新型漆酚铁树脂修饰的固体传感器的制备及应用

研究了一种用漆酚铁树脂进行化学修饰的固体传感器的制备方法,并初步探讨了其提高金属离子测定灵敏度的机理。在HOAc+NaOAc和KNO3混合介质中,该传感器测定铜离子的线性范围为4×10-9mol/L至2.5×10-7mol/L之间,富集20min后铜离子的检出限为8×10-11mol/L。用于实际水样的测定,平均回收率可达99.10%,结果满意。     

基于视触觉与深度学习的猕猴桃无损硬度检测方法

硬度是确定猕猴桃成熟度的重要指标之一,对其贮藏周期与销售节点均具有重要指导意义。针对现阶段缺乏使用简易、成本低且精度高的猕猴桃无损硬度检测方法的问题,提出了一种基于视触觉与深度学习的猕猴桃硬度检测方法,通过分析柔性触觉传感层与猕猴桃接触时的形变,获取猕猴桃的动态触觉信息,并据此推断其硬度。以树莓派开发板为机电控制平台,制作了猕猴桃视触觉序列图像采集装置,并对装置按压猕猴桃间隔3h后接触面果肉与非接触面果肉的CIELAB颜色分量平均数进行差异显著性检验,随后采集了猕猴桃视触觉序列图像数据集600组,分别搭建了CNN网络、CNN-LSTM迁移学习网络、CNN-LSTM联合学习网络对视触觉序列图像进行分析及硬度预测。研究结果表明,接触面果肉与非接触面果肉颜色L*、a*、b*三通道分量下平均值无显著差异;深度学习模型LSTM引入长时和短时信息可以动态关联CNN提取的单帧图像特征,从而有效推断猕猴桃硬度,其中CNN-LSTM联合学习模型预测效果最优,其均方根误差(RMSE)、平均绝对误差(MAE)、决定系数R2分别为 1.611N、1.360N、0.856,优于现阶段光谱技术检测猕猴桃硬度的结果,随后将模型嵌入树莓派中制作了猕猴桃硬度自动检测装置,可实现短时间内猕猴桃硬度的较为准确检测。因此,结合视触觉传感方法与联合学习模型可以实现对单个猕猴桃硬度的准确无损测量。     

基于EDEM小麦收获机清选损失监测试验装置设计

针对小麦损失监测传感器结构复杂、成本较高的问题,对收获机清选排杂口不同物料运动特性进行研究,揭示小麦与秸秆撞击敏感板的作用规律,从清选抛出物冲击敏感板的力学特性出发,设计一种小麦收获机清选损失监测试验装置。通过离散元分析软件EDEM分析小麦籽粒、50 mm秸秆、100 mm秸秆撞击敏感板产生的作用力,分析接触力变化曲线,证明可通过判断物料撞击敏感板产生的信号进行损失监测。为增强信号采集准确率,采用两片压电传感器串联的方式,增大损失信号。设计损失监测试验台机械结构及控制系统,使监测装置模拟收获机清选排杂过程且可以实时监测信号,有效提高监测效率。最后,通过不同高度物料运动损失监测试验,得出300 mm高度下传感器识别较为精准,对小麦籽粒的识别率达到98.4%,整体监测误差小于5%,损失监测试验装置能够达到设计目的和要求。     

基于GC-MS和电子鼻的面粉中粮虫快速检测方法

储粮害虫会降低粮食及其产品的重量、品质和营养健康指数,并且我国粮虫检测方式仍然以人工检测为主。为满足储粮害虫快速检测的需求,采用气相色谱-质谱联用仪（GC-MS）获得了赤拟谷盗（Tribolium castaneum（Herbst））的主要特定挥发性有机化合物（VOCs）,根据这些化合物的性质筛选出多个金属氧化物气敏传感器,并以传感器阵列为核心开发了储粮害虫电子鼻检测装置。该装置采集了赤拟谷盗、被赤拟谷盗侵染的面粉、被长头谷盗（Latheticus oryzae Waterhouse）侵染的面粉3种实验对象的气味信息,提取每条响应曲线的相对变化值和相对积分值作为原始特征矩阵（10×2）,使用主成分分析（PCA）和偏最小二乘回归算法（PLSR）对原始特征矩阵进行分析,并通过建立回归预测模型,实现了对面粉中赤拟谷盗和长头谷盗虫口密度的预测。优化后的传感器数量由10个减少至8个,赤拟谷盗样品的两个主成分累计的贡献率为79.4%。基于PLSR的预测模型对面粉中赤拟谷盗的数量有很好的预测效果（校正集：相关系数r=0.88,均方根误差为8.09;验证集：r=0.89,均方根误差为7.75）;该预测模型对面粉中长头谷盗的数量也有很好的预测效果（校正集：r=0.94,均方根误差为5.85;验证集：r=0.94,均方根误差为6.08）。研究结果表明：该装置能够满足判别储粮中不同虫口密度样本的基本需要,并且具有可靠的稳定性。     

