基于R2U-Net和空洞卷积的羊后腿分割目标肌肉区识别

针对前处理工序造成的羊肉智能精细分割目标肌肉区图像识别准确度低的问题，以羊后腿自动去骨分割工序为研究对象，提出一种基于R2U-Net和紧凑空洞卷积的羊后腿分割目标肌肉区识别方法。对传统的U-Net语义分割网络进行改进，以U-Net为骨架网络，采用残差循环卷积块替换原始U-Net的特征编码模块和解码模块中的卷积块以避免U-Net的梯度消失，在特征编码模块和特征解码模块之间增加一个紧凑的四分支空洞卷积模块对语义特征进行多尺度编码，实现缝匠肌图像分割模型的构建。一方面，针对缝匠肌这一核心目标肌肉区，采集羊后腿图像构建数据集训练与测试本文模型，以验证该方法的准确性与实时性；另一方面，通过旋量法标定夹爪坐标系、相机点云坐标系、机器人坐标系的齐次变换矩阵以计算分割路径，并采用主动柔顺的力/位混合控制方法操纵分割机器人进行目标切削运动，验证基于本文方法得到的目标图像开展目标肌肉分割的可行性。相关试验结果表明：当交并比为0.8588时，本文方法平均精确度为0.9820，优于R2U-Net的(0.8324，0.9775)；单样本检测时间平均为82ms，说明本文方法可快速、准确分割出缝匠肌图像，满足机器人自主分割系统的实时性要求，优于U-Net、R2U-Net、AttU-Net算法。最后，在本文方法得到的缝匠肌图像基础上开展机器人实机分割试验，机器人对5条羊后腿的平均切削时间为7.9s，平均偏移距离为4.36mm，最大偏移距离不大于5.9mm，满足羊后腿去骨分割的精度要求。     

基于田间实测载荷的拖拉机转向驱动桥壳疲劳寿命分析

针对拖拉机作业过程中承载幅值大、随机非对称的特点,综合考虑应力集中、尺寸效应、表面质量和载荷特性等因素对疲劳寿命的影响,从相对应力梯度、疲劳损伤区域和实测载荷应力比3方面对传统应力场强法进行优化,获取修正S-N曲线,结合拖拉机田间作业的实测载荷数据,分析某88 kW拖拉机转向驱动桥壳的疲劳寿命,并与传统应力场强法的预测结果进行对比。结果表明,相比于传统方法的预测结果(31 860 h),优化后的应力场强法的预测结果(25 467 h)更接近实际工作寿命(24 000 h)。本研究可为农机装备关键零部件的疲劳寿命预测提供分析方法。     

基于GAF-DenseNet的旋耕作业质量等级识别模型

为实现基于拖拉机多传感器实测载荷数据的旋耕作业质量准确识别,提出一种基于GAF-DenseNet的拖拉机旋耕作业质量等级识别模型,设计旋耕作业质量等级分级标准,开展旋耕作业田间试验,并进行模型准确性验证和性能分析。该模型通过格拉姆角场（Gramian angular field, GAF）算法,在保留原始载荷序列的时间依赖性的前提下,对时间序列数据进行唯一编码。DenseNet网络对图像阵列中内含的载荷信息进行深层挖掘,通过特征重用、模型压缩等技术环节,在保证特征提取深度的同时,显著提升该网络的运算效率。分析结果表明：过大或过小的重采样滑动窗口大小均会降低模型性能,且格拉姆角差场（Gramian angular difference field, GADF）实验效果强于格拉姆角和场（Gramian angular summation field, GASF）,实验数据显示在重采样滑动窗口大小为250且选用格拉姆角差场的条件下,模型性能达到最优。增长率k与模型整体性能呈正相关的趋势,但过大的k值会降低模型的实时性能且对于准确性提升有限,实验场景下将增长率k设为24更能符合实际需求。GAF-DenseNet模型准确率和F1值分别达到96.816%和96.136%,并且在实时性能上具有良好表现,推理时长可低至16s。在与其他智能算法对比分析中,该模型整体性能均优于对照组实验结果。     

