果树叶面信息检测及其对雾滴利用影响的研究进展

果树的生长离不开农药等植保产品的使用,将药液喷施于枝叶是主要的果树植保作业方式,但是在对果树进行喷雾时不科学的作业方式会使农药的使用效果大打折扣,造成浪费的同时也给农田环境带来污染.果树的叶片作为主要接收农药雾滴的靶标,其表面的温度、湿度以及包括气孔密度在内的叶面信息的变化会影响农药雾滴的利用率.该研究从上述3类果树叶面信息检测的角度介绍了若干种叶面温度、湿度和气孔密度的检测方法,综述了国内外针对果树叶面信息的检测手段以及对农药雾滴沉积利用影响的研究;同时,总结归纳出农药喷雾雾滴的使用效果会不同程度地受到上述果树叶面因素变化影响的结论,喷雾作业更需精细化、有计划地开展;最后,为果树精准喷雾作业方式提出了新的研究和发展方向,以期为今后果树植保作业的科学、高效发展提供参考依据.     

精准喷雾控制装置的设计与制作

为了实现精准喷雾,设计并制作了一套基于51单片机的精准喷雾自动/手动两种模式切换的控制装置。在自动模式下,单片机根据现场信号输入模块提供的作物病虫害情况分别打开或关闭对应的电磁阀;手动模式下,由面板手动开关分别控制各个电磁阀打开或关闭。经田间试验测定,该喷雾控制装置能够在自动或手动模式下实现精准喷雾作业控制。     

山地果园机械化体系建设研究——以广东省山地果园为例

水果作为广东省重要的经济作物,其种植面积、产量、人均消费量均逐年增加。山地果园机械化对实现增产增收、促进宜居宜业,发展广东特色现代化农业具有重要意义。为此,结合对广东省山地果园所在地区典型村劳动力情况、果园情况、果园机械使用情况、果园机械需求情况等进行的详细调研,分析了广东省山地果园机械化体系建设进程中存在的机遇,并从研发单位、生产企业、推广部门、果农及维修服务等角度分析了目前存在的问题与困难,针对性地提出了广东省山地果园机械化体系建设的发展战略构想、措施和政策建议。     

基于机器学习的油青菜心水分胁迫研究

目的 以油青菜心Brassica chinensis var. parachinensis为试验对象,基于冠层温度研究其生长过程中的水分胁迫变化规律,并利用机器学习方法,以水分胁迫指数(Crop water stress index, CWSI)和光合有效辐射预测光合作用速率。方法 试验期间,在营养生长阶段(V期)和生殖生长阶段(R期)对油青菜心进行不同田间持水量处理,采集冠层温度、空气温湿度数据,建立无蒸腾作用基线(上限方程)、无水分胁迫基线(下限方程),通过经验公式计算CWSI。利用基于密度的空间聚类方法和空气温度研究油青菜心的冠气温差上限分布情况,选取固定值作为上限;以CWSI经验公式为基础,使用不同温度定值的无蒸腾作用基线计算CWSI,验证聚类效果。为更简便获取光合作用速率,使用4种机器学习方法：最邻近节点算法(k-Nearest neighbor,KNN)、支持向量回归(Support vector regression,SVR)、极端梯度提升法(Extreme gradient boosting,XGBoost)、随机森林(Random forest,RF)进行预测,并对比预测效果。结果 在不同田间持水量处理下,CWSI能较好地监测油青菜心水分胁迫状况。通过聚类分析,将V期和R期冠气温差上限分类到2个簇中,得到簇心分别为3.4和4.2 ℃,与CWSI经验公式计算值显著相关,表明使用固定值作为油青菜心冠气温差上限值具有可行性。KNN、SVM、XGBoost和RF预测模型均取得较好效果,相关系数分别为0.873、0.877、0.887和0.863。结论 机器学习方法可用于油青菜心光合作用速率的预测,可以避免使用大型笨重仪器,降低对油青菜心叶片的损伤,减少测量时间。     

基于改进YOLOv4模型的茶叶病害识别

【目的】提出了一种改进的YOLOv4模型,为自然环境下3种常见茶叶病害（茶白星病、茶云纹叶枯病和茶轮斑病）的快速精准识别提供支持。【方法】使用MobileNetv2和深度可分离卷积来降低YOLOv4模型的参数量,并引入卷积注意力模块对YOLOv4模型进行识别精度改进。采用平均精度、平均精度均值、图像检测速度和模型大小作为模型性能评价指标,在相同的茶叶病害数据集和试验平台中,对改进YOLOv4模型与原始YOLOv4模型、其他目标检测模型（YOLOv3、SSD和Faster R CNN）的病害识别效果进行对比试验。【结果】与原始YOLOv4模型相比,改进YOLOv4模型的大小减少了83.2%,对茶白星病、茶云纹叶枯病和茶轮斑病识别的平均精度分别提高了6.2%,1.7%和1.6%,平均精度均值达到93.85%,图像检测速度为26.6帧/s。与YOLOv3、SSD和Faster R-CNN模型相比,改进YOLOv4模型的平均精度均值分别提高了6.0%,13.7%和3.4%,图像检测速度分别提高了5.5,7.3和11.7帧/s。【结论】对YOLOv4模型所使用的改进方法具备有效性,所提出的改进YOLOv4模型可以实现对自然环境下3种常见茶叶病害的快速精准识别。     

