谷物联合收获机在线测产技术研究现状与进展

为加速推进中国智慧农业发展,深入了解精准农业技术体系中田间谷物产量在线监测技术的研究现状,该研究重点概述了国内外谷物联合收获机在线测产方法,包括动态称量测量、体积测量、冲击力测量、射线测量及其他测量方法,介绍了不同测量方法的原理和测产传感器的关键技术与应用。从可行性、通用性、稳定性与准确性方面,分析归纳了中国当前谷物产量在线监测技术所存在的主要问题,指出冲击力测量方法应用广泛,但尚未考虑谷物与冲击板碰撞时对谷物造成的机械损伤等问题。同时,该研究提出了谷物联合收获机在线测产技术未来的研究重点与发展方向,旨在为作物产量信息监测技术与智能化农业机械装备的发展和应用提供理论依据和技术参考。     

谷物联合收割机远程测产系统开发及降噪试验

为降低田间振动干扰对谷物产量检测精度的影响,同时增加测产系统的实用性,设计了一种基于CAN总线技术、无线通信技术以及计算机网络技术的新型谷物智能测产系统。系统包括车载子系统和远程监测子系统2个部分,实现了谷物产量的现场监测、产量图绘制、远程监控与收获作业管理等功能。车载部分设计了弧形冲量传感器,提出了机械减振和双板差分方法来降低收割机振动对谷物流量测量的影响,采用数字阈值滤波的方法来提高谷物产量的测量精度,并建立了总产量和单位面积产量的数学模型。田间动态试验结果表明双板回归差分方式滤除干扰的效果优于直接差分,其最大测产误差为8.03%,测产平均误差为3.27%,最大测产误差比直接差分方式降低了7.12个百分点,最后绘制了试验地块的产量分布图。另外,系统的远程监控部分开发了界面友好的收获作业管理系统,实现了谷物产量的远程监测与管理。系统总体运行性能良好,满足了测产需要。     

实时识别行间杂草的机器视觉系统

在实验室环境条件下,开发和测试了识别行间杂草的机器视觉系统。硬件系统主要由速度可控的土壤箱设备、三台实时采集图像的摄像机和计算机组成;软件系统根据植物和背景的颜色特征二值化图像,再根据田间作物的位置特征识别作物和行间杂草。实验表明,采集并处理一幅大小为710×512像素的彩色图像的平均时间为426 ms,系统的正确识别率达到了86%。     

基于机器视觉的板栗分级检测方法

为实现合格和缺陷板栗的分级,研究了1种基于BP神经网络与板栗图像特征的板栗分级方法。试验以罗田板栗为研究对象,提取的颜色及纹理等8个特征值,通过主成分分析提取相应的主成分得分向量构成模式识别的输入。利用BP神经网络方法建立了板栗分级模型。试验结果表明,在图像信息主成分因子数为3,中间层节点数为12时,建立的模型最佳,模型训练时的回判率为100%,预测时识别率达到了91.67%。研究结果表明基于机器视觉技术的针对缺陷板栗分级检测方法是可行的。     

基于机器视觉技术的淡水鱼品种识别

为了后续加工便利,需要对打捞上来的淡水鱼进行分类,而且分类是淡水鱼加工前处理的重要工序之一。为了实现淡水鱼的自动分类,该研究通过收集常见的4种淡水鱼240条为试验样本,分别为鲢鱼、鲫鱼、鳊鱼和鲤鱼。通过运用机器视觉技术采集各种淡水鱼的图像,并运用数字图像处理技术对图像进行处理,提取其各个颜色分量及长短轴之比等特征值,最后运用该特征值建立有关淡水鱼的品种识别模型。研究表明,通过该识别模型可以完全实现对鲢鱼、鲫鱼、鳊鱼和鲤鱼这4种淡水鱼的品种的识别,准确率达到96.67%。机器视觉技术可以快速准确对常见的淡水鱼进行品种识别,具有较强的实际应用价值。     

农业机械机器视觉导航研究

该文对农业机械机器视觉导航的关键问题图像处理和路径控制进行了深入的研究,采用基于Hough变换和动态窗口技术的图像处理算法提取自然环境下的导航特征,根据系统辨识试验的结果和农业机械机器视觉导航的特点建立了仿真模型,并在通用型轮式拖拉机上建立试验系统对图像处理和控制算法进行验证,取得了良好的试验结果.     

