奶牛产奶量测量系统设计

为了快速、准确地获取奶牛产奶量数据,避免目前常用的间接测量方法产生的误差,设计了基于质量计量的奶量采集系统。该系统通过在奶罐下安置基于压力传感器的质量称量机,将压力产生的模拟电信号通过A/D转换模块转变为数字电信号,再经分级处理从而获取牛奶质量数据,并直接上传至上位机。上、下位机之间通过CAN总线连接,基于自主协议进行相互通信。经多次测试表明,在5～35kg范围内该系统的测量误差可以控制在6%以下,且具有采集速度快、容错性强的特点。     

芦笋茎枯病田间症状、发生特点与防治对策

芦笋系多年生、单子叶作物,是一种具有独特风味的名贵、高档、食疗兼用的营养保健蔬菜.种植芦笋是出口创汇、振兴经济和农民致富的好门路。芦笋茎枯病是我国目前芦笋产区最重要的病害,危害极为严重,常使大面积笋田干枯,甚至毁于一旦,是造成山东及沿海等老笋区遭毁的重要原因。因此,必须引起足够的重视。     

基于无人机遥感可见光影像的北疆主要农作物分类方法

作物类型准确分类是大田作业和管理的基础。该文通过无人机遥感试验获取的可见光影像,利用色彩空间转换和纹理滤波构建了色调、饱和度和亮度的27项纹理和低通滤波特征;然后采用Relief F-Pearson特征降维方法,剔除分类能力弱且相关性高的冗余特征;最后,基于优选特征训练分类模型,并结合人工分类结果对各模型进行精度比较和效果验证。结果表明:特征选择得到的H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var是利用可见光影像进行北疆主要农作物分类的最佳特征,可在充分表征影像特征的同时降低数据冗余。支持向量机(support vector machine,SVM)分类方法精度最高,整体分类准确率达83.77%,ANN和KNN分类精度次之。通过在验证区进行像素级别作物分类,发现SVM分类方法效果最好,棉花、玉米、苜蓿和西葫芦作物分类精度均达到了80%以上。该研究可为基于无人机可见光影像的农作物种植信息普查提供参考。     

基于无人机多光谱影像的棉叶螨识别方法

【目的】利用无人机遥感在空间分辨率和光谱分辨率上的优势,研究大面积棉田棉叶螨监测方法,为类似的农作物虫害遥感监测研究提供参考。【方法】选20种光谱指数作为螨害监测的特征因子,使用赤池信息准则作为模型优选依据,获取最佳建模特征,建立棉田螨害监测识别的logistic回归模型。【结果】在所分析的全部光谱指数中,TVI、DVI和RDVI为螨害监测的最佳特征因子,基于该3个因子构建的logistic回归模型的分类准确率为95%,F1值为95.1%,能够较好地实现棉田螨害识别。【结论】监测模型可以实现区域范围的棉叶螨快速识别。     

基于多源数据的棉叶螨预测研究

在新疆地区特殊的气候环境和耕作方式下探索大尺度区域的棉叶螨预测预报方法,分别采用气象数据、遥感数据、气象与遥感数据相结合等3种方法建立螨害预测模型,并对新疆生产建设兵团第八师2017年7月的棉叶螨发生情况进行预测。结果表明,2017年5—6月累积降水量、5月温湿系数、4—6月累积降水量、6月上旬降水量、6月27日绿波段归一化植被指数(green normalised difference vegetation index,简称GNDVI)和改进的简单比值指数(modified simple ratio index,简称MSR)、7月13日比值植被指数(ratio vegetation index,简称RVI)共7种特征是建模的最佳因子。基于气象数据模型预测效果最差,分类准确率为71.4%,F1值为68.8%;气象和遥感数据相结合的模型预测效果最好,分类准确率为82.9%,F1值为83.3%;遥感数据模型预测效果介于两者之间,分类准确率为77.1%,F1值为78.9%。气象数据模型在大尺度区域整体趋势预测上有优势,遥感数据模型对于局部变化比较敏感,气象与遥感数据相结合的模型兼备了二者的优点,预测效果最好。研究成果可为新疆地区棉叶螨的提前预防和统防统治提供理论依据。     

