基于Android和CAN总线的玉米播种机监控系统研究

设计了一种基于Android和CAN总线的玉米精量播种机监控系统,通过GPS接收器采集播种机速度,采用CAN总线分布式控制方式完成主控制器和各个播种单体之间的指令传输,通过Android智能设备进行人机交互,实现播种行数任意拓展、拖拉机位置实时监控、播种作业参数在线调整、作业面积实时统计等功能。台架试验结果表明,系统人机交互功能正常,排种器驱动电机调速相对误差小于0.46%。与eTrex209x手持式GPS+北斗双星接收机的田间作业面积对比试验表明,本系统作业面积统计平均相对误差为0.81%,略高于eTrex209x的0.29%,测量标准差为0.06hm2,优于eTrex209x的0.11hm2;与地轮驱动播种对比试验的结果表明,随着作业速度的提高两种驱动方式的作业质量整体都呈下降趋势,但本系统播种合格指数、变异系数受速度影响较小,当作业速度达到12km/h时,变异系数为18.92%,合格指数为90.05%,分别优于地轮驱动方式的22.17%、83.25%。     

基于GPS测速的电驱式玉米精量播种机控制系统

传统玉米精量播种机多采用地轮、链条驱动排种器,高速作业时因地轮打滑、链条跳动易造成播种粒距增大、粒距均匀性下降等问题,难以保证播种质量。针对这一问题,设计了基于GPS测速的电驱式玉米精量播种机控制系统,该系统以STM32为主控制器,采用Android手机终端设置播种株距、排种盘型孔数等作业参数,采用GPS接收器采集拖拉机的前进速度,根据GPS提供的速度信息实时调节排种器转速,从而实现排种器转速与拖拉机前进速度的实时匹配。为了检测该系统的性能,以编码器测速方式为对照,进行了3种株距(18、22、25 cm)、5种作业速度(4、6、8、10、12 km/h)下的对比试验。试验结果表明,在相同株距、相同作业速度下,GPS测速方式的变异系数小于编码器测速方式,且GPS测速方式的播种粒距合格指数和变异系数受作业速度的影响更小。在低速4 km/h时,GPS测速方式的平均合格指数比编码器测速方式低5.39个百分点;作业速度6~10 km/h时,GPS测速方式的平均合格指数比编码器测速方式高7.96个百分点;在高速12 km/h时,GPS测速方式的平均合格指数比编码器测速方式高14.32个百分点;表明GPS测速方式更适宜于高速作业工况。     

重力辅助充种盘室同步气吸式排种器性能分析

为探究重力辅助对盘室同步气吸式精量排种器充种性能的影响,以盘室同步气吸式精量排种器为载体,对其充种过程进行了受力分析,建立了重力辅助充种受力数学模型,结果表明：型孔充填过程中,待充种子重力在排种盘径向的分量与气流曳力方向一致;已充种子脱离种群过程中,种子重力沿径向分量与压力梯度力方向一致,种子重力对充种有辅助作用。运用EDEM(Engineering discrete element method)软件仿真分析了300、600、900、1200粒种群数量条件下,待充种子对排种盘平均法向力随低、中、高3种不同充种区域变化的影响,仿真结果表明：种群数量300粒时,各区域平均法向力随区域位置的变化不明显,种群数量为600、900、1200粒时,平均法向力随区域位置的变化规律一致,此时种群数量对充种效果影响可忽略。对仿真结果进行试验验证的结果表明,盘室同步气吸式精量排种器台架试验3个区域漏充率由大到小为：低位、中位、高位。通过盘室同步气吸式精量排种器重力辅助充种和无重力辅助充种对比试验表明：重力辅助充种下,排种器作业风压3~5.5kPa时,合格指数均高于94%;无重力辅助充种情况下,排种器作业风压6kPa才开始满足国标需要,重力辅助充种显著降低了排种器作业风压需求,提高了作业质量。     

四端法土壤电导率原位快速检测传感器设计与试验

实现土壤电导率的快速获取可为农业生产精准管理提供有效的数据支撑。目前,田间电导率采集在农业生产前进行,需要专门的电导率检测设备对种植田块开展大范围数据采集并生成电导率空间分布图,该方式操作繁琐、费时费力,同时检测的电导率值由于时间滞后原因,难以准确反映农业生产各环节(如播种)实施过程中的真实电导率情况。针对上述问题,基于交流"电流-电压"四端法原理,该研究设计了一种土壤电导率原位快速检测传感器,用于搭载在不同的农业生产机具上,实现土壤电导率的实时检测与作业参数的在线调整。该传感器以STM32处理器为核心,配合电源电路、交流信号源电路、有效值检测电路及其他外围电路搭建了硬件及软件架构,同时集成了信息的实时检测与显示、定时存储与无线传输等功能,实现了土壤电导率的原位高精度获取。传感器标定试验及工作稳定性试验结果表明,传感器输出值与DDB-303A电导率仪测得的电导率值呈明显线性关系,线性拟合R2为0.995,且在不同电导率水平下,连续测量的标准偏差均小于0.76μS/cm,具有较高的准确性及工作稳定性。与JXBS-3001传感器在实验室条件下(温度25℃),对配置的不同电导率浓度土样(含水率15%)检测的对比试验结果表明,所设计的电导率传感器的测量误差及响应时间更低,绝对误差为-5.9～19.4μS/cm,相对误差为-1.05%～2.39%,响应时间小于2.01s。利用电导率传感器在现场(温度20.6℃)对地块不同位置测量的绝对误差为-11.36～25.30μS/cm,相对误差为-7.91%～7.88%。综合而言,该研究所设计的土壤电导率传感器能快速准确的检测土壤电导率信息,可为无人农场的土壤信息采集提供一种高精度的检测工具。     

