水培阳台蔬菜机营养液电导率自适应控制

针对当前水培阳台蔬菜机营养液电导率(Electrical conductivity,EC)控制系统易受外界温度、湿度、光照强度和混合营养液中pH等因素干扰的问题,设计了营养液EC的模型参考自适应控制系统。基于物料守恒关系建立营养液EC控制系统数学模型,同时依据被控对象模型、响应时间和控制性能等指标选取参考模型,并采用李雅普诺夫稳定性原理设计系统的自适应律和控制律。仿真试验表明,系统可在40 s左右进入稳定状态,同时在外界温度、湿度、光照强度、混合营养液p H等的扰动下,依旧具有较好的鲁棒性(控制绝对误差0. 1 m S/cm)。     

基于图像处理的果蔬分拣系统设计

针对目前果蔬分拣中果蔬互相掺杂问题,设计了一种基于图像处理的果蔬分拣系统。以实际分拣中容易相互掺杂的土豆、玉米和红薯为实验对象,土豆作为主果蔬,玉米和红薯为掺杂的副果蔬进行实验。对果蔬图片进行图像处理,提取果蔬特征,采用基于BP神经网络的KNN最邻近分类算法对果蔬进行分类,并在上位机界面中显示果蔬分类结果和果蔬掺杂率,将掺杂果蔬的位置信息结合形态信息发送给六自由度机械臂,实现对掺杂果蔬的分拣操作。实例验证:分类正确率达到98%左右,计算坐标与实际坐标在X、Y坐标上的误差在1mm内,可以实现对掺杂果蔬快速识别和分拣的目的。     

基于无线传感器网络的产前母猪行为监测系统

目前大规模集约化母猪养殖业主要是依靠饲养员对产前母猪行为的连续观察,通过直觉和经验从而判断母猪的分娩时间。但是该技术不仅要求大量人力,效率低下,而且往往会出现人为疏忽造成刚分娩的仔猪死亡现象。针对这一问题,设计了一种基于无线传感器网络的产前母猪行为特征监测系统。该系统通过给母猪佩戴加速度传感器采集节点,实时监测母猪的行为,并通过支持向量机分析加速度数据并建立模型,分类识别母猪的站立、躺卧、进食、筑巢等典型行为特征。试验结果表明,系统能够实时连续的记录母猪产前行为特征参数,可准确识别出母猪的四种典型行为,准确率为93.3%。     

基于CFD的猪舍小气候环境模糊控制系统

针对目前大型猪舍小气候环境多变量、非线性、大惯性等特点,本文研究一种猪舍小气候环境模糊控制系统。本系统通过测量入风口风速、温度以及出风口风速,使用CFD软件模拟猪舍实时温度场信息,并与猪舍内湿度信息相结合,利用模糊控制技术,以风机和湿帘为执行机构,将猪舍温度、湿度稳定在适宜猪只生存的范围之内,以符合猪舍小气候环境要求;并以图形用户界面的形式显示猪舍温度场,便于养殖员观察猪舍每个位置的实时温度信息。     

基于CFD的妊娠猪舍机械通风热环境模拟

为了研究风机-湿帘系统中机械通风对妊娠猪舍内部热量和气流传递过程的影响,试验采用计算流体力学(CFD)方法建立妊娠猪舍机械通风降温过程的模拟模型,模拟机械通风条件下妊娠舍内的温度场和气流场,采用标准的k-#x025B;湍流模型和离散坐标(DO)辐射模型模拟舍内的湍流和太阳辐射,采集舍内30个观测点的温度,将现场实测值与模拟值进行对比,最后利用已验证模型模拟典型晴天下妊娠舍机械通风时温度场变化过程。结果表明:模拟值和实测值的绝对误差在0.50℃内,平均绝对误差为0.27℃,相对误差为2.1%,平均相对误差为1.0%,表明模拟值与实测值吻合良好,只有通风风机开启时舍内温差较大,最大为6.8℃,温度场分布不均匀;8台风机都参与调温时,舍内最大温差为0.65℃,温度场分布均匀。     

基于改进单次多目标检测器的果面缺陷冬枣实时检测

为实现果面缺陷冬枣实时检测,并解决缺陷的尺寸与位置不同影响检测精度的问题,提出一种基于改进单次多目标检测器(Single shot multibox detector,SSD)的果面缺陷冬枣实时检测方法.以陕西大荔冬枣中的虫蛀、轮纹和木质化3种缺陷果和正常果为研究对象,在数据采集设备下采集实际分拣图像,然后通过数据增强...     

