双辊秸秆还田旋耕机试验

阐述了粉碎刀辊正转、旋耕刀辊反转的双辊秸秆还田机结构特点和作业机理.基于土槽试验台设计了室内旋耕耕作部件试验装置.室内试验结果表明,双辊作业模式具有良好的植被性能和相对较低功耗,其应用于双辊秸秆还田旋耕机是可行的.研制了双辊秸秆还田旋耕机并进行了玉米秸秆还田性能试验,试验结果表明双辊秸秆还田旋耕机可一次完成直立玉米秸秆还田、旋耕碎土等联合作业,秸秆粉碎合格率、根茬破碎率、植被覆盖率、碎土率等可达90％以上.     

基于改进的轻量化卷积神经网络火龙果检测方法

在自然环境下对火龙果进行实时检测是实现火龙果自动化采摘的必要条件之一。该研究提出了一种轻量级卷积神经网络YOLOv4- LITE火龙果检测方法。YOLOv4集成了多种优化策略，YOLOv4的检测准确率比传统的YOLOv3高出10%。但是YOLOv4的骨干网络复杂，计算量大，模型体积较大，不适合部署在嵌入式设备中进行实时检测。将YOLOv4的骨干网络CSPDarknet-53替换为MobileNet-v3，MobileNet-v3提取特征可以显著提高YOLOv4的检测速度。为了提高小目标的检测精度，分别设置在网络第39层以及第46层进行上采样特征融合。使用2 513张不同遮挡环境下的火龙果图像作为数据集进行训练测试，试验结果表明，该研究提出的轻量级YOLOv4-LITE模型 Average Precision（AP）值为96.48%，F1值为95%，平均交并比为81.09%，模型大小仅为2.7 MB。同时对比分析不同骨干网络，MobileNet-v3检测速度大幅度提升，比YOLOv4的原CSPDarknet-53平均检测时间减少了132.33 ms。YOLOv4-LITE在GPU上检测一幅1 200×900的图像只需要2.28 ms，可以在自然环境下实时检测，具有较强的鲁棒性。相比现有的目标检测算法，YOLOv4-LITE的检测速度是SSD-300的9.5倍，是Faster-RCNN的14.3倍。进一步分析了多尺度预测对模型性能的影响，利用4个不同尺度特征图融合预测，相比YOLOv4-LITE平均检测精度提高了0.81%，但是平均检测时间增加了10.33 ms，模型大小增加了7.4 MB。因此，增加多尺度预测虽然提高了检测精度，但是检测时间也随之增加。总体结果表明，该研究提出的轻量级YOLOv4-LITE在检测速度、检测精度和模型大小方面具有显著优势，可应用于自然环境下火龙果检测。     

婴幼儿奶粉中多种掺假物近红外高光谱图像检测方法

奶粉市场是食品掺假行为频发领域,其中婴幼儿配方奶粉价格高,其质量是消费者、生产企业和执法部门关注的重点。近红外高光谱成像（Near infrared-hyperspectral imaging, NIR-HSI）技术结合化学计量学和机器学习算法可以检测奶粉中单一掺假物含量。基于NIR-HSI技术研究了不同品牌婴幼儿奶粉中多掺假物（三聚氰胺、香兰素和淀粉）的定量预测。对基于像素点预处理后的高光谱图像划分感兴趣区域（Region of interest, ROI）,提取ROI平均光谱。基于经典的过滤式特征选择算法拉普拉斯分数（Laplacian score）（无监督）和ReliefF（有监督）挑选建模关键变量,建立偏最小二乘回归模型（Partial least squares, PLS）。开发包含自定义选择层的一维卷积神经网络模型（One-dimensional convolutional neural networks, 1DCNN）。自定义层根据权重系数绝对值,可确定重要波长变量。Laplacian score-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.1110%、0.0570%、0.0349%和0.3481%。ReliefF-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉预测结果均方根误差分别为0.1998%、0.0540%、0.0455%和0.1823%。1DCNN模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.8561%、0.0911%、00644%和0.2942%。对Laplacian score、ReliefF和自定义选择层挑选出的前15个重要波长进行对比分析,不同特征选择方法挑选的特征波长子集有所区别,但都选择 1210、1474、1524、1680nm等附近波长。基于ReliefF-PLS模型的可视化结果表明了其良好的预测能力。     

基于高光谱成像的油茶籽含油率检测方法

为了快速准确地检测油茶籽含油率、解决传统检测手段费时费力等问题，提出了一种基于高光谱成像技术的油茶籽含油率检测方法。应用光谱集Ⅰ（400~1000nm）和光谱集Ⅱ（900~1700nm）两组高光谱成像系统采集油茶籽的漫反射高光谱图像，并结合化学计量学方法建立油茶籽含油率的回归预测模型。结果显示，在不经预处理的情况下，两组光谱集数据建立的偏最小二乘回归模型精度最高：光谱集Ⅰ的预测集决定系数R2p为0.681，均方根误差（RMSEP）为2.89%；光谱集Ⅱ的R2p为0.740，RMSEP为2.92%。通过对比7种不同的变量选择方法发现，两组光谱集采用遗传算法筛选特征波长后建立的PLSR模型精度最高：光谱集Ⅰ的R2p为0.694，RMSEP为2.82%；光谱集Ⅱ的R2p为0.779，RMSEP为2.54%。通过对比光谱集Ⅰ和光谱集Ⅱ的建模效果发现，使用光谱集Ⅱ建立的PLSR模型的性能更好，因此900~1700nm波段比400~1000nm波段更适用于油茶籽含油率的检测，进一步验证了利用高光谱成像技术实现油茶籽含油率预测值分布可视化的可行性。     

基于高光谱成像的生鲜鸡肉糜中大豆蛋白含量检测

为快速无损检测生鲜鸡肉糜中超量添加的大豆蛋白含量,采集了鸡肉糜中掺杂的3种典型大豆蛋白的高光谱图像。在鸡肉糜中分别掺入质量分数0~30%的大豆蛋白粉（SPF）、大豆浓缩蛋白（SPC）和大豆分离蛋白（SPI）,并于可见-近红外（400~1000nm）光谱范围采集样品的高光谱图像,基于波段运算提取感兴趣区域的平均光谱,建立了原始及预处理光谱的偏最小二乘回归（PLSR）定量模型,发现模型对SPC预测效果最优（R2p=0.9984）、SPF次之、SPI最差。进一步利用二维相关光谱（2DCOS）自相关峰提取特征波长,建立的多光谱模型对于3种大豆蛋白的检测限分别可达0.53%、0.58%和1.02%。将以上多光谱模型应用到原始光谱图像,实现了不同大豆蛋白及其掺假梯度的可视化表征。