两种植物电信号的自适应AR参数模型分析

根据植物电信号非平稳、非线性等特点,以盆栽植物君子兰和观音莲为研究材料,对采集的两种植物电信号进行自回归模型(AR模型)分析,并采用自适应技术对模型参数进行优化。首先采用Akaike信息检验准则估计植物电信号的模型阶次,然后基于最小二乘参数估计法建立植物电信号模型并拟合,最后利用自适应AR参数算法对两种植物电信号进行预测。结果表明:基于最小二乘法的AR模型对植物电信号进行短期预测是可行的。为了解决预测中误差随预测点数增加而增大的问题,提出了基于Kalman滤波算法的AR模型参数估计法,使得预报精度以及收敛速度得以优化。进一步预报的数据可作为温室或塑料大棚控制系统中重要的输入参数,该方法为植物生物信息学提供了新的研究基础。     

均匀设计法优化桦树单宁超声波辅助提取工艺

白桦树皮是白桦采伐与加工剩余物,是重要的生物质资源。利用均匀设计法优化了超声波辅助提取白桦树皮中单宁的工艺。超声波辅助提取桦树单宁的最佳条件为:乙醇浓度15%(v/v),提取时间30 min,提取温度35℃,超声波功率500 W;此条件下提取桦树单宁,收率达到6.44%,纯度为45.68%。与传统的水提法、水/乙醇提取方法相比,超声波辅助提取法具有提取时间短、提取率高的优点,具有较好的应用前景。     

基于蓝牙技术的粮情监测系统

介绍了蓝牙射频技术及芯片NRF401,论述了以NRF401为核心器件的粮库温度监测系统的硬件电路及软件的设计,实现了安全、可靠、方便的粮库温度监测方法.     

增施CO_2对葡萄组培苗生长发育和光合自养能力的影响

运用自行设计制作的组培环境CO2 实时增施监控系统 ,研究葡萄组培苗在CO2 富集 ,高光合光量子流下的生长发育以及光合自养能力。结果表明 ,与对照组相比 ,增施CO2 的组培苗生长健壮 ,发育提前 ,光合自养能力得到促进 ,驯化成活率高 ;在同样增施CO2 的条件下 ,无糖组与有糖组的小苗生长发育状况差异不显著。因此 ,利用该系统可以实现无糖培养     

基于MATLAB的雾化图像处理及雾化角的测定

采用计算机图像视觉的方法,利用M ATLAB强大的图像处理功能,对拍摄的喷雾图像进行了去噪及二值化等初步处理,提取其边缘图像,对不规则的喷雾图像边缘进行了最小二乘拟合,得到了最近似于该边缘的2条相交直线,二者夹角即为所要求的雾化角。根据最小二乘拟合的定义,该方法的误差平方和最小,从而使雾化角的确定精度大大提高。     

基于机器视觉的莲子去芯位置的定位方法

提出一种基于机器视觉的莲子去芯位置定位的方法,并搭建试验平台进行去芯验证。采集4个产地、不同尺寸的莲子,用2个相互垂直的摄像头采集凹槽内莲子图像,对图像进行裁剪和灰度处理后,通过莲子头部和尾部的灰度特征差异识别莲子朝向;对沿长轴尾部向上的莲子图像进行二值化处理,经腐蚀运算以消除边缘杂质,缩放以增大特征点的曲率,利用角点检测确定莲子去芯位置坐标后进行坐标换算,计算机械手移动距离,实现莲子去芯作业。试验表明：莲子理想去芯位置为莲子尾部凸点,莲子朝向判别成功率约97%,尾部凸点识别准确率约97%,整体识别成功率约94%,去芯成功率约93%,单颗莲子图像处理平均时间约78 ms,平均去芯时间约0.5 s。若以尾部凸点识别成功数为基数计算,则莲子去芯成功率可达98.9%。     

增施CO2对葡萄组培苗生长发育和光合自养能力的影响

运用自行设计制作的组培环境CO     

茶园切抛组合式开沟刀设计与试验

针对茶园机械化开沟抛土性能不理想、无专用刀具的问题,设计了适用于茶园开沟的切抛组合式开沟刀。对抛土刀抛土片的抛土过程进行动力学分析,确定其关键参数抛土片宽度为8cm、倾斜角为30°时,可保证抛土刀横向抛土幅宽满足农艺要求。性能试验表明：切抛组合式开沟刀单侧抛土幅宽为22.7cm、抛土均匀性系数为90.3%、覆土厚度为2.1cm、开沟深度稳定性系数为87.8%、沟底浮土厚度为1.2cm,对照组单一开沟刀为13.4cm、84.3%、2.4cm、82.3%、2.5cm,说明切抛组合式开沟刀更符合茶园开沟实际需求,抛土均匀性与开沟稳定性更好,所抛土壤不易落入沟内。功耗分析试验表明,与单一切土刀相比,切抛组合式开沟刀抛土的正后侧区域冲击力减小,抛土上方区域冲击力减小,从而导致其抛土总冲击力减小,因此,该组合式开沟刀提高了开沟抛土质量,同时未明显增大开沟功耗。     

基于图像频谱特征的稻飞虱识别方法

为准确、快速的识别稻飞虱种类,采用自行设计的野外环境昆虫图像采集装置获取稻飞虱背部图像,通过对背景与目标像素的统计,选取140为阈值,对稻飞虱图像的蓝色通道进行二值化,将背景与目标分割开,采用形态学滤波以及开运算,与灰度图像进行与操作,获取单个稻飞虱虫体背部区域的灰度图像。然后对灰度图像进行二维傅里叶变换,获得虫体背部图像的二维傅里叶频谱。最后以ll(l=1,2,…,6)的二维频谱窗口数据作为稻飞虱特征参数,建立Fisher判别函数。训练集和验证集的试验结果表明,选用33二维傅里叶频谱窗口数据建立的判别模型,稻飞虱正确识别率可达到90%以上。该方法可以实现田间稻飞虱的自动识别。