农用车辆自主导航控制系统设计与试验

集成软硬件系统搭建了一套农用车辆自主导航系统并进行了试验研究。硬件系统包括传感器、执行器和CAN-Bus通信网络;软件系统基于Windows操作系统、Visual Studio 2005开发环境,采用多线程编程技术开发。依据运动学规律建立了车辆运动模型,依据转向机构闭环响应曲线辨识了转向系统闭环模型,综合2个模型确立了航向与横向控制系统开环传递函数,基于PID理论设计了航向与横向控制器。试验结果表明:软硬件系统运行稳定;初始航向偏差在-86°与84°时,调节时间均在2 s以内,稳定后航向跟踪的精度均在1°以内;初始横向偏差在0.7 m和1.2 m时,横向偏差的最大值分别为10.4 cm与9.2 cm,横向偏差平均值分别为6.4 cm与3.5 cm,横向偏差标准差分别为2.6 cm与1.7 cm,横向控制器能够使系统平滑稳定地跟踪期望路径,跟踪精度在厘米级。     

基于改进Ghost-YOLOv5s-BiFPN算法检测梨树花序

疏花是梨生产中的重要农艺措施，机械化智能疏花是当今高速发展的疏花方式，花朵与花苞的分类与检测是保证疏花机器正常工作的基本要求。本研究针对目前梨园智能化生产中出现的梨树花序检测与分类问题，提出了一种基于改进YOLOv5s的水平棚架梨园花序识别算法Ghost-YOLOv5s-BiFPN。通过对田间采集的梨树花苞与花朵图像进行标注与数据扩充后送入算法进行训练得到检测模型。Ghost-YOLOv5s-BiFPN运用加权双向特征金字塔网络（Bi-directional Feature Pyramid Network，BiFPN）替换原始的路径聚合网络（Path Aggregation Network，PAN）结构，对网络提取的不同尺寸目标特征进行有效的融合。同时运用Ghost模块替换传统卷积，在不降低准确度的同时减少模型参数量和提升设备运行效率。田间试验结果表明，改进的Ghost-YOLOv5s-BiFPN算法对梨树花序中花苞与花朵的检测精度分别为93.2%和89.4%，两种目标平均精度为91.3%，检测单张图像时间为29 ms，模型大小为7.62 M。相比于原始YOLOv5s算法，检测精度与召回度分别提升了4.2%和2.7%，检测时间和模型参数量分别降低了9 ms和46.6%。本研究提出的算法可对梨树花苞与花朵进行精确的识别和分类，为后续梨园智能化疏花的实现提供技术支持。     

设施环境下智能移动作业平台控制系统研制

设施环境下的移动作业平台作为棚内施药、采摘等设备的载体，由于其作业环境的限制，对其控制系统的精确性和实时性的要求更高。为提高设施移动作业平台作业效率和精度，提出了基于CAN总线的分布式控制结构的智能移动作业控制系统，该系统分为主控制和功能节点两个部分，主控制器负责采集移动平台位置信息并进行控制决策，各功能节点实现对移动平台的转向、变速以及设备控制。整个系统的通信根据ISO11783标准设计完成。系统通信能力测试结果表明，该移动作业平台的智能控制系统能够满足设施环境作业需求，工作性能稳定可靠。