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。     

丘陵山地拖拉机电液悬挂仿形控制系统研究

针对丘陵山地拖拉机作业地形复杂，传统电液悬挂控制系统地形适应性差的问题，设计了一套横向姿态可调的丘陵山地拖拉机电液悬挂仿形控制系统。根据丘陵山地拖拉机仿形控制作业需求，在传统悬挂结构基础上加装一个液压驱动旋转装置，设计了一种仿形悬挂机构，基于液压多点动力输出技术设计了带有负载反馈的闭心式液压控制系统，并提出了一种基于带死区的经典PID算法的控制方法。通过对阀控非对称液压缸工作原理的分析，建立了其数学模型并推导出仿形控制系统的传递函数，运用Matlab/Simulink建立了电液悬挂仿形控制系统的动力学模型并进行了仿真分析，仿真结果表明，系统在0°~11°阶跃信号的作用下，调整时间约为0.4s，几乎无超调，系统稳定后农机具横向倾角约为11.1°，稳态误差约为0.1°，仿真结果验证了该控制算法的有效性。通过对传统拖拉机的液压悬挂装置进行改装，将原来的手柄操纵式液压悬挂装置改装成带有虚拟终端的电液悬挂控制系统，搭建了仿形控制试验台并进行了室内台架试验，试验结果表明，系统调整时间约为2.2s，几乎无超调，系统稳定后农机具横向倾角约为11.2°，稳态误差约为0.2°，在系统允许误差（0.5°）范围内，试验结果验证了所设计的丘陵山地拖拉机电液悬挂仿形控制系统调节的快速性与稳定性，满足拖拉机等高线坡地作业需求。     

基于层次聚类算法的大型玉米收获机械模块划分方法

针对大型玉米收获机械传统设计模式研发周期长,设计成本高等问题,采用分层次模块划分方法,对玉米收获机械进行功能划分,将总功能分解为一级功能、二级功能和功能载体,建立产品的功能主结构后,将整机划分为9个功能模块;基于功能-装配-能量接口关系,提出了部件层的模块划分原则,通过零部件之间的功能关系、装配关系、能量-接口关系建立加权模糊矩阵,将抽象的连接关系映射为具体化的关联矩阵,采用层次聚类算法求解关联矩阵,将9个功能模块细分为186个二级模块和645个子模块,从而实现了玉米收获机部件层零部件模块的精确划分。为实现该模块划分方法的工程应用,基于Qt Creator平台,开发大型玉米收获机械模块化快速设计系统,该系统可完成模块划分、模块管理和基于用户需求的模块配置等功能,从而实现大型玉米收获机械的快速设计。与传统玉米收获机械设计方法相比,应用模块划分方法可显著提升大型玉米收获机械设计效率,缩短整机产品的开发周期。     

丘陵山地拖拉机加载仿形试验台设计

针对丘陵山地拖拉机电液悬挂控制系统试验条件复杂,过程繁琐以及重复性较差等问题,设计一种室内加载仿形试验台。该试验台由安装位置可调整的坡地仿形模块与辅助装置、模拟加载模块以及测控系统等功能模块组成,在电液伺服控制系统的作用下模拟丘陵山地拖拉机的作业坡度和耕作阻力,测试拖拉机电液悬挂控制系统性能。以TS-404H拖拉机为试验对象,坡地等高线为作业路线,运用该试验系统进行丘陵山地拖拉机电液悬挂系统的坡地自适应调整试验,对试验台系统的坡地仿形模块和模拟加载模块进行试验验证。结果表明:在预定坡度目标0°~15°范围内,该试验台仿形模块模拟坡度的最大误差为4.2%,平均误差为3.8%,调整时间1.2 s,超调量为9%;当模拟土壤阻力为6.5 kN时,加载模块的响应时间为1.2 s、最大误差4%,平均误差2%,能够满足中小型丘陵山地拖拉机电液悬挂控制系统对试验设备的性能要求。     

基于半实物仿真的丘陵山地拖拉机电液悬挂控制试验

针对丘陵山地拖拉机电液悬挂控制系统田间试验困难、可重复性差等问题,基于半实物仿真技术开展电液悬挂控制系统试验研究。首先通过对试验拖拉机和悬挂作业装置进行受力分析,建立了丘陵山地拖拉机整机动力学模型、铧犁体的土壤阻力模型和拖拉机悬挂装置动力学模型。然后对丘陵山地拖拉机电液悬挂系统横向仿形控制、位控制、牵引力控制以及力位综合控制的系统原理进行了分析,设计了丘陵山地拖拉机电液悬挂模糊PID控制器。之后搭建拖拉机电液悬挂控制系统半实物仿真试验平台,开发电液悬挂控制系统,开展电液悬挂系统仿地形控制、力控制、位控制和力位综合控制等试验,对比分析模糊PID控制和经典PID控制方法性能。试验结果表明,模糊PID控制性能较好：在位置控制模式下,模糊PID控制无超调,控制系统响应时间为0.6s,较经典PID控制提高约33.3%;耕深控制系统稳态误差约为0.05cm,较经典PID控制降低约50%;在力控制模式下,模糊PID控制耕深的跟随误差最大值为0.38cm,标准差为0.17cm,较经典PID控制分别下降了64.5%、39.3%,验证了所开发的电液悬挂控制系统的有效性。     