分娩猪舍环境控制系统仿真

分娩猪舍是待产母猪生产仔猪到母猪与仔猪转群的场所,其内部环境的优劣是影响新生仔猪能否正常生长的关键因素,针对目前猪场环境温度控制没有考虑到猪自身活动而引起的产热变化,而猪只自身生命活动也是猪舍内部温度变化的主要因素之一。通过采集对猪舍内外环境信息,结合猪只自身和环境的能量交换,通过机理建模方法,根据能量守恒定律,对猪舍内的环境温度进行建模,得到室内温度的设定值。将仿真方案应用到猪舍温度控制系统中,以风机和湿帘为执行机构,以猪只数量,成长天数,室外温度等为输入,可将猪舍温度稳定在符合猪舍环境猪只生长的范围之内,可以节省加热设备的使用,从而节约能源。     

基于双目视觉与深度学习的番茄本体特征检测系统

[目的]设计基于双目视觉与深度学习的番茄本体特征检测系统,实现番茄本体特征的自动无损检测,为水肥一体化和智慧农业提供技术支持.[方法]采集4000张番茄图像作为研究样本,利用基于深度学习SSD_MobileNet卷积神经网络的番茄主要器官检测算法,对番茄植株、茎、花、果实和叶进行检测.基于双目视觉的图像测量算法对各器官目标区域中株高、茎直径、果径和叶面积进行特征提取.[结果]利用SSD_MobileNet网络模型对研究样本进行训练和测试,调用训练好的模型对番茄各器官进行识别和定位,对番茄植株、茎、花、果实和叶的检测准确率分别为98.5%、99.0%、99.5%、99.5%和98.0%.利用基于双目视觉的图像测量算法对番茄本体特征进行测量,通过实践证明该系统对株高、茎直径、果径和叶面积测量的相对误差可分别控制在1.5%、1.0%、1.2%和1.3%以内,可实现番茄本体特征的精确检测,较常见系统的鲁棒性和精度有了明显提升;整套系统在番茄大棚中已稳定运行半年,完成了对番茄全生命周期的本体特征检测,并可将数据保存于数据库,实现对番茄本体特征的自动、无损监测.[建议]优化番茄特征遮挡问题,丰富训练数据集,优化网络模型,提高识别率和鲁棒性;建立番茄特征数据共享云平台,实现番茄疫病的提前预警;确定本体特征与番茄长势的关系,以快速判断施肥量,实现大棚番茄自动精确施肥.     

基于改进SOLO v2的番茄叶部病害检测方法

为实现对多种番茄叶部病害的精确检测,提出了一种基于改进SOLO v2的番茄叶部病害实例分割方法。该方法以SOLO v2模型为主体框架,将ResNet-101作为骨干网络融合特征金字塔网络（Feature pyramid networks,FPN）,引入可变形卷积对卷积结构进行优化,并将损失因子δ融入掩膜损失函数中,在语义分支与掩膜分支上对实例进行检测与分割。通过对模型的改进,实现了对形状复杂多变的番茄叶片的精确检测与分割,并提升了模型的泛化能力与鲁棒性。基于Plant Village数据集的试验结果表明,ResNet-101比ResNet-50在SOLO v2上的性能表现更好。在相同骨干网络下,SOLO v2模型的单幅图像处理时间比Mask R-CNN减少了72.0%,平均精度均值（Mean average precision,mAP）提升了3.2个百分点,改进后的模型在训练过程中收敛效果有所提升,受叶片形状多变的影响较小,最终的平均精度均值达到了42.3%,单幅图像处理时间仅需0.083s,在提升检测精度的同时保证了运行的实时性。该研究较好地解决了番茄病叶识别与分割难的问题,为农业自动化生产中番茄疾病情况与症状分析提供了参考。