芦苇收割机关键部件设计及运动分析

针对芦苇收割存在芦苇和杂草相互缠绕的实际问题,设计一种空间连杆和平面连杆机构联动的芦苇收割装置,并建立各机构对应的数学模型。提出芦苇收割中当曲柄轴转一圈,水平刀具切割实现往复行程10 cm、竖直刀具行程实现25 cm的需求;根据给定需求求解建立的机构数学模型,确定连杆机构各部尺寸。依据机构和部件尺寸参数,建立杆件、机架和双动刀具等实体模型并进行装配,并进行竖刀与横刀的往复式切割运动轨迹分析。分析结果验证装置设计满足设定的芦苇收割所需行程要求。该设计实现了在一个动力源的情况下,采用平面连杆和空间连杆联动,进行芦苇横向和杂草纵向切割,其理念可用在水中杂草清理机械设计实践中。     

基于手机短消息的温室环境远程监测系统设计

设计的温室环境远程监测系统选用8位单片机STC89C516RD+和GSM短信模块MC35i.系统采用模块化思想设计,主要由主控机模块、数据采集模块和控制执行模块3部分组成,主机与各数据采集和控制模块之间采用RS-485总线连接,构成远程分布式温室环境参数监控系统.根据不同的使用要求,可对数据采集模块和控制模块进行裁剪,满足多种温室环境参数检测需要,具有很强的通用性.系统采用GSM短消息的方式实现环境参数和现场的远程监控,提高了温室环境控制的自动化水平,具有扩展性好、实用性强、便于操作等特点.     

土壤水分速测仪的设计

介绍了一种根据土壤介电常数和传输线理论来测量土壤含水量的新型土壤水分测试仪,主要由土壤水分传感器和STC89C58为核心的单片机系统组成.实验研究表明:土壤种类、容重对传感器输出影响较小,可满足对大多数土壤的测量要求;土壤含盐量对传感器输出影响较大,如需测世含盐量较高的土壤,应对传感器进行特别标定.     

一种智能型电导率仪的设计与研究

电导率仪是一种应用非常广泛的测量仪器。山西农业大学设计并通过省级鉴定的TYZ-3智能型综合土壤养分测试仪一部分的电导率测量系统是一种智能式系统。通过充分利用单片机的分析判断能力以及软件误差补偿校正优势。该系统不但能温度自动补偿和电容自动补偿，而且不需分档。经计量部门测试可达国家0.2级仪器的精度要求。可应用于农业、工业、环境保护部门。     

家庭式微植物工厂监控系统设计

为了解决家庭阳台种植作物过程中湿气重、难控制的问题，提出了家庭式微植物工厂。它是密闭式的，利用智能化控制技术使作物进行自我调节，采用层结构设计及配套环境监测装置。监测系统是以无线传感技术、控制技术和多传感器融合技术为核心；以STM32为核心控制单元；以上位机为终端实时显示系统内环境参数的家庭种植环境监控设备。系统实现了微型植物工厂内部温湿度、光照等多个环境因子的实时显示和精确控制，具有较高的实用性。      

基于SHT11温湿传感器的最小温湿采集系统的设计

介绍了一种由数字式温湿传感器SHT11和单片机LPC904组成的最小温湿采集系统。该系统体积小、简单可靠、价格低。它与485接口连接可实现温湿度的多点检测。     

有限二氧化碳资源条件下的温室光气耦合优化调控模型

针对当前温室环境调控成本较高的问题,为了在满足作物生长需求的条件下降低调控成本,拟研究1种在有限二氧化碳(CO2)资源条件下的温室光气耦合优化调控模型.首先,以温度、CO2浓度、光照度作为输入,以净光合速率作为输出,构建基于最小二乘支持向量机(LS-SVM)的光合速率预测模型;然后,基于提出的光合速率预测模型,构建在有限CO2资源条件下温室CO2优化调控模型数据库,可根据用户输入的CO2资源总量,自动寻优获取最佳补气时间与单位补气量;最后,提出以光照度增长相对价值为评价指标的经济性相对最优的补光策略,在确定的补气时间段内进行补光,最终实现了有限CO2资源条件下的温室光气耦合优化调控,进一步提高了设施温室环境因子调控的精准度与智能化水平.     

基于深度学习的高分辨率麦穗图像检测方法

小麦是重要的粮食作物之一,针对人工田间麦穗计数及产量预测效率低的问题,基于深度学习提出了一种高分辨率的小密集麦穗实时检测方法。对麦穗图像数据集进行图像分割、标注、增强预处理,基于Tensorflow搭建YOLOv4网络模型,调整改进后对其进行迁移学习;与YOLOv3、YOLOv4-tiny、Faster R-CNN训练模型进行对比,对改进模型的实用性与局限性进行分析;重点分析影响麦穗检测模型性能的关键因素。通过图像分割的方式,证明了通过改变图像分辨率确定麦穗所占图像最优像素比,可以提高前景与背景差异,对小密集麦穗有显著效果。通过对改进模型的测试,表明该模型检测精度高,鲁棒性强。不同分辨率、不同品种、不同时期的麦穗图像均类平均精度（mAP）为93.7%,单张图片的检测速度为52帧·s^-1,满足了麦穗的高精度实时检测。该研究结果为田间麦穗计数以及产量预测提供技术支持。     

基于深度学习的马铃薯叶片病害检测方法#br# #br#

植物病害对食品安全具有灾难性的影响,它可以直接导致农作物的质量和产量显著下降,因此对植物病害的早期鉴定非常重要。传统的农作物病害诊断需要非常高的专业知识,不仅费时费力,还效率低下。针对这些问题,利用深度学习的方法,以马铃薯叶片为研究样本,基于TensorFlow开发Faster R-CNN网络模型。采用本地增强的方式对带有早疫病、晚疫病和健康的马铃薯叶片进行图像扩充,应用COCO初始权重进行迁移学习,探究了数据类别对模型检测结果的影响。结果表明,随着训练数据类别的增多模型性能会有略微的降低。同时还训练YOLOv3,YOLOv4网络与该模型进行对比,测试结果表明,所提出的Fater R-CNN模型优于其他网络模型。经检测该模型最佳精度达到99.5%,该研究为马铃薯病害检测提供了技术支持。     

基于脸部RGB-D图像的牛只个体识别方法

为实现非接触、高精度个体识别,本文提出了一种基于牛只脸部RGB-D信息融合的个体身份识别方法。以108头28~30月龄荷斯坦奶牛作为研究对象,利用Intel RealSense D455深度相机采集2334幅牛脸彩色/深度图像作为原始数据集。首先,采用冗余图像剔除方法和自适应阈值背景分离算法进行图像预处理,经增强共得到8344幅牛脸图像作为数据集;然后,分别选取Inception ResNet v1、Inception ResNet v2和SqueezeNet共3种特征提取网络进行奶牛脸部特征提取研究,通过对比分析,确定FaceNet模型的最优主干特征提取网络;最后,将提取的牛脸图像特征L2正则化,并映射至同一特征空间,训练分类器实现奶牛个体分类。测试结果表明,采用Inception ResNet v2作为FaceNet模型的主干网络特征提取效果最优,在经过背景分离数据预处理的数据集上测试牛脸识别准确率为98.6%,验证率为81.9%,误识率为0.10%。与Inception ResNet v1、SqueezeNet网络相比,准确率分别提高1、2.9个百分点;与未进行背景分离的数据集相比,准确率提高2.3个百分点。