广东葡萄一年两收设施避雨栽培模式主要病虫害与防治关键期

【目的】全面了解广东葡萄一年两收设施避雨生产模式主要病虫害的发生情况，明确其防治关键物候期。【方法】在 2016—2019 年进行走访式和常规式调查按治早治小的原则，根据主要病虫害发生动态、相对应的葡萄物候期和防治实践确定防治关键期。【结果】在设施避雨模式下，广东一年两收葡萄病害发生最严重的是白粉病，其次是溃疡病、霜霉病、穗轴褐枯病、灰霉病、日灼病、气灼病、毛毡病等；虫害发生最严重的是蓟马，主要物种是茶黄蓟马、烟蓟马、棕榈蓟马，其次是二斑叶螨、斜纹夜蛾、中喙丽金龟、缺节瘿螨等。与露地栽培的主要病虫害有较大差异。防治关键期重点在休眠期（修剪清园期）、开花前期、幼果期、果实膨大期、果实转色期、果实成熟期。【结论】广东葡萄一年两收设施避雨模式主要病虫害种类不同于露地栽培，具有易重叠发生、危害期较长、多种病虫害出现两个甚至多个发生高峰期、同一病虫害更易爆发等特点。应对广东一年两收设施葡萄病虫害应当有针对性抓关键期防治，重点做好休眠期清园，消灭病虫源，结合花期果期等防治关键期开展有针对性的病虫害防治。     

超声波雾化加湿技术对猪肉冷藏销售品质影响研究

【目的】我国是世界猪肉生产和消费大国,目前市面上大部分鲜肉的销售方式较为粗放,只有少部分采用冷藏。为提高鲜肉销售时的品质、延长货架期,提出一种基于超声波雾化加湿技术的冷藏保鲜方法。【方法】以敞开式冷藏陈列柜销售猪肉为对象,研究超声波雾化加湿技术对猪肉冷藏销售品质的影响,探究猪肉冷藏 24 h 内剪切力、色差、蒸煮损失率和 pH 等品质参数的变化。【结果】单控温（Temperature Control,TC）工况冷藏 12 h 后,猪肉的剪切力与初始值差异较小;冷藏 24 h 后,剪切力迅速下降至 65.2 N。 温湿双控（Temperature and Humidity Control,THC）工况冷藏 12 h 后的猪肉剪切力下降较快;冷藏 12~24 h,剪切力维持在 86 N 左右。TC 和 THC 工况下,冷藏猪肉的亮度（L*）值、红度（a*）值和黄度（b*）值随时间的变化趋势相似,但 TC 工况的 L* 值始终较 THC 工况高,而 a* 值和 b* 值较 THC 工况低。冷藏 24 h 后,两种工况下猪肉微生物的数量分别为 28 000、149 713 CFU/mL,其变化与色差变化有一定关联。两种工况冷藏猪肉蒸煮损失率随时间的变化趋势相似,且冷藏 12 h 后两者差异较小,TC 和 THC 工况下蒸煮损失率分别 26.2%、24.6%。冷藏 24 h 后,TC 和THC 工况的猪肉 pH 值分别下降 0.4、0.2,且 THC 工况的猪肉仍属于一级肉。在单个制冷周期内,两种工况下柜内温度和相对湿度均呈现先下降再上升的趋势,但 TC 工况的柜内最低温度较 THC 工况高 1.2 ℃,两种工况下的相对湿度变化趋势和幅度相近。【结论】THC 工况可减缓猪肉的剪切力和 pH 下降速率,降低猪肉的蒸煮损失率,但其微生物数量是 TC 工况下的 5.3 倍。研究结果对提高猪肉销售品质和优化冷藏陈列柜参数具有一定的参考意义。     

