车载智能土壤采样系统设计与试验

针对传统土壤样本采集操作复杂、劳动强度大、采集精度低和缺乏信息化管理的问题，设计了一种车载智能土壤采样系统。该系统安装于无人驾驶采样车上，系统包括土壤样本自动采集装置和电气控制系统。对系统整个工作过程进行分析，确定了各关键机构及控制硬件的主要工作参数。电气控制系统以运动控制器为控制核心，土壤样本自动采集装置对不同深度范围的土样进行采集，并按地理位置信息分类收集，通过RFID读写器将GPS系统定位所解算的目标采样点的经纬度地理信息和采样深度等信息写入收集土样采样筒底部的电子标签中。性能试验表明，安装于无人驾驶采样车的车载智能土壤采样系统工作运行稳定、可靠，能够对农耕层0~200mm任意深度范围的土壤进行自动分层采样，效率高、精度高、全程自动化，能够按照位置信息进行分类管理，较好地满足了智能化高质量采集土样的需求。     

颗粒肥料质量流量传感器设计与试验

变量施肥具有提高肥料利用率、保护生态环境、节约农业生产成本等优点，但目前还没有得到广泛的应用，除了难以获得变量施肥的处方图之外，缺乏闭环检测也是原因之一。闭环控制是实现变量施肥的关键之一，与间接测量排肥轴的转速相比，实时检测肥料的质量流量更为准确。本文基于静电感应原理，设计了一种颗粒肥料质量流量传感器。由于颗粒肥料之间、颗粒肥料与空气、颗粒肥料与排肥管之间的摩擦和碰撞，颗粒肥料会携带一定量的电荷，因此本研究设计了环形电极来检测电荷强度，并利用电流放大电路输出感应电流。通过标定质量流量与感应电流的关系，获得了实时的肥料质量流量。搭建试验台对该颗粒肥料质量流量传感器进行检测，试验台主要包括动态信号采集系统、肥料箱、电流放大器和环形电极传感器。以大颗粒尿素（CO(NH2)2）、过磷酸钙（Ca(H2PO4)2·H2O）和氯化钾（KCl）为研究对象，其平均容重分别为0.7、1.2、1.1g/cm3。根据施肥装置的物理参数，通过调整排肥轴转速可获得近似的目标质量流量，目标质量流量的范围是3~15g/s，增量为1g/s。对于每个质量流量，进行了4次重复。每次重复30s，施肥装置与信号采集系统同时启动。利用平均感应电流和平均质量流量建立回归方程，采用插值法得到实时质量流量。随后，对每种肥料进行25次试验，从而检验本文中颗粒肥料质量流量传感器的测量精度，每次试验的目标质量流量由5个随机质量流量组成，每个质量流量下持续排肥6s，用天平称量30s内的实际质量，通过积分质量流量和时间曲线计算检测质量。采用SPSS 22.0软件对试验结果进行统计分析，分析表明，大颗粒尿素、过磷酸钙、氯化钾的检测误差分别为3.9%、5.1%、5.9%，相应的标准差分别为5.21、7.98、11.29。检测质量与实际质量无显著性差异（P>0.1），大颗粒尿素、过磷酸钙和氯化钾检测误差的数学期望值分别为3.74%、4.93%、5.22%。本文的研究结果表明，检测误差随颗粒肥料粒径的减小而增大。     

光电传感器结合旋转编码器检测气吸式排种器吸种性能

高速精密播种作业是大豆、玉米等作物播种的主要发展方向之一。该文针对高速精密播种作业中气吸式排种器,设计了排种器吸种状态检测系统(seed disc suction performance detection system,SDSPS),该系统采用凹形光电传感器采集排种盘吸种信息、应用光电旋转编码器采集排种轴转动角度等信息,通过对光电传感器的输出信号和光电编码器脉冲信号进行处理,得到排种盘每个吸孔的吸种情况,从而进一步获取整个排种器的工作状况。与排种器试验台常用的图像处理检测系统(seeding detecting system based on image processing,SDSIP)在6组作业条件下进行了试验台对比试验,并单独进行了检测单个吸孔吸种量可行性试验。试验通过F检验和T检验(α=0.05)得出2种系统测量值总体方差相同和均值一致。精度分析结果表明SDSPS相比于SDSIP的最大相对误差为0.31%,系统稳定性分析结果表明SDSPS与SDSIP的波动幅值比较接近,两者的最大相对偏差值都不超过1%,SDSPS检测单个吸孔吸种量的最大相对误差为16.67%。通过田间试验验证,SDSPS对于漏吸种量和多吸种量,检测系统检测值与实际值相对误差平均值分别为3.87%和8.42%。SDSPS能有效的进行排种盘吸种性能检测,对单个吸孔吸种量的检测也具有较高的可信度,可以为气吸式排种器性能检测与改进提供技术支撑。     

