拖拉机田间作业参数无线检测系统研究

针对当前拖拉机检测系统功能集成度低、检测参数不全面、传输距离有限的问题，开发了拖拉机田间作业参数无线检测系统。该系统由传感器、数据采集仪及上位机软件监测平台3部分组成，能够实现PTO转矩及转速、油耗、发动机转速、悬挂提升力、力位调节加载力、加载角度、行驶速度、车轮转速、牵引力等多种参数的采集、无线发送与存储。系统工作时，数据采集仪中的车载检测仪将采集的传感器数据发送至无线数据接收器，无线数据接收器通过串口将数据传输至上位机软件监测平台，实现对各类试验参数的实时监测与数据处理。为验证检测系统的可行性与稳定性，对系统进行了采集通道的计量，结果显示模拟信号通道绝对误差绝对值最大为0.003V，引用误差最大为0.03%，频率信号通道检测绝对误差最大为2Hz，引用误差最大为0.013%，满足对拖拉机作业参数的采集需求。在此基础上，进行了PTO转矩参数及拖拉机无负载行驶速度采集试验。试验结果表明，检测系统可以实现转矩参数的稳定采集及数据的无线传输；在5、8、14km/h 3挡车速匀速行驶下，拖拉机车轮转速与实际行驶速度基本一致，最大相对误差分别为2.0%、1.2%及0.7%。本系统可满足对拖拉机工作性能参数的无线检测需求，数据采集稳定且采集精度较高，为拖拉机多作业参数的无线采集提供有效手段。     

大型收获机械发动机孔组位置度误差在线检测方法

发动机是收获机械的动力源，其安装位置精度将直接影响整机装配质量，进而关系机器的作业效率和可靠性。由于收获机械底盘机架结构复杂、表面粗糙度大，现有测量方法及设备难以满足大跨距孔组位置度误差测量需求，针对收获机械发动机安装孔位置度的自动化测量需求，提出了基于机器视觉的大跨距孔组位置度误差在线检测方法，通过建立孔组位置度误差模型，使用多部工业相机获取安装孔二维图像，通过相机在线标定、图像增强处理、特征提取、坐标变换等手段，实时测取并计算安装孔组之间的位置度误差。在此基础上，基于LabWindows/CVI平台，开发了自动检测软件，实现了发动机安装孔位置度的快速检测。以某型玉米收获机底盘机架发动机安装孔组为对象开展了试验研究，结果表明，利用该方法能够有效获取安装孔组的位置度关系，建立的孔组位置度误差模型能够进行误差分析与评定，在分辨率和测量精度上均优于传统测量方式，检测效率较高，能够满足生产线自动化检测需求。     

基于有限元方法的整形果树振动收获机理分析

为提升振动式采收机械的设计效率,该文在分析常见振动收获机工作机理的基础上,建立了3种典型整形果树实体模型,利用有限元方法得到其在1~50 Hz低频范围内的固有频率和模态振型,并进行了振动响应特性仿真试验。结果表明,整形果树固有频率和模态振型受果树形态影响较大,3种典型整形果树的低阶固有频率主要集中在7~11阶范围,分别在13.5、12.0和7.5 Hz时振动响应最为剧烈,且一致性较好;同时,不同加载方式对于整形果树振动响应特性具有较大影响,其中双体多向加载较为适合于纺锤形果树,而单体回旋型加载则更适合于自然开心型和直立平面形果树。该方法可为不同类型整形果树振动式收获机械的设计提供参考。     

基于Swin Transformer模型的玉米生长期分类

快速准确识别玉米生长的不同阶段,对于玉米种植周期的高效精准管理具有重要意义。针对大田环境下玉米生长阶段分类辨识易受复杂背景、户外光照等因素影响的问题,该研究采用无人机获取玉米不同生长阶段的图像信息,以苗期、拔节期、小喇叭口期、大喇叭口期4个生长阶段为对象,利用Swin Transformer模型引入迁移学习实现玉米不同生长阶段的快速识别。首先结合玉米垄面走向特性,将训练集旋转8次用以扩充数据集;为探究各模型在非清晰数据集上的表现,采用高斯模糊方法将测试集转换6次;最后以AlexNet,VGG16,GoogLeNet做为对比,评估Swin-T模型性能。试验结果表明,Swin-T模型在原始测试集的总体准确率为98.7%,相比于AlexNet,VGG16,GoogLeNet模型分别高出6.9、2.7和2.0个百分点;在错误分类中,大喇叭口期和小喇叭口期由于冠层特征相似,造成识别错误的概率最大;在非清晰数据集下,AlexNet,VGG16,GoogLeNet模型精度总体退化指数分别为12.4%、10.4%和15.0%,Swin-T模型总体退化指数为8.31%,并且退化均衡度、平均退化指数、最大退化准确率均表现最佳。研究结果表明：在分类精度、模糊图像输入等方面,Swin-T模型能够较好地满足实际生产中,玉米不同生长阶段分类识别的实际需求,可为玉米生长阶段的智能化监测提供技术支撑。     