作物行识别算法的虚拟试验方法

针对作物行识别算法的传统开发过程对田间作物生长周期依赖性较强,错过适当的田间图像采集时期将直接导致算法开发周期延长等问题,提出一种基于虚拟场景的作物行识别算法测试方法,即在虚拟环境下模拟农田作物行场景和图像采集系统,运用虚拟作物行图像测试作物行的识别算法。该方法在虚拟现实环境下建立作物行场景模型;提出一种融合建模法,根据作物和杂草的几何特征建立对应的三维几何模型;根据实际田间作物的空间分布特征,建立株距、行距可调的田间作物行模型;以Vega Prime为视景仿真工具,通过配置投影模式、渲染模式、视点位姿和图像采集规格,构建图像采集系统,输出作物行场景图像。以苗期棉花作物行为建模对象,对一种经过田间试验验证的双目视觉作物行识别算法进行测试试验。对比实际棉田图像对应的试验结果,同一作物行识别算法的识别正确率、偏差角和图像处理时间均相近。结果表明,本文建立的虚拟棉田作物行与实际棉田作物行场景相近,能够用于作物行识别算法的测试。     

煤矿机电设备安全管理与维护探析

随着我国经济的不断发展,煤矿业迅猛发展,相关单位对煤矿机电设备安全管理与维护的要求也越来越高。煤矿机电设备的安全管理与维护对整个煤矿产业的正常发展具有重要的实际意义,文章对煤矿机电设备安全管理与维护进行探讨,并提出一些合理化建议,供参考。     

基于特征工程的大田作物行中心线识别方法

针对大田作物行特征复杂多样,传统作物行识别方法鲁棒性不足、参数调节困难等问题,该研究提出一种基于特征工程的大田作物行识别方法。以苗期棉花作物行冠层为识别对象,分析作物行冠层特点,以RGB图像和深度图像为数据来源,建立作物行冠层特征表达模型。运用特征降维方法提取作物行冠层的关键特征参数,降低运算量。基于支持向量机技术建立作物行冠层特征分割模型,提取作物行特征点。结合随机抽样一致算法和主成分分析技术建立作物行中心线检测方法。以包含不同光照、杂草、相机位姿的棉花作物行图像为测试数据,运用线性核、径向基核和多项式核的支持向量机分类器开展作物行冠层分割试验;对比分析典型Hough变换、最小二乘法和所建作物行中心线检测方法的性能。结果表明,径向基核分类器的分割精度和鲁棒性最优;所建作物行中心线检测方法的精度和速度最优,航向角偏差平均值为0.80°、标准差为0.73°;横向位置偏差平均值为0.90像素,标准差为0.76像素;中心线拟合时间平均值为55.74ms/f,标准差为4.31ms/f。研究成果可提高作物行识别模型的适应性,减少参数调节工作量,为导航系统提供准确的导航参数。     

基于深度图像和神经网络的拖拉机识别与定位方法

针对多机协同导航作业中本机前方的拖拉机识别精度低、相对定位困难，难以保障自主作业安全的问题，提出了一种基于深度图像和神经网络的拖拉机识别与定位方法。该方法通过建立YOLO-ZED神经网络识别模型，识别并提取拖拉机特征；运用双目定位原理计算拖拉机相对本机的空间位置坐标。对拖拉机进行定点识别与定位试验，分别沿着拖拉机纵向、宽度方向和S形曲线方向测量拖拉机的识别与定位结果。试验结果表明：本文方法能够在3~10m景深范围内快速、准确地识别并定位拖拉机的空间位置，平均识别定位速度为19f/s；在相机景深方向和宽度方向定位拖拉机的最大绝对误差分别为0.720m和0.090m，最大相对误差分别为7.48%和8.00%，标准差均小于0.030m，能够满足多机协同导航作业对拖拉机目标识别的精度和速度要求。     

基于Rank变换的农田场景三维重建方法

农田场景的三维重建对于研究远程监测作物的生长形态、预测作物产量、识别田间杂草等都具有重要作用。为解决农田场景图像三维重建困难、立体匹配精度较差等问题,该文提出了一种基于Rank变换的农田场景三维建模方法。该方法运用加权平均法灰度化图像,以保留农田场景的完整特征;以灰度图像的Rank变换结果作为匹配基元,采用基于归一化绝对差和测度函数的区域匹配算法获取场景的稠密视差图;根据平行双目视觉成像原理计算场景的空间坐标,并生成三维点云图;依据所得场景的三维坐标,对场景中感兴趣区域实现三维重建。采用标准视差计算测试图像验证立体匹配算法精确性,平均误匹配率较传统的绝对差和函数算法降低约5.63%。运用不同环境下的棉田场景图像测试三维重建方法,试验结果表明,在6.8 m的景深范围内,作物及杂草的高度、宽度等几何参数计算值与实际测量值接近,各项指标的平均相对误差为3.81%,验证了三维重建方法的可靠性及准确性。