基于BAS-PID控制的精准变量施药系统仿真与试验

精准变量施药技术是精准农业的重要内容之一,为解决当前常用的变量施药方式存在的控制精度低、超调量大等不足,提出将天牛须搜索(Beetle Antennae Search,BAS)算法与常规PID控制结合形成BAS-PID控制算法,用于变量施药系统控制。首先建立施药控制系统机理模型并基于Matlab平台进行软件仿真,仿真试验结果表明,BAS-PID算法的超调量为0.024 1,绝对误差为1.14%,均低于常规PID和模糊PID,控制效果更好。在吉林农业大学试验田进行了田间施药试验,根据试验数据分析,BAS-PID、模糊PID以及常规PID的平均施药误差分别为0.016 L/min、0.020 L/min、0.238 L/min,平均超调量分别为0.006 L/min、0.016 L/min、0.238 L/min。BAS-PID控制算法的施药误差仅在0.01~0.02 L/min内,误差范围小,总体而言,该算法的施药误差和平均超调量都低于模糊PID和常规PID,系统应用效果好。试验结果表明:本文提出的BAS-PID算法提高了PID算法的参数适用性,施药控制精度高,超调量小,改善了变量施药系统的施药效果,可为推动精准变量施药技术的发展提供新的技术方案。     

基于改进K均值特征点聚类算法的作物行检测

精准施药是现代精准农业发展不可或缺的一部分,而准确地提取作物行是进行精准施药的关键环节。为此,以苗期的玉米为研究对象,提出一种基于改进K均值特征点聚类算法的作物行检测方法。该方法根据距离函数最值关系求出最佳聚类数目,再依据点密度大小和邻域半径确定初始聚类中心,减少了迭代次数,提高了算法的执行效率和划分效果。首先,采用改进的超绿法(1.27G-R-B)进行灰度化和Otsu方法进行二值化,得到作物行的二值图像;然后,利用左右边缘中间线算法提取作物行特征点;最后,采用改进K均值算法和最小二乘法对作物行中心线特征点进行聚类和直线拟合。试验数据表明:提出的改进K均值特征点聚类算法识别效果好,精确度高,可为精准施药提供理论依据。     

基于MICS-CoTNet的黑木耳品质分类方法

针对传统黑木耳品质分类效率低,识别准确率不佳等问题,提出一种基于卷积神经网络和Transformer相结合的黑木耳图像品质分类方法。该研究以CoTNet模型为基础网络,设计了MICS-CoTNet黑木耳品质分类网络模型。首先,重新规划CoTNet模型主干特征提取模块的迭代次数,降低模型的计算冗余;其次,提出坐标归一化注意力机制以增强黑木耳图像局部关键特征权重,抑制主体特征干扰;最后,引入MobileNetV2模型中特征提取模块Inverted Block,并优化CoTNet模型核心模块CoT block,增强模型对黑木耳数据的特征提取能力。将MICS-CoTNet模型与EfficientNetV2、NfNet等12种模型进行对比,结果表明,综合模型准确性和轻量性等方面,MICS-CoTNet模型表现最佳。其中,MICS-CoTNet模型在干黑木耳数据中识别准确率可达98.45%,相较标准CoTNet提升5.22个百分点;在鲜黑木耳数据中识别准确率可达98.89%,相较标准CoTNet提升2.60个百分点。MICS-CoTNet模型占用内存为30.98M,相对于原CoTNet模型减少96...