基于卷积神经网络的拖拉机工况识别

农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。     

基于BP神经网络的柴油发动机特性建模

建立连续的发动机燃油特性和调速特性数学模型作为液压机械无级变速器虚拟试验平台的动力源。根据虚拟平台对不同特性区域的精度需求对柴油发动机不同特性区域的试验数据进行不同的密度选取、乱序和归一化处理,采用单隐层BP神经网络对试验数据进行训练,对比不同隐层节点数网络的训练误差和测试误差,选取误差最小的网络,求解出网络的数学表达式。通过该方法以ISLe310柴油发动机为例建立燃油特性和调速特性的连续数学模型,这两个简单的数学表达式准确反映了发动机万有特性和外特性,连续模型避免了虚拟试验中出现信号的突变和奇异点。通过和经典的最小二乘法拟合得到的最优特性模型进行对比,其具有更小的误差、更强的泛化能力,能够更好地反映柴油发动机的相关特性。     

基于主成分分析的吸鱼泵对鱼类损伤评价方法

采用主成分分析法建立吸鱼泵的损伤综合评价方法,为吸鱼泵的研究与改进提供装备技术参数。使用真空吸鱼泵对鲫鱼进行吸捕试验,获取鱼体损伤数据。通过测定体表损伤面积比率、24 h存活率、红细胞数量、白细胞数量、超氧化物歧化酶(SOD)活力、谷丙转氨酶(ALT)活力、肌酐(Cr)含量等多个关键指标值,采用主成分分析法进行相关性分析,建立损伤综合评价模型。结果显示：采用主成分分析法提取出3个主成分的累积贡献率达到78.232%,可反映出鱼体损伤的大部分情况;损伤评价综合评价模型：F=0.285X₁+0.111X₂+0.316X₃+0.366X₄-0.118X₅+0.234X₆,真空吸鱼泵对鱼的体表和内脏无显著损伤情况,综合得分-0.102,与对照组接近,表明真空吸鱼泵对鱼的损伤影响很小。研究表明,SOD活力、白细胞数和体表损伤面积比率是对损伤评价影响较大的数据指标,采用主成分分析法建立的综合损伤评价模型可以作为评价鱼损伤情况的一种可行方法,为吸鱼泵的改进研究提供了有力参考。     

基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。     

基于原型网络的小样本禽蛋图像特征检测方法

机器视觉因具有检测速度快、稳定性高及成本低等优点，已发展成为禽蛋无损检测领域主流检测手段。使用该技术对禽蛋进行无损检测时，需要依赖大量禽蛋图像作为数据支撑才能取得较好的检测效果。由于养殖安全等限制，禽蛋图像数据的采集成本较高，针对该问题，提出了一种适应于小样本禽蛋图像检测的原型网络（Prototypical network）。该网络利用引入注意力机制的逆残差结构搭建的卷积神经网络将不同类别的禽蛋图像映射至嵌入空间，并利用欧氏距离度量测试禽蛋图像在嵌入空间的类别，从而完成禽蛋图像的分类。本文利用该网络分别验证了小样本条件下受精蛋与无精蛋、双黄蛋与单黄蛋及裂纹蛋与正常蛋的分类检测效果，其检测精度分别为95%、98%、88%。试验结果表明本文方法能够有效地解决禽蛋图像检测中样本不足的问题，为禽蛋图像无损检测研究提供了新的思路。     

高效节能水锤泵技术研究进展

为了厘清水锤泵的技术发展动态和目前的技术应用现状,文中回顾了水锤泵技术发展历史,并简要介绍了水锤泵的基本结构,在此基础上,阐述了水锤泵的效率计算方法,并对水锤泵的理论设计方法发展进行了梳理.随后对水锤泵的国内外研发现状进行了大致概括,提出了中国水锤泵发展受限的根本原因,并指出简化制造和装配工艺、发展大型化水锤泵制造技术以及研发轻型化和分体式水锤泵是未来发展的重点.接着总结出水锤泵系统参数和结构参数是影响水锤泵的主要因素.最后对国内外水锤泵的实际应用现状进行了对比分析,提出发展应用水锤泵应在考虑泄水阀和输水阀动态启闭过程的水锤泵运行全过程理论模型的基础上发展适用于不同群体或目标的水锤泵制造技术.研究成果对扩大水锤泵的应用范围,提升中国水锤泵的制造技术提供了一定的参考.     

基于卷积神经网络马铃薯叶片病害识别和病斑检测*

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的mAP可达90.03%,以F₁为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%,F₁值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。     

隔板长度对紧凑型高速磁力泵水力特性及叶轮径向力的影响

为探究蜗壳内隔板长度对紧凑型高速磁力泵外特性与叶轮径向力的影响,根据蜗壳型式及隔板长度的不同提出6种蜗壳方案.设单蜗壳为方案一,其余双蜗壳方案根据隔板长度从小到大依次设为方案二至方案六.采用ANSYS-CFX软件对不同工况下(0.8Q_d,1.0Q_d,1.2Q_d)各蜗壳方案泵内流场进行数值模拟,得到不同蜗壳方案的泵中心面静压分布云图,并进行径向力分析.采用方案四蜗壳作为泵实型样机进行试验,将试验值与计算结果进行对比.研究结果表明:相较于无隔板的单蜗壳泵,采用有隔板的双蜗壳泵有利于平衡叶轮径向力,在额定流量下单蜗壳在x,y方向的径向力最大分量分别为151.2,149.7 N,是双蜗壳方案四的1.5倍;随着隔板长度的增大,泵的扬程与效率均逐渐提高,叶轮径向力不断减小,3种工况下扬程的模拟值与试验值偏差均小于3.0%;试验表明数值计算结果具有可信性,研究结果可为紧凑型高速磁力泵在提高水力性能以及平衡叶轮径向力方面提供一定参考.     

基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。     

基于级联卷积神经网络的番茄花期识别检测方法

对作物花期状态的准确识别是温室作物执行授粉的前提。为提高花期状态识别的准确度，该研究以温室番茄为例提出了一种基于级联卷积神经网络的番茄花朵花期识别方法。首先采用改进的端到端的特征金字塔网络FS-FPN实现番茄花束的分割，然后采用Prim最小生成树对分割后的花束图片进行花期识别优先级排序，最后将已排序的分割花束图片输入改进的Yolov3网络，实现番茄花朵花期状态的精准识别。在由1600幅包含花蕾期、全开期、谢花期、初果期4类花期状态的番茄花束图像构成的数据集上，所提方法对番茄花朵花期平均检测时间为12.54 ms，平均检测精度分别比Mask R-CNN和SPP-Net提高了3.67%和2.39%，识别错误率比改进前的Yolov3网络降低了1.25%。最终将该方法部署到番茄授粉机器人上，并在大型玻璃温室内进行验证，结果表明，所提方法对番茄花朵各花期的检测精度分别为花蕾期85.71%、全开期95.46%、谢花期62.66%、初果期88.34%，该研究结果可为智能授粉机器人的精准作业提供重要依据。