基于深度学习与图像处理的玉米茎秆识别方法与试验

以识别玉米秧苗茎秆为目标，采用云台搭载电荷耦合器件（CCD）相机获得玉米秧苗图像，采用LabelImage插件制作了玉米秧苗的标记与标签。基于深度学习框架TensorFlow搭建了多尺度分层特征的卷积神经网络模型，应用4倍膨胀的单位卷积核，获得了玉米秧苗图像的识别模型，其识别准确率为99.65%。将已知玉米秧苗图像划分为最佳子块，求取了各个子块的最佳二值化阈值。选取6种杂草密度在每天5个时间段进行为期3d的试验，共采集了10800幅图像。试验结果显示，对玉米秧苗茎秆的平均识别准确率为98.93%，且光照条件与田间杂草密度对识别结果没有显著影响（P>0.05）。     

中耕期玉米田间避苗除草装置设计与试验

针对现有旱田避苗除草装置多依赖于智能导航平台,机械式避苗除草装置无法确定秧苗位置的问题,该文基于除草执行部件间歇式旋转运动的思想,设计了一种针对中耕期玉米田间使用的避苗除草装置,该装置由软轴、行程开关、步进电机、除草梳齿和测控系统等组成。当该装置需要执行避苗除草动作时,除草梳齿会旋转120°以躲避秧苗。在吉林大学的土槽实验室,进行了三因素四水平的正交试验,试验结果显示,在秧苗株距为26 cm,梳齿入土深度为20 mm,前进速度为5 km/h时,该装置的平均伤苗率为5.9%,平均除草率为94.7%,方差分析结果显示,玉米的种植株距对于伤苗率的影响最显著(P0.05),梳齿的入土深度对于伤苗率和除草率均有显著影响(P0.05),但是作业速度对于伤苗率和除草率无显著影响(P0.05)。该装置可以满足玉米田间"避苗除草"作业的要求,研究结果可为农田机械除草的优化和设计提供参考。     

玉米立茬与粉碎秸秆覆盖对生长季土壤呼吸的影响

农田土壤呼吸(Rs)是全球CO_2循环的重要组成部分,生长季土壤呼吸对于作物的产量有巨大的影响,同时,作物残茬的覆盖模式会影响土壤呼吸。该文应用了粉碎秸秆覆盖地表(SH)和立茬覆盖地表(ST)是两种主流的作物残茬覆盖地表模式,自2000年起,玉米收获之后,在试验地块施用这2种作物残茬覆盖地表的模式。自2013年开始,在试验地块测量每年冬季的土壤结冻深度,积雪的厚度与CO_2通量,土壤温度与湿度。总土壤呼吸分为异养呼吸(HR)和根际呼吸(RR),该文使用放射性碳标记技术和数学方程计算异养呼吸和根际呼吸的CO_2通量。试验结果显示,与SH处理相比,ST处理地表平均积雪厚度可以增加44%,最大土壤冻深降低18%,并且冻土完全融化的时间将提前10到27 d。ST与SH的平均CO_2通量分别为16.55和14.02 mmol/m~2h。对于整个生长季,SH与ST的土壤呼吸差别在生长季开始和结束时期较小,在生长季的中期较大。ST的平均Rs比SH多3.3 mmol/m~2h,在ST中,HR是Rs的主要构成部分,而RR只约占总土壤呼吸10%。冗余分析结果显示,Rs和HR与土壤温度和积雪厚度呈正相关,与冻土深度呈负相关。该文的研究结果显示相比较于粉碎秸秆残茬覆盖,立茬覆盖地表有利于提高生长季的土壤呼吸,可为玉米的光合作用提供较多CO_2,这将有利于作物增产。