基于物联网的智能花卉培育系统

为实现花卉培育过程的智能化、精细化、可视化,开发了基于物联网的智能花卉培育系统。系统由ZigBee协调器、以CC2530芯片为核心的智能花钵、PC端上位机及手机APP组成。智能花钵可为花卉自动补水,并可将采集的各项环境信息通过ZigBee网络和蓝牙分别发送至PC端上位机和手机APP,手机APP也可实现对智能花钵的操控。实验表明,系统可实时准确的采集并传输各项数据,实现远程及现场监测,并可实现灌溉的自动化及培育的精细化,从而节约水资源,节省人工,为花卉创造适宜的生长环境,提高花卉的培养质量。     

自动控制促进微重力环境下生物科学研究的现状及展望

随着载人航天技术的蓬勃发展,微重力科学应运而生,其与生物科学的交叉融合已成为国内外研究的热点。研究微重力环境对动植物的生长发育,细胞的生理生化反应以及生物钟、生物节律的影响,具有重要的现实与理论意义。当前,主要通过空间生物培养装置和各种模拟微重力器,提供用于不同研究领域的微重力环境。同时,将机械化、电气化、自动化技术用于微重力环境下生物科学研究,即实现微重力器的自动控制,可有效地提高实验效率与结果的可靠性。重点阐述自动控制促进微重力环境下生物科学研究的现状及展望。     

气吸式玉米高速精量排种器投种性能分析与结构优化

为解决前期研制的气吸式玉米精量排种器在高速作业条件下存在投种位置不一致和横向飞种导致播种均匀性差的问题,该研究从力学角度对投种位置不一致和横向飞种现象进行分析,构建了不同吸附姿态和尖端直立深入吸附种子的力学模型以及相邻两粒种子间距的数学模型,明确了投种位置不一致和横向飞种的产生机理及速度和株距对投种均匀性的影响机制,提出一种末端拨离+直线投种方法,确定了末端拨离阻气件的关键参数。利用高速摄像技术和ProAnalyst运动分析软件对投种过程进行对比分析,结果表明,采用末端拨离+直线一致性投种方法,种子在竖直方向匀加速运动,在水平方向速度为0,到达投种位置后脱离种盘,沿竖直方向直线加速进入导种管,可实现均匀一致的直线投种。台架试验结果表明,采用末端拨离+直线投种的气吸式精量排种器在各个作业速度条件下排种性能较改进前均有所改善,在14 km/h时,合格指数提高了1.61个百分点,漏播指数降低了1.00个百分点,株距变异系数降低了1.79个百分点。田间试验结果表明,在作业速度小于等于12 km/h条件下,播种机的播种合格指数均大于94%,漏播指数小于5%,重播指数小于2%,株距变异系数小于20%,采用末端拨离+直线投种方式可大大改善播种效果,提高精量播种机作业速度。研究结果可为气吸式高速精量排种器的研究提供参考。     

基于叶片光谱特性的玉米品种抗倒伏性预测

针对玉米叶片各区域光谱特性与玉米品种抗倒伏性能之间关系未知的问题,该研究探讨了叶脉区、正常反射区和整片叶的平均光谱对玉米品种抗倒伏性预测效果的影响。试验采集了2018年和2019年8个玉米品种的叶片高光谱图像,使用阈值分割和K-means聚类方法提取各叶片区域的平均光谱数据。用最大相关最小冗余（Max-Relevance and Min-Redundancy,MRMR）特征选择算法,提取各叶片区域平均光谱的抗倒伏和不抗倒伏品种分类特征。使用交叉验证的方式,对MRMR方法选择的特征数量进行优化,并使用支持向量机（Support Vector Machines,SVM）方法建立各叶片区域的抗倒伏性预测光谱模型,用网格搜索法对各模型参数进行优化。2 a试验结果显示,各叶片区域约有35~50个可以反映品种抗倒伏性的光谱特征,其中非叶脉区光谱相比叶脉区光谱的抗倒伏特征更多,分类效果更好。参数优化训练后,叶片各区域的光谱模型对训练集数据的预测正确率达到98.46%、98.52%和100%,正常反射区的光谱模型对测试集数据的分类效果最好,2018年和2019年测试集数据的预测正确率分别达到了91%和94.34%。与基于整片叶平均光谱的预测模型相比,基于叶片各区域的光谱特征模型可以排除不平整叶面反射的干扰,有助于提高模型预测结果的稳定性。研究表明,基于正常反射区光谱的预测模型更适用于品种抗倒伏预测,研究结果可为基于玉米叶片光谱预测品种的抗倒伏能力提供借鉴。     