基于机器视觉的大豆籽粒精选技术

为实现大豆精选模型的设计,选择东农405、东农410、东农634 共3个大豆品种,以正常豆、灰斑豆、霉变豆、虫蚀豆为研究对像,采用可脱离PC机独立工作的智能摄像头获取分析豆粒图像。通过动态阈值分割算法分离豆粒与背景,提取豆粒图像的形状、颜色、纹理3方面的特征参数15个。采用BP神经网络建立分类模型,模型平均识别准确率达98%。试验选择2000粒大豆样本对精选装置进行测试,测试结果显示：该装置对正常豆、灰斑豆、霉变豆和虫蚀豆的筛选精度分别达到98.3%、93.4%、92.2%、95.9%,筛选效率达到每分钟300粒,将机器视觉技术应用于大豆精选机的设计中是可行的。     

谷物联合收割机测产数据中的误差分析与处理

产量分布图作为实施精细农业的起点与农业生产管理决策的基础，其精度至关重要，而产量数据误差分析与处理则是提高产量分布图精度的关键。通过连续两年使用带有测产系统的联合收割机进行收获试验，并对得到的产量数据进行分析，发现产量数据中主要存在三类误差，即割幅宽度设置误差、填充时间误差和延迟时间误差。讨论了这三类误差的产生原因、识别和处理方法，并对小麦和玉米在不同收获条件下的误差进行了比较。分析结果表明，割幅宽度设置误差数据所占的比例一般小于6%，填充时间误差数据大于10%，延迟时间误差数据小于1%。     

基于机器视觉的马铃薯晚疫病快速识别

晚疫病是马铃薯的一种严重病害,可造成减产甚至绝收。因此马铃薯晚疫病的识别与控制对提高其产量有非常重要的意义。该文基于机器视觉技术对马铃薯叶部晚疫病进行检测,根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同,提取叶片表面的特征参数,并建立数学模型对病害程度做出评价。在RGB、HSV颜色空间中,根据马铃薯叶片在患病早期叶片颜色发生变化且与健康叶片不同,利用颜色特征,建立马铃薯晚疫病的无病和患病模型,该模型对马铃薯患病早期的识别率为67.5%。利用灰度共生矩阵,采用纹理统计参数进行病害等级评价,用熵值和能量值描述晚疫病的严重程度,纹理特征对患病程度的识别率比较稳定,对患病中期与后期的识别率分别为72.5%与80%。利用形状特征的相对特征,根据病斑面积比进行晚疫病诊断,该方法对马铃薯叶片晚疫病患病后期的诊断取得较好效果,识别率为90%,但由于叶片患病早期的病斑面积小且分散,识别难度大,识别率仅为50%。针对颜色、纹理及形状特征在识别马铃薯叶片晚疫病时的优势与局限性,提出颜色纹理形状特征结合的识别方法,对患病中期与后期的识别率分别为90%和92.5%。通常马铃薯晚疫病的理化值检测法耗时数天,但利用机器视觉识别马铃薯晚疫病患病情况非常快速,根据颜色特征进行病害识别的时间约为4 s,纹理特征识别的时间为7 s,形状特征特征识别的时间为3 s,综合颜色纹理形状特征的识别由于计算量较大,识别时间为9 s。该研究可为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。     

基于机器视觉图像特征参数的马铃薯质量和形状分级方法

马铃薯自动分级过程中,存在既要保证分级精度又对分级速度有一定要求的难点问题。该文探讨了利用机器视觉技术快速获取马铃薯图像特征参数,结合多元线性回归方法,建立马铃薯质量和形状分级预测模型,实现基于无损检测的马铃薯自动分级。搭建了同时获取马铃薯三面投影图像的机器视觉系统,通过图像数据处理获得马铃薯俯视图像轮廓面积、两侧面图像轮廓面积、俯视及侧面图像外接矩形长度及宽度数据等图像特征参数,通过多元数据回归分析,建立了马铃薯质量和形状分级预测模型。选择100个试验样本运用该方法进行质量和形状分级模型构建和预测,采用电子称获取样本实际质量,采用目测法对马铃薯进行形状分选。对比试验结果表明,质量分级相关度系数R为0.991,形状分级分辨率为86.7%。表明该方法对马铃薯质量和形状分级进行预测具有可行性,可运用于马铃薯自动分选系统中。     