基于实测载荷的蔬菜田间动力机械车架结构优化

蔬菜田间动力机械作为一种新型机器,可以实现不同的收获前机械化作业,车架在田间作业时受到各种载荷作用,会伴随有动载荷影响,有必要对车架进行强度研究与优化设计。研究了其车架基于田间实测应变数据的多目标拓扑优化设计方法。利用HyperWorks软件对该车架进行有限元分析,得到了静应力分析条件下的应力分布,并确定车架的疲劳损伤热点;在数据分析基础上,粘贴应变片,组建动态应变测试系统,采集蔬菜田间动力机械典型作业工况下的载荷时间历程;对实测的应变时间历程数据进行预处理,分析车架在相应工况下的受力情况;利用nCode软件编制载荷谱,进行车架的疲劳分析与寿命预测,以此为基础提出了拓扑优化,构建了综合多种工况、以车架应变能和动态低阶固有频率为响应的多目标拓扑优化数学模型,进行轻量化设计。试验结果表明,车架的交叉焊缝处的疲劳寿命为7.5×104h,为15个测点中最短疲劳寿命,满足使用寿命要求,车架整体结构强度设计过剩。优化后的车架质量减小443.55kg,减轻了53.47%。     

基于旋转曲面轮廓特征的农田地表点云配准研究

作业场景重建可为智能农机自主作业提供全局信息与局部细节，针对因农田表面缺乏高区分度的点、线、面高层结构造成的特征描述性差、点云配准精度不足的问题，提出一种基于旋转曲面轮廓特征的农田地表点云配准方法。首先，采用32线激光雷达获取农田真实地表点云数据并完成去噪、降采样等预处理；然后，采用加权线性协方差矩阵的奇异值分解确定关键点唯一局部参考坐标系，并统计关键点与旋转曲面截面交点距离信息，生成地表点云的局部特征；最后，采用基于单特征初选与局部特征精匹配原则的多级特征匹配策略进行局部特征匹配，计算旋转矩阵与平移矩阵完成点云配准。试验结果表明，旋转曲面轮廓特征与其他特征相比，平均精度增加7.5个百分点，平均召回率增加24.09个百分点；多级特征匹配策略相对于最近邻搜索策略，平均精度增加12.68个百分点，平均召回率增加18.38个百分点；本文的点云配准方法的平均平移误差为23.59dr，平均旋转误差为3.72°，配准成功率为87.5%。因此，本文提出的基于旋转曲面轮廓特征的农田地表点云配准方法适用于真实农业地表无序点云的自动配准。     

基于FDR阈值自动选取的拖拉机PTO转矩载荷谱外推

针对时域外推过程中常用的阈值选取计算复杂、精度低等问题,基于错误发现率(False discovery rate,FDR)提出了一种阈值自动选取方法,并基于该方法进行了拖拉机动力输出轴(Power take-off,PTO)转矩载荷谱外推研究。首先,利用开发的拖拉机PTO转矩无线监测系统采集拖拉机作业工况下的载荷数据,并进行数据预处理;将顺序拟合检验与多重检验相结合,采用FDR自动阈值选取法选取了最优阈值,确定了时域外推数据的上限阈值为342 N·m,下限阈值为100 N·m;基于极大似然估计对超阈值数据进行了广义帕累托分布(Generalized Pareto distribution,GPD)尺度参数和形状参数的拟合,建立了PTO转矩载荷的超阈值模型,并与传统图像法的拟合结果进行了比较,结果表明,两种方法的拟合结果与载荷样本的决定系数均大于0.995;从拟合优度来看,对于上限阈值,自动阈值选取法的拟合优度比图像法的拟合优度降低8.7%,而对于下限阈值,自动阈值选取法比图像法降低31.21%。利用时域外推方法对PTO转矩载荷数据进行外推,对外推1倍后的载荷时间历程与原载荷时间历程进行对比分析;当时域外推因子为131、PTO转矩累积频次达到106次时,得到了PTO转矩载荷谱;基于统计学特征与雨流计数分析对外推载荷谱进行了验证,结果表明,外推后的载荷谱与样本载荷谱分布规律一致,能够在保留载荷特征的前提下实现均值、幅值的双向外推。     