四端法土壤电导率原位快速检测传感器设计与试验

实现土壤电导率的快速获取可为农业生产精准管理提供有效的数据支撑。目前,田间电导率采集在农业生产前进行,需要专门的电导率检测设备对种植田块开展大范围数据采集并生成电导率空间分布图,该方式操作繁琐、费时费力,同时检测的电导率值由于时间滞后原因,难以准确反映农业生产各环节(如播种)实施过程中的真实电导率情况。针对上述问题,基于交流"电流-电压"四端法原理,该研究设计了一种土壤电导率原位快速检测传感器,用于搭载在不同的农业生产机具上,实现土壤电导率的实时检测与作业参数的在线调整。该传感器以STM32处理器为核心,配合电源电路、交流信号源电路、有效值检测电路及其他外围电路搭建了硬件及软件架构,同时集成了信息的实时检测与显示、定时存储与无线传输等功能,实现了土壤电导率的原位高精度获取。传感器标定试验及工作稳定性试验结果表明,传感器输出值与DDB-303A电导率仪测得的电导率值呈明显线性关系,线性拟合R2为0.995,且在不同电导率水平下,连续测量的标准偏差均小于0.76μS/cm,具有较高的准确性及工作稳定性。与JXBS-3001传感器在实验室条件下(温度25℃),对配置的不同电导率浓度土样(含水率15%)检测的对比试验结果表明,所设计的电导率传感器的测量误差及响应时间更低,绝对误差为-5.9～19.4μS/cm,相对误差为-1.05%～2.39%,响应时间小于2.01s。利用电导率传感器在现场(温度20.6℃)对地块不同位置测量的绝对误差为-11.36～25.30μS/cm,相对误差为-7.91%～7.88%。综合而言,该研究所设计的土壤电导率传感器能快速准确的检测土壤电导率信息,可为无人农场的土壤信息采集提供一种高精度的检测工具。     

国内外旋耕机械发展现状与展望

论述国内外旋耕机械发展现状和技术特点,对国外旋耕机械进行整理分类,主要包括手扶无轮式旋耕机、混层深耕机、自动避让偏置旋耕机、牵引自驱式旋耕机等,并总结分析国外旋耕机械发展方向。同时,总结我国旋耕机械发展现状,对国内主流旋耕机械和新型旋耕技术进行归纳。最后,对国内旋耕机械发展趋势进行展望并针对发展现状提出建议。     

玉米精准变量播种技术与装备研究进展

变量播种技术可依据农田环境空间异质性调整玉米播种量,实现生长环境与播种量的合理精准匹配,是突破玉米单产提升瓶颈、提高资源利用效率、实现玉米生产提质增效的重要手段。该研究按照玉米变量播种技术实施过程,从土壤肥力指标精确获取技术、最佳播量决策技术以及播量精准调控技术3个方面对玉米变量播种技术与装备进行综述。阐述了基于近地传感和遥感的土壤肥力指标快速获取的研究与应用现状,并对影响土壤肥力指标由点到面转化的土壤属性空间插值方法和影响土壤肥力分类结果的农田管理区划分方法进行了系统总结;重点分析了基于农田管理区和基于模型的变量播种决策方法的研究现状与优缺点,依据国外变量播种决策研究思路,同时结合中国国情提出了基于模糊推理、田间试验和机器学习的3种播量决策方法;综述了国外变量播种控制系统的结构组成与工作原理,归纳了国内电驱排种系统在作业速度测量、排种器驱动方式等方面取得的研究进展,并重点剖析了变量播种过程中存在的播种滞后问题及其补偿方法。针对中国玉米变量播种技术仍处于初级阶段,最佳播量决策技术与播量精准调控技术薄弱的问题,提出未来在玉米变量播种领域需开展的研究重点和发展建议:1)研发符合中国国情的变...     