纵轴流联合收获机双层异向清选装置设计与试验

针对传统纵轴流联合收获机清选系统单层筛架在作业过程中存在大喂入量下损失率和含杂率高等问题,设计了一种结构紧凑、清选能力强、清选效果好的双层振动清选装置,提出了双层异向独立振动的玉米籽粒清选方式,分析确定了筛面和物料的运动规律、清选筛和双风道的结构参数以及传动机构的运动参数。以籽粒含杂率、籽粒损失率和分布比例为评价指标,对曲柄转速进行单因素试验,确定最佳工作参数为上曲柄转速220r/min、下曲柄转速190r/min;选取上筛曲柄长度和下筛曲柄长度为试验因素,进行了两因素三水平正交试验,确定较优组合为：上、下筛曲柄长度分别为50mm与40mm。在较优水平组合下,以8kg/s的喂入量进行验证试验,试验结果表明籽粒损失率为0.45%,籽粒含杂率为0.76%,籽粒分布比例为1.92%,清选效果较好,能满足清选性能要求。     

玉米精准变量播种技术与装备研究进展

变量播种技术可依据农田环境空间异质性调整玉米播种量,实现生长环境与播种量的合理精准匹配,是突破玉米单产提升瓶颈、提高资源利用效率、实现玉米生产提质增效的重要手段。该研究按照玉米变量播种技术实施过程,从土壤肥力指标精确获取技术、最佳播量决策技术以及播量精准调控技术3个方面对玉米变量播种技术与装备进行综述。阐述了基于近地传感和遥感的土壤肥力指标快速获取的研究与应用现状,并对影响土壤肥力指标由点到面转化的土壤属性空间插值方法和影响土壤肥力分类结果的农田管理区划分方法进行了系统总结;重点分析了基于农田管理区和基于模型的变量播种决策方法的研究现状与优缺点,依据国外变量播种决策研究思路,同时结合中国国情提出了基于模糊推理、田间试验和机器学习的3种播量决策方法;综述了国外变量播种控制系统的结构组成与工作原理,归纳了国内电驱排种系统在作业速度测量、排种器驱动方式等方面取得的研究进展,并重点剖析了变量播种过程中存在的播种滞后问题及其补偿方法。针对中国玉米变量播种技术仍处于初级阶段,最佳播量决策技术与播量精准调控技术薄弱的问题,提出未来在玉米变量播种领域需开展的研究重点和发展建议:1)研发符合中国国情的变...     

气吸式玉米排种器吸附姿态对投种性能的影响分析

为保证气吸式排种器高速作业状态下投种均匀一致,对玉米籽粒中占据比例较高且长、宽、厚变化较大的大扁形种子进行研究;通过理论分析探明,种子的吸附姿态影响投种稳定性,振动加剧导致投种均匀性不一致;采用DEM-CFD耦合仿真的方法分析了影响投种性能的关键因素——种子吸附姿态,发现不同排种盘角速度下平躺姿态为主要吸附姿态,平躺种子比例越高,合格指数越高,侧躺种子和竖直种子共同影响重播指数和漏播指数;分析了影响投种性能的关键因素——投种时机,研究发现,提早投种状态下种子的主要姿态为竖直和侧躺,正常投种状态下平躺种子占绝大部分,延时投种状态下侧躺种子所占比例较高,合格指数与正常投种比例的变化趋势一致,增大种子平躺姿态的比例可有效提高播种质量。进行了风压和角速度匹配试验,结果表明,排种器在较优作业速度8~12km/h范围内、风压在-4.5~-3kPa区间内,合格指数不低于93.4%,漏播指数不高于4.5%,重播指数不大于3.1%,并通过高速摄像慢速回放得出,种子姿态变化情况与仿真结果一致,从而验证了仿真模拟的准确性。     

基于支持向量机和ReliefF算法的玉米品种抗倒伏预测

针对目前玉米品种抗倒伏鉴定方法费时、费力，玉米抗倒伏品种选育周期长的问题，该研究采用高光谱成像技术结合统计学习方法在玉米营养生长期开展品种抗倒伏预测。于2018年和2019年开展田间试验采集不同抗倒伏的8个玉米品种的高光谱成像数据，基于区域识别方法提取感兴趣区域（Region of Interest，ROI）的光谱曲线，分析抗倒样本和不抗倒样本的数据特性；然后分别采用过滤式特征选择算法ReliefF（Relevant Features）和主成分分析（Principal Component Analysis，PCA）结合ReliefF算法的方式，挖掘抗倒品种和不抗倒品种的光谱分类特征；最后使用交叉验证的方式，对ReliefF方法选择的原始光谱数据特征数量和PCAReliefF方法选择的主成分特征数量进行优化，分别建立ReliefF-SVM和PCAReliefF-SVM支持向量机（Support Vector Machines，SVM）分类模型，并对SVM模型的惩罚参数和核参数进行优化，以获得更好的模型预测效果。结果表明：经过特征优化，2018年试验和2019年试验分别选择了40和50个特征参与建模，且使用PCAReliefF方法选择的主成分特征与使用ReliefF方法选择的原始光谱数据特征相比，几乎不含有冗余特征；通过对支持向量机模型的惩罚参数和核参数进行优化，2018年试验ReliefF-SVM和PCAReliefF-SVM模型对预测集样本的抗倒伏分类预测正确率分别为84.17%和85 %，2019年试验模型分类预测正确率分别为84.17%和85.83%。可见，采用高光谱成像数据和统计学习方法可以实现对玉米品种抗倒伏的早期预测，使用PCAReliefF-SVM模型比ReliefF-SVM分类模型综合性能更优，试验为玉米抗倒伏品种的高效筛选提供了方法和借鉴。