畜牧养殖环境监测自主移动平台轨迹跟踪控制算法

为实现畜牧养殖环境全方位监测,开发了可实现轨迹跟踪的自主移动监测平台。以具有非完整约束特性的自主移动平台为研究对象,研究其轨迹跟踪问题。在平台的结构基础上,通过建立其运动学模型及误差模型,提出基于Lyapunov函数和反推(Backstepping)时变状态反馈控制方法的轨迹跟踪算法,实现自主移动平台转向轮转角和行驶速度的控制。仿真和试验表明:所提出的控制算法能使该平台较好的收敛于期望轨迹,当跟踪期望轨迹稳定后,控制参数为(k_1,k_2,k_3,k_4)=(0.1,0.2,0.15,0.3)时,直线轨迹跟踪误差为x_e=±7 mm,y_e=±9.8 mm,θ_e=±4.2°,圆弧轨迹跟踪误差为x_e=±6.2 mm,y_e=±8.3 mm,θ_e=±5.8°,取得良好的跟踪精度。该研究可为畜牧养殖环境监测自主移动平台轨迹跟踪控制提供参考。     

智能堆垛叉车三向属具的运动学建模和验证

为优化智能堆垛叉车的三向属具的控制方法,对三向属具进行运动学建模及仿真分析。搭建三向属具的实验平台,基于D-H建模方法,建立了三向属具的数学模型,运用Robotics Toolbox作为分析工具,通过仿真和实验开展平台的正、逆运动学分析及验证。实验结果表明:逆运动学结果与正运动学设定的关节变量中垂直方向的移动关节变量误差为0.1%、水平方向的移动关节变量误差为1.5%、转动变量误差为1.1%,验证了所建的三向属具平台数学模型的正确性。该研究为智能叉车三向属具准确有效控制提供了参考。     

广东省设施园艺发展现状与对策建议

设施园艺是劳动技术密集型产业，具有高效、集约、可控和可持续发展的特征，是现代农业的重要标志之一。发展设施园艺是广东现代农业的重要任务和必然选择，近年来，在政策大力支持和市场需求拉动的双重作用下，广东省设施园艺产业得到迅速发展，但发展规模及水平与全国相比，还处于相对靠后的位置，也存在与广东经济强省不相匹配、与华南气候条件不相适宜等问题。从发展规模、装备水平、功能模式、技术水平、区域布局等方面概述了广东省设施园艺发展现状，就其发展过程中存在的设施结构设计与建造有待优化、利用率偏低、栽培与管理技术水平不高、自主创新不足、产业尚不健全等问题进行了分析，并从政策引导、目标定位、科研投入以及人才培养方面针对性的提出了促进广东设施园艺产业化发展的对策建议，以期为促进我省设施园艺健康可持续发展，助力乡村振兴，推进粤港澳大湾区设施园艺建设提供一定的参考依据。     

盒装荔枝果实降温特性数值分析与验证

为掌握冷库带包装荔枝预冷果实温度变化的一般规律,建立了基于气调保鲜试验平台的荔枝果实预冷二维数值模型。结合荔枝果实及包装物理特性,对预冷过程中荔枝果实温度变化进行了数值分析,获得了厢体和包装内流场分布情况。研究结果表明,提高通风风速可以减少预冷时间,但会增大包装内荔枝果实间的温度差异性;当风速达到6 m/s以上,预冷时间减少放缓,果实温度变异系数趋于稳定,约为0.25;降低隔板空气出口温度可以有效促进荔枝果实降温,但会增加包装内荔枝果实间的温度差异性。经试验验证,模拟结果与试验结果吻合良好,平均误差率为1.91%,均方根误差为2.34%。     

叶菜保鲜环境参数的研究现状与分析

为掌握叶菜保鲜过程中环境参数对叶菜贮藏品质的影响,对国内外叶菜保鲜参数的研究进行了综述,分析了温度、相对湿度、气体成分等保鲜参数对叶菜贮藏的影响以及保鲜参数间的优先级关系。对多数叶菜品种而言,适宜的保鲜参数分别为温度0~5℃、O2浓度1%~5%、CO2浓度1%~5%、相对湿度95%~100%。保鲜参数中优先级最高的是温度。     