基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割

棉田冠层覆盖度是监测棉田棉花长势的重要指标,针对棉田复杂环境中冠层图像难以准确分割的问题,该文提出了一种基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割方法。首先将棉田冠层图像像素分成叶片冠层和地表背景2类,在HSV颜色空间中分别提取两类像素的H通道值,在RGB颜色空间中分别提取绿色占比值(G/(G+R+B))作为颜色特征;再利用逻辑回归算法确定出各颜色特征的分割阈值,通过H通道分割阈值实现图像的初次分割;再对初次分割结果中的低亮像素使用逻辑回归算法计算出的超绿特征阈值进行低亮像素分割,同时采用绿色占比分割阈值对图像高亮像素及低亮像素分割结果整体实现二次分割,最后采用形态学滤波方法对分割结果进行优化。为评价该分割方法,利用从新疆棉花产区采集到的320幅棉田冠层图像进行试验。结果表明,该方法可在棉田复杂自然背景下,有效分割出棉田冠层区域,平均相对目标面积误差率仅为5.46%,总体平均匹配率达到93.07%;优于超绿特征OTSU分割方法(平均相对目标面积误差率11.78%,总体平均匹配率76.43%)、四分量分割方法(平均相对目标面积误差率24.11%,总体平均匹配率71.67%)、显著性分割方法(平均相对目标面积误差率36.92%,总体平均匹配率66.92%)。该方法的平均处理时间为4.63 s,相对于超绿特征OTSU法(3.84 s)和四分量分割法(2.56 s),耗时多一些,但与显著性分割法(6.25 s)对比,花费时间要少。研究结果可为棉田自然复杂环境下机器视觉技术监测棉花覆盖度提供一种有效途径。     

基于泵吸效应的电磁驱动配气机构温升抑制方案研究

根据动圈式电磁驱动配气机构的结构特点和工作原理提出了一种温升抑制方案:利用动圈的泵吸效应,以环形切片作为开关阀片,在无需额外动力源驱动的前提下能够提升动圈与永磁体之间气隙内的气体流量与速度,从而有效强化气隙表面的对流传热效果。通过建立流动区域的数值模型,仿真分析了电磁驱动配气机构工作循环中阀片的响应规律以及气体流动状态,据此对方案结构进行了改进,通过更换材质减轻了阀片的质量并优化了阀片行程。最后开展了配气机构长时间工作下的温升测试试验,结果表明,改进后的方案对执行器温升抑制效果明显,在测量工况下各测量点中最高温升下降12.1℃。     

基于CNN-BiLSTM的棉花产量预测方法

针对传统的作物产量估算方法在模型泛化方面的不足及缺少时序特征和空间特征的问题,该研究以机采棉为研究对象,结合无人机遥感平台与深度学习技术对棉花进行多期遥感观测与估产。以棉花苗期、蕾期和花期的影像为时间序列数据集,构建基于卷积神经网络（Convolutional Neural Network,CNN）和双向长短期记忆（Bidirectional Long Short-Term Memory,BiLSTM）的混合模型（CNN-BiLSTM）进行棉花产量预估,提高时间维度和空间维度方面的特征提取能力,并分别验证CNN和BiLSTM的性能以及不同网络深度对估产的影响。研究结果表明,CNN和BiLSTM深度分别为14和1的CNN14-BiLSTM模型准确率最高,对比单一结构的BiLSTM该模型决定系数从0.851提升至0.885,其均方根误差和平均绝对百分比误差也均明显下降,在2.3 m×2.3 m的样方内,结果分别为147.167 g和6.711%。该研究实现了基于时间序列的棉花产量估算,可为类似的作物产量估算提供参考。     

基于NDVI的绿洲棉田土壤肥力质量评价方法研究

以天山北坡典型国营农场棉田为研究对象,探讨基于归一化植被指数(NDVI)的棉田土壤肥力质量评价方法.将棉花不同生育期表征长势的NDVI作为评价指标对棉田土壤肥力质量进行评价,再将NDVI与少量理化测定的土壤样点数据(有机质、有效磷含量等)共同作为评价指标,结合地统计方法与遥感影像聚类算法进行评价;并与完全基于土壤样品理化测定数据的评价结果进行比较、探讨基于NDVI评价方法对土壤肥力质量评价结果的准确性与可靠性.研究证明将NDVI与少量理化测定的土壤样点数据作为评价指标,能显著提高评价结果与棉田实际土壤肥力状况的一致性.基于NDVI的土壤肥力质量评价方法快速、简便,其评价结果可为研究绿洲棉田土壤质量及农业结构调整规划、耕地质量保护等提供科学依据.