表现为B5B1B4B3B2;短期淹水对B1,B3,B5株高有促进作用,之后随时间延长逐渐降低,淹水5d时明显高于B2,B4。淹水5d时,B1,B4,B5的叶片数显著高于B2,B3,而B5的生长速率较0d仅降低15.38%,生长速率显著高于其他品种,其节间数、分枝数、根长和根重也均显著高于其他各品种;同时淹水5d时,B5光合能力显著强于其他品种,表现为B5B1B4B2B3;而品质上,B1,B4,B5在水淹胁迫后牧草品质均显著优于B2和B3。综上所述,‘巨能耐湿’(B5)在淹水胁迫下抗逆和恢复能力表现较好,群体质量相对较高,对产量品质影响较小,适宜在我国淮河以南多雨地区推广种植。 相似文献
35.
36.
基于多特征融合和深度置信网络的稻田苗期杂草识别 总被引:9,自引:4,他引:5
杂草的准确识别是田间杂草精准防控管理的前提,机器视觉技术是实现杂草准确识别的有效手段。该文以水稻苗期杂草为研究对象,采集稻田自然背景下和不同光照条件下的6种杂草图像共928幅,包括空心莲子草、丁香蓼、鳢肠、野慈姑、稗草和千金子。采用1.1G-R颜色因子将杂草RGB图像进行灰度化,选择自动阈值自动分割得到杂草前景二值图像,通过腐蚀膨胀形态学操作进行叶片内部孔洞填充,应用面积滤波去除其他干扰目标,最后将杂草二值图像与RGB图像进行掩膜运算得到去除背景的杂草图像;提取杂草图像的颜色特征、形状特征和纹理特征共101维特征,并对其进行归一化处理。在双隐含层和单隐含层的深度置信网络(deep belief networks,DBN)结构基础上,对DBN隐含层节点数选择方法进行研究。针对双隐含层DBN节点数,选择恒值型、升值型和降值型3种节点组合方式进行优化研究,当网络结构为101-210-55-6时杂草识别率为83.55%;通过对单隐含层节点参数优化得到网络结构为101-200-6时杂草识别率达到91.13%。以同一测试样本的运行时间值作为模型的测试时间对3种不同模型进行耗时测试,SVM模型、BP模型和DBN模型测试结果分别为0.029 7、0.030 6和0.034 1 s,试验结果表明基于多特征融合的DBN模型的识别精度最高,且耗时较其他2种模型相差不大,可满足实时检测的速度要求,所以在实际应用中应优先选择基于多特征融合的DBN模型。该研究可为稻田杂草识别与药剂选择性喷施提供参考。 相似文献
37.
38.
3GY-1920型宽幅水田中耕除草机的设计与试验 总被引:3,自引:1,他引:2
为了提高机械除草的作业效率、降低地头频繁调头引起的伤苗率,该文研制了3GY-1920型宽幅水田中耕除草机。该机由12 k W水田拖拉机提供动力,工作幅宽为5.7 m,一次作业可覆盖6行插秧机3个行程的作业宽度,并配备了4个双作用液压缸,控制整个机架的展开闭合与除草轮位置的横向调节。该文结合水田土壤特性和现有除草部件的特点,通过对除草轮的运动学与显式动力学仿真分析,设计并优化了螺旋刀齿式样除草轮,该除草轮通过与土壤及杂草的剪切、翻耕作用实现中耕除草作业。田间除草试验结果表明:在机具不同前进速度(0.3、0.6、0.9 m/s)和除草轮入土深度(3、6、9 cm)条件下,该机平均除草率为82%,伤苗率为4.8%;根据机具作业速度和幅宽可知该机作业效率为0.6~1.8 hm2/h;整机工作性能和作业效率满足水稻田机械中耕除草作业的技术要求。机械除草与化学除草产量对比试验结果表明:在试验区域内,机械除草产量高于化学除草,该研究可为中耕除草对水稻田产量的影响提供参考。 相似文献
39.
基于深度卷积神经网络的水稻穗瘟病检测方法 总被引:15,自引:9,他引:6
穗瘟是一种严重影响水稻产量及品质的多发病害,有效地检测穗瘟是水稻病害防治的重要任务。该文提出基于深度卷积神经网络GoogLeNet模型的水稻穗瘟病检测方法,该方法利用Inception基本模块重复堆叠构建主体网络。Inception模块利用多尺度卷积核提取不同尺度穗瘟病斑分布式特征并进行级联融合。GoogLeNet利用其结构深度和宽度,学习复杂噪声高光谱图像的隐高维特征表达,并在统一框架中训练Softmax分类器,实现穗瘟病害预测建模。为验证该研究所提方法的有效性,以1 467株田间采集的穗株为试验对象,采用便携式户外高光谱成像仪Gaia Field-F-V10在自然光照条件下拍摄穗株高光谱图像,并由植保专家根据穗瘟病害描述确定其穗瘟标签。所有高光谱图像-标签数据对构成GoogLeNet模型训练和验证的原始数据集。该文采用随机梯度下降算法(SGD,stochastic gradient descent)优化GoogLeNet模型,提出随机扔弃1个波段图像和随机平移平均谱图像亮度的2种数据增强策略,增加训练数据规模,防止模型过拟合并改善其泛化性能。经测试,验证集上穗瘟病害预测最高准确率为92.0%。试验结果表明,利用GoogLeNet建立的深度卷积模型,可以很好地实现水稻穗瘟病害的精准检测,克服室外自然光条件下利用光谱图像进行病害预测面临的困难,将该类研究往实际生产应用推进一大步。 相似文献
40.