基于B样条曲线的智能叉车托盘拾取路径规划研究

干果仓储中托盘摆放的位姿具有不确定性,应用路径规划技术可实现智能叉车托盘自主拾取,提高叉车在仓储作业中的灵活性。以具有非完整性约束特性的堆垛叉车为研究对象,提出基于三次均匀B样条曲线的托盘拾取路径规划方法。综合考虑最小转弯半径、首末端点约束、曲率连续等多约束条件,建立路径曲率最小化的目标函数,并通过Matlab优化工具箱求解待优化的曲线参数。仿真结果表明,针对不同位姿的托盘拾取场景,该方法能得到曲率连续、转向轮转角不超过叉车最大转角的可行路径。在仓库中进行路径规划及跟踪试验,试验表明,在前进距离为6 500 mm、托盘横向偏移距离1 500 mm、偏移角15°的场景下,终点横向偏移误差4. 71 cm,终点航向角误差为9. 6×10~(-3)rad,验证了算法的可行性。     

循环风幕式半导体制冷果蔬展示柜设计与试验

【 目 的】 为 提 高 菜 心 保 鲜 品 质、 延 长 货 架 期, 设 计 一 种 循 环 风 幕 式 半 导 体 制 冷 展 示 柜。 【方法】展示柜以菜心为展示对象,建立基于柜内外传热的热负荷模型,并通过试验验证循环风幕式半导体制 冷展示柜的保鲜效果。【结果】菜心展销 27 h 后,循环风幕式半导体制冷展示柜、敞开式陈列柜、常温陈列 3 种展销方式的质量损失率分别为 9.3%、20.6%、34.8%,好菜率分别为 35.8%、0、0,感官评定分数分别为 2.17、 1.08、0,SPAD 值变化区间范围在 46~54 之间;采用循环风幕式半导体制冷展示柜的菜心在展销 3 h 后质量损失 率显著低于其他 2 种方式;展销 6 h 后好菜率及感官评定显著高于另外 2 种方式。【结论】循环风幕式半导体制 冷展示柜对菜心的保鲜效果较好,可有效降低菜心的质量损失率,并显著提高好菜率,为菜心展销装备设计及 研究提供参考。     

基于改进YOLO v7-tiny的甜椒畸形果识别算法

甜椒在生长发育过程中容易产生畸形果,机器代替人工对甜椒畸形果识别和摘除一方面可提高甜椒品质和产量,另一方面可解决当前人工成本过高、效率低下等问题。为实现机器人对甜椒果实的识别,提出了一种基于改进YOLO v7-tiny目标检测模型,用于区分正常生长和畸形生长的甜椒果实。将无参数注意力机制（Parameter free attention module, SimAM）融合到骨干特征提取网络中,增强模型的特征提取和特征整合能力;用Focal-EIOU（Focal and efficient intersection over union）损失替换原损失函数CIOU（Complete intersection over union）,加快模型收敛并降低损失值;使用SiLU激活函数代替原网络中的Leaky ReLU,增强模型的非线性特征提取能力。试验结果表明,改进后的模型整体识别精确度、召回率、平均精度均值（Mean average precision, mAP）mAP0.5、mAP0.5-0.95分别为99.1%、97.8%、98.9%、94.5%,与改进前相比,分别提升5.4、4.7、2.4、10.7个百分点,模型内存占用量为 10.6MB,单幅图像检测时间为4.2ms。与YOLO v7、Scaled-YOLO v4、YOLOR-CSP等目标检测模型相比,模型在F1值上与YOLO v7相同,相比Scaled-YOLO v4、YOLOR-CSP分别提升0.7、0.2个百分点,在mAP0.5-0.95上分别提升0.6、1.2、0.2个百分点,而内存占用量仅为上述模型的14.2%、10.0%、10.0%。本文所提出的模型实现了小体量而高精度,便于在移动端进行部署,为后续机械化采摘和品质分级提供技术支持。