农机INS/GNSS组合导航系统航向信息融合方法

为解决农机自动导航系统在田间作业过程中因防风树林等对卫星信号产生遮挡与干扰,导致其难以准确获取航向信息等问题,采用惯性导航系统（INS）和全球导航卫星系统（GNSS）航向信息融合方法进行了试验与研究,结合自适应卡尔曼滤波算法构建了综合滤波模型,提出了一种以GNSS信号品质与航向角变化幅度信息为指导的INS/GNSS航向信息融合策略,通过仿真试验以及实际应用测试对航向信息融合效果进行了验证。试验结果表明：以双天线GNSS航向角测量值作为参考基准,在直线行驶过程中,融合航向数据的平均绝对误差为-0.02°,标准差为0.50°;在转向行驶过程中,融合航向数据的平均绝对误差为0.62°,标准差为2.42°;融合后的航向输出结果明显提升了单独使用INS或GNSS时航向数据的精度,且在滤除GNSS航向角测量噪声的同时提高了GNSS航向角解算值的更新速率。该航向角融合算法能够增强农业机械自动导航系统航向角测定的准确性,可为导航系统实际田间作业情况下的抗环境扰动能力提供服务。     

振动式果品收获技术机理分析及研究进展

<正>1引言果园收获作业是果园生产全过程中最重要的环节,是一个季节性较强和劳动密集型的工作,所用劳动力占整个生产过程所用劳动力的35%～45%。采收不及时,将直接影响果品的质量,并造成大量经济损失。从20世纪60年代起,随着劳动力成本的日益上涨,果品收获机械正越来越广泛地应用于多种果品的采收过程中。目前,常用的果品收获机采用     

六旋翼植保无人机风场竖直分布特性数值模拟与验证

植保无人机作业过程中,旋翼风场竖直方向分布特性对雾滴的输运效应及作物冠层的扰动作用直接影响施药沉积效果。本文以六旋翼植保无人机风场竖直分布为研究对象,采用基于格子玻尔兹曼方法的数值模拟技术建立了无人机前飞作业时旋翼风场仿真模型,并根据正交试验方法研究了多特征参数融合对风场竖直分布特性的影响。仿真结果表明,竖直分布风场垂直于飞行方向对称分布,当飞行高度和飞行速度增加或作业载荷减小时,风场强度逐渐减弱;竖直分布风场沿侧风方向倾斜,侧风风速大于3m/s时,风场横向倾斜超45°。基于此,采用恒温差热敏芯片研制了微型无线风速采集系统,并开展了植保无人机风场竖直分布特性的多因素田间验证试验,试验结果表明：仿真模拟与田间试验旋翼风场竖直分布规律基本一致,相对误差较小,风场竖直分布特性具有较好的一致性;数值模拟方法可有效模拟植保无人机飞行过程的非定常流动,仿真与田间试验结果为植保无人机雾滴沉积的研究提供了理论基础。     

联合收割机喂入量与收获过程损失模型

为了研究联合收割机喂入量与收获过程损失率之间的关系,该文对联合收割机喂入量和收获损失的影响因素进行了详细分析,采用3种模型试验研究了喂入量与收获过程损失的关系,基于新疆-2A型联合收割机的试验样本建立了基于幂函数、指数函数和二次函数的关系模型,其中二次函数模型具有较高准确性,其决定系数R2=0.826,并利用喂入量控制试验装置进行验证。试验表明,当喂入量在0.3～4.1?kg/s的范围内时,收获过程损失率实测值与二次函数模型计算值的绝对偏差范围为0.04%～0.91%,吻合较好,说明所建立的二次函数模型具有良好的准确性。该模型可作为预测试验用样机收获过程损失的有效工具。     

云-雾-边-端协同的农业装备数字孪生系统研究

数字孪生是一种实现虚实融合的先进理念,能够解决农业装备全生命周期中的复杂性和不确定性问题,促进农业机械化和农业装备产业的转型升级。目前,农业装备数字孪生尚处起步阶段,缺乏实用解决方案和典型应用案例。为此,基于数字孪生和农业装备的特点,融合五维模型和移动边缘计算技术,提出一种云-雾-边-端协同的数字孪生系统架构与运行机制。以籽粒直收型玉米联合收获机为对象,针对脱粒过程中籽粒破碎率高的问题,开发大型联合收获机的数字孪生原型系统,实现模型预测、模型更新、实时监测和优化决策等功能,并开展田间试验。试验结果显示：数字孪生系统有效提高了虚拟模型的适应能力,使虚拟模型保持良好的预测效果;基于数字孪生的决策优化方法有效降低了籽粒破碎率,相较于手动收获模式,籽粒破碎率平均值降低24.24%;相较于反馈控制模式,籽粒破碎率平均值降低15.78%,说明原型系统能够有效改善玉米籽粒收获质量,所提出的系统架构和实现方法可行。     

基于YOLO v7-ST模型的小麦籽粒计数方法研究

针对小麦考种过程中籽粒堆积、粘连和遮挡现象导致计数准确率低等问题,本文基于电磁振动原理设计了高通量小麦籽粒振动分离装置,通过分析受力探讨了籽粒离散分离程度的主要影响因素,并引入二阶离散系数建立了籽粒离散度等级评价方法。在此基础上,引入Swin Transformer模块构建YOLO v7-ST模型,对不同离散度等级下小麦籽粒进行计数性能测试。试验结果表明,YOLO v7-ST模型在3种离散度等级下平均计数准确率、F1值和平均计数时间的总平均值分别为99.16%、93%和1.19 s,相较于YOLO v7、YOLO v5和Faster R-CNN模型,平均计数准确率分别提高1.03、2.34、15.44个百分点,模型综合评价指标F1值分别提高2、3、16个百分点,平均计数时间较YOLO v5和Faster R-CNN分别减少0.41 s和0.36 s,仅比YOLO v7模型增大0.09 s。因此,YOLO v7-ST模型可实现多种离散度等级下不同程度籽粒遮挡和粘连问题的准确快速检测,大幅提高小麦考种效率。