农田耕整载荷六维力传感器结构优化与解耦研究

针对农田耕整载荷大、测量精度低等问题,在经典十字梁结构基础上,设计了一种辐梁式六维力传感器,可同时测量力和力矩,通过仿真方法对传感器结构进行了优化,确定了应变梁长、宽、高分别为9、10、6mm;分析了传感器结构在载荷下的应变能力,确定了应变片贴片位置。对传感器开展了静态标定试验,基于标定数据采用改进型XGBoost(Extreme gradient boosting)机器学习网络对力信号进行解耦,并与常规网络进行比对。试验结果表明,改进型XGBoost模型在X、Y、Z方向力和力矩6种加载方式的测试集决定系数R2P分别达到0.9804、0.9418、0.9434、0.9868、0.9969、0.9822,预测效果较好,避免了陷入局部最优解。改进型XGBoost模型在六维加载力、力矩的R2P、测试集平均绝对误差（MAEP）均明显优于随机森林模型、传统多元线性回归,相较于传统多元线性回归方式,六维加载力、力矩的R2P分别提升22.57%、20.99%、23.32%、26.27%、26.05%、18.72%。基于机器学习的解耦算法可明显减少耦合误差的影响,提高传感器的测量精度, 为农机优化提供了技术支撑。     

传感器阵列对浓香型白酒发酵中黄水的检测研究

黄水是白酒在固态发酵过程的副产物,含有大量发酵产物,黄水的成分一定程度反映了固态发酵的信息。基于白酒固态发酵只能在线检测温度这一现状,设计了针对白酒副产物黄水的一种传感器阵列检测装置,用于检测黄水的总酸和残余葡萄糖。该传感器阵列由电导率传感器、pH传感器和氧化还原传感器构成。采用主成份分析、判别函数分析印证了传感器数据对不同样品的区分作用,再采用多元线性回归对黄水样品建立了预测模型,结果显示:该传感器阵列装置对黄水的总酸和残余葡萄糖的预测偏差分别为0.39和0.45。     

畜禽养殖疾病诊断智能传感技术研究进展

畜牧业是我国农业的重要组成部分,目前我国畜牧业向着规模化、集约化发展,同时也增加了畜禽疾病诊断的难度。为提高畜禽养殖中的动物福利水平,并降低畜牧养殖中因动物疫病与健康异常带来的经济损失与公共卫生安全风险,近年出现了一批通过数字化、智能化手段实现畜禽疫病诊疗的自动化方法,如机器视觉分析、动物音频分析、红外温度感知、深度学习分类等,这些方法可以有效提高对患病或异常畜禽动物的诊断效率、缩短诊断周期、降低畜牧养殖中人工巡检劳动力。畜禽疫病自动诊疗方法不同于常规的基于病理学知识的诊断方法,其主要通过各类传感器自动获取畜禽在养殖过程中的图像、声音、体温、心率、排泄物等各类特征信息,而后通过梅尔倒谱系数、Logistics回归分析等数学模型和支持向量机、深度学习等智能算法对采集的信息进行综合分析与处理,并对动物的健康状态做出评价与预测。文章分别从畜禽形态诊断技术、行为诊断技术、声音诊断技术、体温诊断技术、其他生理参数诊断技术等几个方面总结阐述了目前动物疫病智能诊断技术研究的进展和一些基础的方法原理,这些方法基于动物外型与体尺、行为与动作、鸣叫与声音、体温、排泄物、呼吸与心率等数字化特征,通过数学模型对传感器采集到的特征进行实时分析与分归类,基本实现了对理想环境下动物健康状态的评价。目前的畜禽动物疾病自动诊疗技术研究成果丰富,但相关诊断方法大多是在理想环境下进行,而实际的生产养殖环境中干扰因素很大,目前的诊断方法大多无法很好地排除干扰并精确提取出所需特征信息;并且目前的数字化禽畜疾病诊断方法多是基于禽畜的一种特征信息进行分析诊断,这使得诊断系统的诊断准确度受到影响,诊断结果说服力不足。同时目前的大多数数字化禽畜疾病诊断方法还存在诊断泛化能力差、抗干扰能力差等问题,这些问题制约了其推广与应用。未来畜禽疾病自动诊断的研究重点是提高其传感算法的精度和数学模型的适用性与鲁棒性,并进一步发展基于多种特征耦合与数据融合的智能化畜禽疾病诊疗专家系统,争取实现实时、高效、智能、精准的畜禽健康诊断。     

