基于无人机遥感影像的收获期后残膜识别方法

针对人工评估农田残膜劳动强度高、效率低等问题,以及收获期后残膜识别困难的问题,提出了一种基于颜色特征的残膜识别方法。为了克服光照对残膜识别精度的影响,首先分析了阳光直射区、阴影区残膜和土壤RGB与HSV颜色分量灰度差异;然后,选择最佳颜色分量进行残膜图像分割,分别对比分析了手动阈值法、迭代阈值法、最大类间方差法、最大熵值法、K-means均值聚类法和脉冲耦合神经网络法的分割效果,结合原始图像残膜分布特点,优选出基于脉冲耦合神经网络的分割法;结合图像形态学算法,最终提取了烟地残膜面积与分布。结果表明,B分量可从背景中分割出直射区残膜,但不能分割阴影区残膜; S分量可从背景中分割出直射区和阴影区残膜;基于S分量的脉冲耦合神经网络分割法效果最佳,利用该方法对不同时期的农田残膜进行识别,6叶期、烟叶收获后、烟杆拔除后和冬季空闲期的识别率分别为96.99%、69.47%、93.55%和88.95%,地膜覆盖周期的平均识别率为87.49%。本文方法可快速准确地识别出秋后的农田残膜,提供残膜时空分布信息及变化特征,可为农田环境健康评估提供决策依据。     

基于无人机的田间地膜识别算法研究

为了满足基于机器视觉的田间地膜智能识别要求,对垂直拍摄的6叶期单垄单行烟田图像进行研究,分析图像中地膜、烟苗和土壤的RGB和HSV分量的直方图,发现B分量和V分量采用阈值分割法能分割出地膜。对地膜图像进行手动阈值分割、迭代阈值分割、大律法分割和基于遗传算法的最大熵值法等分割算法比较,发现迭代阈值分割算法目标识别率最高,为71%,且处理过程用时较短。通过对无人机不同飞行高度下地膜识别情况分析,发现50 m飞行高度下的地膜识别率最高,为80.06%,地膜识别面积为246.83 m²,地膜覆盖率为30.12%。该研究为残膜的智能识别提供方法和参考。     

残膜捡拾机机架及梳齿的仿真设计与试验

机架和梳齿是残膜捡拾机的主要承载部件,为了研究机架的振动特性,利用有限元分析软件对机架进行模态分析,结果表明,机架的固有频率和外激频率相差较大,可以有效避免共振的发生。为了研究梳齿设计的合理性,利用离散元分析软件进行梳齿应力应变的正交试验,并利用DesignExpert软件进行曲面响应分析,结果表明,梳齿作业时运动速度越大,入土深度越大,入土角度越小,所受的土壤阻力越大。以耦合的方式分析得到梳齿的受力云图和变形量,结果表明,梳齿齿尖处受力最大,变形最大,其最大等效应力为183.4 MPa,最大变形量为20.949 mm,经校核梳齿的设计符合要求。样机捡拾率的田间试验结果高达85%以上,满足捡拾要求。     

基于烟地残膜分布的捡拾机设计

以贵州毕节地区作为研究区域,对当地残膜污染状况进行调研分析,结果表明:平均残膜数量为48.71片/m~2,表层占21.30%,0～10cm土层占53.58%;平均残膜质量为18.70g/m~2,表层占60.63%,0～10cm土层占29.79%,调研数据的拟合度均高于0.97。制定贵州烟地残膜污染等级为:大于25g/m~2为重度污染,13g/m~2～23g/m~2为高度污染,6～13g/m~2为中度污染,小于6g/m~2为轻度污染。针对残膜污染分布情况,创新设计了一款不同高度和入土角度螺旋弹齿的残膜捡拾机,田间测试结果表明:前、中、后3排梳齿入土深度分别为19.5、15.2、10.4cm,各土层残膜捡拾率均高于84%,可满足不同土壤深度残膜捡拾设计要求。