大田无人农场关键技术研究现状与展望

无人农场是智慧农业的一种表现形式,也是建设农业强国和实现农业现代化的重要探索。无人农场以数据、知识和智能装备为核心要素,将现代信息技术与农业深度融合,实现农业全过程生产所需的信息感知、定量决策、智能控制、精准投入及个性化服务一体化。本文系统地阐述了大田无人农场的概念与总体技术架构,讨论了信息感知与智能决策、精准作业系统与装备、自动驾驶、无人化农机装备以及无人农场管控平台等五项大田无人农场的关键技术与装备,深入分析了发展中国大田无人农场亟待解决的关键科学与技术问题。以吉林省公主岭市玉米无人农场为例介绍了物联网、大数据、云计算以及人工智能等技术在玉米全程无人化生产中的具体应用及效果。最后,展望了无人农场在解决全球农业生产面临的“无人种田”等共性问题中发挥的重要作用,分析了中国发展无人农场存在的机遇和挑战,提出了中国发展无人农场的战略目标与思路。     

拖拉机作业工况参数检测系统研究

拖拉机田间作业工况参数实时、同步、适宜频率的采集对于可靠性分析与优化具有重要意义。本文设计了基于NI-C DAQ控制器的拖拉机作业工况参数检测系统,对所需传感器进行了选型、设计及安装,并结合LabVIEW平台开发了检测软件和远程监控平台。该系统由传感器、数据采集控制器和数据采集监测平台组成,可实现对发动机、车轮/桥、悬挂系统和机具等多种机构的参数测取。此外,该系统可通过便携式触摸屏远程控制和实时监测。为了验证检测系统的准确性和稳定性,开展了信号误差测试和典型参数田间试验。信号误差测试结果表明,各类信号的采集误差、丢包率以及初始误差均能满足参数检测系统的要求。在田间测试中,拖拉机车轮速度和实际速度测量值的最大相对误差为3.1%;悬挂系统水平牵引力的计算值与测量值的最大相对误差为4.5%;根据测取的车轮加速度,辨识田间作业地面类型的准确率为96%;根据悬挂位置拟合耕作深度的决定系数R2为0.99156。最后,开展了检测系统田间作业24h连续运行试验,该系统能始终保持运行稳定与数据准确。开发的拖拉机作业工况信息检测系统相比于同类系统,采集的参数更多,操作更为方便,可为可靠性分析与优化提供有效的数据测取依据。     

基于功率密度的大功率拖拉机变速箱壳体疲劳分析

引入功率密度的概念,提出功率密度与时频分析相融合的疲劳寿命预测方法,研究了应力幅值和载荷频率2个因素对大功率拖拉机关键零部件疲劳寿命的影响。以某型号88 k W拖拉机为研究对象,在实际调研、用户反馈和有限元分析的基础上,确定变速箱壳体疲劳损伤危险点位置,搭建动态应力测试系统,采集拖拉机不同作业工况下的应力-时间历程。基于实测载荷,利用功率密度与时频分析相融合的疲劳寿命分析方法对拖拉机变速箱壳体的疲劳寿命进行预测,得到危险点的疲劳寿命为24 001 h,与基于Miner损伤理论和名义应力法分析得到的疲劳寿命(35 676 h)相比较,更接近实际工作寿命。本研究可为农机装备关键零部件的疲劳寿命预测提供更符合实际的分析方法。     

拖拉机作业载荷数据平台设计与旋耕作业质量预测

针对拖拉机田间试验数据不足、机组作业质量无法实时评估与准确预测的问题,设计了涵盖多参数、多工况的车载测试终端,构建了全国范围的田间作业试验拖拉机作业载荷数据平台系统,以获取拖拉机各关键零部件的田间作业载荷数据。在此基础上,研究了准确预测、评价拖拉机田间旋耕作业质量的智能算法,为产品研发、性能预测以及作业评估提供全面的基础数据与可靠的预测结果。基于农业大数据,融合BP神经网络与遗传算法对数据平台基础作业载荷进行分类挖掘,预测评价了拖拉机田间旋耕作业质量,结果表明,基于遗传算法的神经网络预测精度高达96.77%,均方根误差(RMSE)小于0.01,说明拖拉机作业载荷数据平台的基于遗传算法的神经网络预测模型可准确预测评价拖拉机田间旋耕工况的作业质量。