基于叶绿素荧光成像的玉米苗期叶片光合特性垂直分布

作物的综合光合作用能力直接决定粮食产量，探明作物光合特性分布机制是开发新品种、研发新农艺的一个关键科学问题。为探究玉米植株光合特性的垂直分布规律，该研究利用荧光成像技术对不同品种和不同氮、水处理的5叶期样本进行图像采集，对植株不同叶片的荧光淬灭特性及荧光参数进行分析。荧光淬灭特性分析表明，叶片光量子产量随垂直高度的增加呈上升趋势；由非加权组平均法聚类产生的四类淬灭特性中，郑单958在不同环境中的荧光淬灭垂直分布异质性小于先玉335和浚单20。关键荧光参数分析结果表明，叶片最大光能转换效率、实际光能转换效率、光反应电子传递活性随垂直高度的增加呈上升趋势，除衰老叶片外的非光化学能量耗散差异性不显著。光合特性垂直分布分析表明，不同土壤氮含量下样本的最大光量子效率（Fv/Fm）有较为显著的二次函数分布特征，随着土壤氮含量的降低，垂直分布的异质性增大；不同品种间的稳态光适应光化学淬灭（qL_Lss）有较为显著的一次函数分布特征，郑单958表现出较强的抗逆性。基于机器学习方法，以荧光参数垂直分布数据分类植株组别的结果表明，郑单958样本的最大光量子效率（Fv/Fm）、微量土壤氮含量下样本的最大光量子效率（Fv/Fm）和干旱环境下样本的稳态非光化荧光淬灭（NPQ_Lss）判别准确率分别达0.82、0.94和0.88，与其他处理及荧光参数相比，垂直分布规律更显著；其他荧光参数的分布特征并不能有效判别样本组别。将叶片按植株形态学自下而上排序，由植株叶片光合垂直异质性关键叶片分析，第2片叶片可以作为垂直分布的"特征叶片"评估玉米品种和土壤氮含量，第1片叶片可以作为垂直分布的"特征叶片"评估植株土壤水含量。     

基于支持向量机和ReliefF算法的玉米品种抗倒伏预测

针对目前玉米品种抗倒伏鉴定方法费时、费力，玉米抗倒伏品种选育周期长的问题，该研究采用高光谱成像技术结合统计学习方法在玉米营养生长期开展品种抗倒伏预测。于2018年和2019年开展田间试验采集不同抗倒伏的8个玉米品种的高光谱成像数据，基于区域识别方法提取感兴趣区域（Region of Interest，ROI）的光谱曲线，分析抗倒样本和不抗倒样本的数据特性；然后分别采用过滤式特征选择算法ReliefF（Relevant Features）和主成分分析（Principal Component Analysis，PCA）结合ReliefF算法的方式，挖掘抗倒品种和不抗倒品种的光谱分类特征；最后使用交叉验证的方式，对ReliefF方法选择的原始光谱数据特征数量和PCAReliefF方法选择的主成分特征数量进行优化，分别建立ReliefF-SVM和PCAReliefF-SVM支持向量机（Support Vector Machines，SVM）分类模型，并对SVM模型的惩罚参数和核参数进行优化，以获得更好的模型预测效果。结果表明：经过特征优化，2018年试验和2019年试验分别选择了40和50个特征参与建模，且使用PCAReliefF方法选择的主成分特征与使用ReliefF方法选择的原始光谱数据特征相比，几乎不含有冗余特征；通过对支持向量机模型的惩罚参数和核参数进行优化，2018年试验ReliefF-SVM和PCAReliefF-SVM模型对预测集样本的抗倒伏分类预测正确率分别为84.17%和85 %，2019年试验模型分类预测正确率分别为84.17%和85.83%。可见，采用高光谱成像数据和统计学习方法可以实现对玉米品种抗倒伏的早期预测，使用PCAReliefF-SVM模型比ReliefF-SVM分类模型综合性能更优，试验为玉米抗倒伏品种的高效筛选提供了方法和借鉴。