基于无线传感器网络的果园自动灌溉系统设计

针对现阶段果园无线节水灌溉系统成本高、传感器节点寿命有限、不能长期可靠工作等问题,介绍了一种基于无线传感器网络节点的果园自动灌溉系统设计方案。该系统由主节点、传感器节点、水泵节点3种节点组成,通过选取合适功率的太阳能电池板和太阳能电池充电芯片对锂电池进行充电,有效延长了传感器节点寿命,实现系统连续稳定工作。在空旷地带,系统的有效通信距离208 m,节点额定电压5 V,工作时电流125 m A,待机时电流1.6 m A,太阳能平均充电电流为20 m A。传感器节点在不充电的情况下,以每天唤醒24次,每次工作20 s的频率,可连续工作约60 d。在连接太阳能电池板的情况下,可保证充电电量大于耗电电量。在桃园的试验表明:传感器节点在采集土壤湿度信息时耗电量最大,连接太阳能电池板,电池电压在额定电压附近小范围内波动,随机改变灌区内被测土壤湿度,系统可以按照设定的土壤湿度上限、下限,自主控制水泵和电池阀工作状态,实现自动按需灌溉。     

丘陵山地果树冠层体积激光测量方法与试验

树冠体积是农药变量喷施、肥料精准施用和果产预估等果园精细管理的重要因素。为了克服丘陵山地果园地面不平整和果树种植不规整等因素对果树冠层体积激光测量方法的影响,搭建了果树冠层体积激光测量平台,基于AHRS和DGPS实现定位定姿,通过空间坐标转换直接求取果树冠层激光扫描点在大地坐标系下的三维数据;并采用切片技术提取冠层点云的面、线信息,以累加方式计算果树冠层体积。测得的大地坐标系下的丘陵山地荔枝树冠层激光点云能较真实地反映果树冠层的形状特征;以3棵人工修剪的圆柱形绿篱树为靶标,冠层体积激光测量与人工测量相对误差约为5%。试验结果表明,依据果树冠层点云测量冠层体积具有较高的准确性和可靠性。     

基于无线传感器网络的茶树田间参数自动采集系统

为了精确判断茶树水分胁迫情况,以Idso的作物水分胁迫指数(CWSI)模型中的参数为监测对象,研制了一套茶树水分胁迫田间参数自动采集系统,实现对表征茶树发生水分胁迫的茶树自身生理参数及茶树田间物理环境参数的自动监测.系统通过不同的传感器节点分别监测茶树的冠层温度、田间的土壤湿度和土壤热通量、太阳净辐射、风速及空气温湿度.通过所采集的上述参数,结合CWSI模型,便可精确计算出茶树水分胁迫指数,用于指导灌溉,避免茶树发生干旱胁迫或过度灌溉.系统充分利用了无线传感器网络的便捷性,各传感器节点所采集的参数以多跳的方式无线传输至远端的上位机节点,上位机节点可以本地存储参数,也可通过串口,输送至电脑上.系统经过重新标定,也可用于监测其他作物的水分胁迫情况.     

侧风影响下喷头倾斜角度对雾滴飘移补偿

为研究植保喷雾作业中在不同风速和喷头倾斜角度下对水平喷雾的雾滴飘移的影响,设置3个风速水平（1、2、3 m/s）与4个喷头倾斜角度水平（0°、15°、30°、45°）进行喷雾试验,测定了不同水平的雾滴分布,以风速为0、喷头倾斜角度为0°的常规作业水平作为对照组,对垂直和水平两个方向的雾滴质量分布中心与变异系数进行分析。结果表明,垂直方向上,侧风风速与喷头倾斜角度对垂直雾滴质量分布中心的影响在±3 cm范围内整体影响较小,而侧风风速与喷头倾斜角度的增大都会使垂直方向变异系数减小,在1～3 m/s的风速下垂直方向变异系数减小的最大值分别为12.3、6.0、16.0个百分点,提高了雾滴在垂直方向上的均匀性。水平方向上,不同风速和喷头倾斜角度都会对雾滴飘移产生影响,随着喷头倾斜角度的增大,雾滴受风速的影响程度会减小,当喷头倾斜角的补偿量超过了当前风速下对雾滴的飘移量,会使雾滴飘移产生过补偿,在高风速时喷头倾斜角度的改变会带来更大的雾滴飘移改变。侧风风速与喷头倾斜角度对水平方向上变异系数会产生较大影响：随着喷头倾斜角度的增大,水平变异系数也随之增大,而风速的变化使水平变异系数呈现先增大后减小的趋势。拟合了喷头倾斜角度与风速对雾滴飘移的影响模型,并计算出在1、2、3 m/s风速条件下,最佳补偿的喷头倾斜角度分别为3°、7°、11°。该研究为植保作业中雾滴飘移改善技术提供参考。     

基于改进SqueezeNet模型的多品种茶树叶片分类方法

为实现茶树叶片种类的准确、无损、快速分类,以复杂背景下6个品种的茶树叶片图像作为研究对象,通过卷积神经网络实现茶树叶片品种分类。选择经典轻量级卷积神经网络SqueezeNet,通过在Fire模块中增加批归一化处理,实现网络参数不显著增加的前提下大幅提升网络对多品种茶树叶片分类的准确率;通过将Fire模块中的3×3标准卷积核替换为深度可分离卷积,进一步缩小网络模型,降低网络对硬件资源的要求;通过在每个Fire模块中引入注意力机制,增强网络对重要特征信息的提取能力,提升模型分类性能。试验结果表明,原始SqueezeNet模型对多品种茶树叶片分类准确率为82.8%,增加批归一化处理后模型在测试集的准确率达到86.0%,参数量只有7.31×10⁵,相对于改进前参数量仅增加0.8%,运算量与改进前基本相同;将Fire模块中的3×3标准卷积核替换成深度可分离卷积后的模型在测试集的准确率为86.8%,准确率提高0.8个百分点,参数量下降至2.46×10⁵,模型参数量减小66.3%,运算量下降60.4%;引入注意力机制后的模型测试集分类准确率达到90.5%,...