足式机器人稳定性判据

足式机器人在步态复杂或地形崎岖的环境中能高效、快速地完成预设任务,应具备优化的步态规划算法、稳定裕度高、反应灵敏等特点,其中稳定步态尤为重要。通过对足式机器人的静态、动态稳定性方法的对比与分析得出,重心投影法和规范化的稳定边界法适用于平坦的地面;静态稳定边界法、纵向稳定边界法和能量稳定边界法适用于坡地;力-角法和零力矩点法既适用于平地又适用于坡地,并对这些方法在足式机器人稳定性研究中的理论进行展望。足式机器人稳定性判据可为机器人行走特别是农业机械行走机构设计和研究提供有利参考。     

黄糊精/秸秆纤维复合材料弯曲性能分

利用模压方法制备了黄糊精/秸秆纤维复合材料,并利用试验方法研究黄糊精/秸秆纤维复合材料的弯曲性能.研究结果表明:在试验条件下,通过对黄糊精/秸秆纤维复合材料弯曲强度和弯曲弹性模量的极差分析发现最优组合相同,即热压温度A=170℃、热压压力B=9.8 MPa、热压时间C=20 min、黄糊精质量D=30 g,并对最优组合进行了试验验证,得出其弯曲强度为15.34 MPa,弯曲弹性模量为2 522.78 MPa.通过对复合材料的弯曲强度和弯曲弹性模量的方差分析发现,热压时间是不显著因素,而热压压力是显著因素.     

跟踪虫算法在烤烟烟叶边界检测中的研究

烟叶的形状包括烟叶的长度、宽度、面积、周长和圆度等叶形参数,只有准确获得烟叶的边界轮廓信息,才能计算众多的叶形参数。文章介绍了经典的边缘检测算子,并利用跟踪虫算法准确提取烟叶的边界轮廓特征。结果表明,该算法具有很好的边界提取能力。     

勺轮式排种器播种质量监测系统设计与试验

由于勺轮式播种质量监测系统存在监测精度差检测不准确的问题,基于勺轮式排种器结构特征,以PLC为核心控制器并结合人机交互、光电监测和霍尔效应等原理,设计了勺轮式播种质量监测软硬件系统,实现了对勺轮式玉米精密排种器播种质量进行实时监测的功能。试验结果表明:监测系统播种量监测精度为97.2%,漏播监测精度为85.0%,重播监测精度为88.1%,能避免大田播种复杂作业环境下出现的大面积、断条式漏播,以及重播、堵塞等情况,提高了勺轮式播种质量监测系统的精度。该项研究为勺轮式排种器播种质量监测系统研制提供了新的思路。     

光谱检测技术在种子质量检测中的应用

种子质量是影响作物产量关键因素之一,而传统种子质量检测方法难以满足其快速检测的要求,采用光谱检测技术可有效降低种子检验成本、提高检验效率。以玉米种子为研究对象,基于玉米种子光谱检测流程,阐述光谱检测技术在玉米种子活力、含水率与病害、品种与产地等方面的研究现状及现存问题。光谱检测技术已应用于玉米种子质量检测,预测模型的准确率90%左右,但存在着系统性不够,应用局限性、数据处理效率低等问题,从研究系统化、增强实用性、融合新算法等方面分析光谱检测技术在玉米种子质量检测中的发展趋势。光谱检测技术应用于种子质量检验具有重要的理论和实际意义。     

果园采摘机械手研究现状综述

果园采摘机械化是实现解放劳动力,提高作业效率的有效手段。为此,阐明了水果采摘机械的意义,介绍了国内外机械手采摘的发展现状,总结分析了机械手的分类方法。同时,对比不同类型机械手优缺点,对果园采摘机械手的发展进行展望。     

激光技术在农业上的应用及趋势

激光技术由于其独特的性能在农业领域得到广泛应用，在诱变育种、增强种子活力、促进生长发育、提高产量和品质、平地整地、提高节水灌溉能力、防治病虫害等方面发挥着越来越重要的作用。为此．介绍了激光技术在农业中的具体应用情况，并预测了激光技术在农业方面的发展趋势。     

动态调控决策下人工光环境中冬季辣椒幼苗生长特性分析

为解决辣椒传统育苗方式及冬季气候条件下育苗安全性差、育苗难度大以及育苗环境所需配套设施不足等问题,基于温室环境无线网络监控系统和反馈机制,结合无模型自适应控制算法提出一种动态调控决策方法,并在该动态调控决策方法下实现LED光的自适应调节控制。通过配色调整,采用红∶蓝=3∶1配比混合光源对辣椒幼苗进行不同光照条件处理,并对幼苗生长特性进行分析,发现在不同光照度和光照时间下,辣椒幼苗在株高、株径、叶绿素含量、叶面积方面存在一定差异,并从经济节能、增产增收以及缩短辣椒育苗周期等方面考虑,在进行辣椒育苗时可以将光照度设置在160μmol/(m~2·s)到220μmol/(m~2·s)之间,且每天光照时间20 h为最佳。     

基于改进型YOLOv4-LITE轻量级神经网络的密集圣女果识别

对密集圣女果遮挡、粘连等情况下的果实进行快速识别定位，是提高设施农业环境下圣女果采摘机器人工作效率和产量预测的关键技术之一，该研究提出了一种基于改进YOLOv4-LITE轻量级神经网络的圣女果识别定位方法。为便于迁移到移动终端，该方法使用MobileNet-v3作为模型的特征提取网络构建YOLOv4-LITE网络，以提高圣女果果实目标检测速度；为避免替换骨干网络降低检测精度，通过修改特征金字塔网络（Feature Pyramid Networks，FPN）+路径聚合网络（Path Aggregation Network，PANet）的结构，引入有利于小目标检测的104×104尺度特征层，实现细粒度检测，在PANet结构中使用深度可分离卷积代替普通卷积降低模型运算量，使网络更加轻量化；并通过载入预训练权重和冻结部分层训练方式提高模型的泛化能力。通过与YOLOv4在相同遮挡或粘连程度的测试集上的识别效果进行对比，用调和均值、平均精度、准确率评价模型之间的差异。试验结果表明：在重叠度IOU为0.50时所提出的密集圣女果识别模型在全部测试集上调和均值、平均精度和准确率分别为0.99、99.74%和99.15%，同比YOLOv4分别提升了0.15、8.29个百分点、6.54个百分点，权重大小为45.3 MB，约为YOLOv4的1/5，对单幅416×416像素图像的检测，在图形处理器（Graphics Processing Unit，GPU）上速度可达3.01 ms/张。因此，该研究提出的密集圣女果识别模型具有识别速度快、识别准确率高、轻量化等特点，可为设施农业环境下圣女果采摘机器人高效工作以及圣女果产量预测提供有力的保障。