基于嗅觉和光谱技术融合的面粉脂肪酸值定量检测

提出了一种基于比色传感器数据和近红外光谱特征融合的储藏期面粉脂肪酸值的定量检测方法。开发比色传感器阵列、搭建便携式近红外光谱测量系统,分别采集不同储藏期面粉样本的比色传感器数据和近红外光谱。利用主成分分析分别对预处理后的比色传感器数据和近红外光谱数据进行特征降维,采用五折交互验证法在反向传播神经网络(BPNN)模型校正过程中进行优化,确定基于单技术分析模型的最佳主成分(PCs)个数。将优化后的基于单技术模型的最佳PCs在特征层进行融合,建立基于融合特征的BPNN分析模型,以实现对面粉储藏过程中脂肪酸值的快速检测。实验结果显示,基于比色传感器特征和基于近红外光谱特征建立的最佳BPNN模型的最佳PCs数量分别为3和4,基于融合特征建立的BPNN模型在预测集中的相关系数和预测均方根误差的均值分别为0.9276和1.9345 mg/(100 g)。研究表明,与单技术数据分析模型相比,基于比色传感器数据和近红外光谱特征融合模型的检测精度和泛化性能都有所提高。本研究可为粮食储藏品质的高精度原位监测提供一种技术方法。     

农田土壤无线地下传感器网络节点设计与通信试验

为了揭示电磁波信号在农田土壤中的传输特性、科学部署传感器节点,以关中地区农田土壤为研究对象,采用模块化设计思想,将传感器、无线数传、处理器和能量供应等模块集于一体,设计了无线地下传感器网络（Wireless underground sensor networks,WUSN）节点和汇聚节点。采用单因素试验方法,分析了土壤含水率、WUSN节点埋深、节点间水平距离对WUSN节点信号传输的影响,建立了接收信号强度和误码率预测模型。结果表明,当WUSN节点信号在地下垂直方向上传输时,土壤含水率增加2.5个百分点,接收信号强度降低4~6dBm,通信误码率增加3~5个百分点;WUSN节点埋深增加5cm,接收信号强度降低3~5dBm,通信误码率增加3~4.5个百分点。当WUSN节点信号在地下水平方向上传输时,土壤含水率增加2.5个百分点,接收信号强度降低5~7dBm,通信误码率增加4~5个百分点;节点间水平距离在10~90cm范围内,节点间水平距离增加10cm,接收信号强度降低6~8dBm,通信误码率增加6.5~8个百分点;节点间水平距离在90~190cm范围内,节点间水平距离增加10cm,接收信号强度降低约1dBm,通信误码率增加1~1.5个百分点WUSN节点信号在垂直、水平两种传输方向上误码率和接收信号强度预测模型拟合优度R2最高为0.982,均方根误差RMSE为1.7%,拟合优度R2最低为0.942,均方根误差RMSE为5.136dBm。WUSN节点信号在土壤中传输受到土壤含水率、WUSN节点埋深和节点间水平距离的严重影响。     

农用无人车环境感知技术发展现状及趋势分析*

传统农业随着人口老龄化、生产劳动强度大等原因导致其发展受到制约。近年来随着信息化技术、智能控制技术、传感器技术的快速发展,使得农用无人车的应用成为可能,实现传统农业向智慧农业的转变。对目前农用无人车发展情况介绍的基础上,重点阐述农用无人车环境感知技术的发展现状,对不同传感器技术的特点和应用情况进行总结,并比较分析不同传感器技术的优缺点;同时在对目前传感器信息融合技术发展情况总结分析的基础上,指出农用无人车环境感知技术的发展与应用没能够遵循精细化农业的发展方向,对于农业生产环境结构化研究欠缺。对此文章融合精细农业思想,提出作业对象结构化和作业机器传感器融合技术并重的解决策略,最后为降低成本、提高普及性,指出农用无人车的环境感知技术层可拓展性等发展趋势。