基于CAN总线的谷物产量快速计量系统研发

It depended on the spatial and temporal variation of soil and grain yield to implement precision agriculture.Grain yield monitoring on combine harvester was a cornerstone of precision fertilization.The intelligent grain yield monitoring system with the sensors and DGPS (differential global positioning system), which was loaded on the combine harvester, could get the different blocks’ yield and produce the yield map.In this study, a new grain yield monitoring system based on CAN bus technology was developed.The system consisted of sensor unit, data acquisition unit, GPS module and LCD (liquid crystal display) terminal.The grain yield data were collected by the grain flow sensor, and processed by the signal condition circuit.And then the grain yield data and GPS signal were transmitted to the control unit by CAN bus.With the algorithm of grain yield conversion, all the collected data including real-time grain yield, harvest area and average grain yield were displayed on the LCD terminal.Flow sensor unit included grain yield flow sensor, force impact plate and mounting bracket.The sensor frame was mounted at the top of clean grain elevator of combine harvester.When the elevator paddles rotated around the sprocket, grain was propelled towards a flat impact plate.As grain momentum was lost in the subsequent collision with the impact plate, an effective force was measured by the impact parallel-beam load cell.Along with the calibration relationship between measured force and mass flow rate, the output of the impact parallel-beam load cell could indicate the flow rate of grain yield.Data acquisition unit included power conversion circuit, sensor signal acquisition circuit, analog-to-digital conversion circuit and CAN communication circuit.It could fulfill data acquisition function, CAN communication function and interrupt handling function.LCD terminal had the function of sensor detection, the function of GPS information collection, parameter calibration, data display and storage.It could display the real-time grain yield, total yield, average yield and harvest area.In order to evaluate the grain yield monitoring system, 3 experiments which included static performance experiment of grain yield flow sensor, platform test experiment of grain yield monitoring system and dynamic performance experiment on combine harvester were carried out.The result of platform test experiment showed that the system error between predicted yield and measured yield was less than 3% and the system could avoid the effect of vibration from the platform effectively.Field dynamic experiment showed that the system error was less than 5%.Both the experimental results indicated that the grain yield monitoring system could satisfy the need of practical production.     

压力式谷物产量监测系统优化与试验验证

为了提高谷物收获作业过程中谷物产量在线监测的精度,研制了基于谷物流压力原理的车载谷物产量在线监测系统,该系统包括谷物流量监测装置、定位装置、割台高度控制开关、核心处理器以及人机交互装置.以谷物产量与谷物流压力间的谷物产量监测数学模型为指导,搭建了谷物产量监测试验台,采用Box-Behnken试验设计方法优化谷物流量监测...     

基于机器视觉的玉米精准施药系统作物行识别算法及系统实现

识别作物行中心线并实现喷药喷头的自动对准是精准施药系统实现的关键技术。为克服作物行识别算法的单一性和适应性不强的缺点,该文以生长早中期的玉米图像为研究对象,利用改进的过绿特征法和改进的中值滤波算法分割出作物行,减少处理时间和去除噪声;然后在行提取时只保留包含作物行信息的中间作物行,通过随机Hough变换检测出作物行中心线,并根据世界坐标与图像坐标的转换和相对距离得到偏差信息:最后实现了系统的硬件搭建并给出了实际运行效果。不同图像的试验和处理结果表明,该算法在背景分割、作物行提取和偏差信息获取方面具有一定的优势,可适用于不同作物及不同视野图像的作物行算法识别,对精准施药的研究具有一定的参考价值。     

基于机器视觉的松林天牛远程智能监测系统

松墨天牛和褐梗天牛是松树上两种重要蛀干害虫,及时获取松林天牛的数量变化趋势是松林害虫精准防治的重要前提。为此,该研究构建一款基于机器视觉的松林天牛远程智能监测系统。系统主要由诱捕器模块、天牛检测模块和系统Web端三部分组成。诱捕器模块通常放置于松林重点区域来诱捕天牛害虫,并通过摄像头定时采集天牛图像;天牛检测模型部署于边缘端,以深度学习YOLOv5s模型为基础搭建轻量化检测模型,实现边缘端的天牛实时检测统计;检测结果经无线传输在系统Web端进行呈现,实现天牛数据可追溯。试验结果表明,智能监测系统对天牛监测效果良好,模型的准确率为94.4%,召回率为93.6%,IoU阈值为0.5下的平均精度均值(m AP0.5)为96.2%,单张推理耗时为1.40 s,模型大小为9.3 MB;用户可通过系统Web端查看天牛数量变化趋势。该系统可实现诱捕器场景下的天牛远程智能监测,对提高森林害虫防控智能化水平具有重要意义。     

精细育种田间局部定位系统的研制

为实现田间精细化育种,提出田间精细育种的概念并研发一种适合田间精细化育种中具有GPS定位功能的田间局部定位系统。该系统主要由全方位视觉传感器、人工标识、PC和PC软件构成;人工标识采用1个主标识和3个从标识。主要通过阈值提取人工标识的特征像素,根据2个相邻像素的欧几里得几何距离进行像素分块和求出像素分块的重心作为标识在图像中的位置求出方位角度,依据圆周角定理和几何关系推导出定位公式来计算传感器相对标识的几何位置。在室外为30?m×30?m的水平草坪上进行试验,试验结果显示估算点和选取点间距离的均方根误差约15?cm。该定位系统对于精细育种田间位置取点、精准施肥、喷药以及制作产量图是可行的。     

机器视觉在幼苗自动移钵作业中的应用

该文提出了一套在自动幼苗移钵作业中用于幼苗生长状况检测的机器视觉系统。穴盘中幼苗的图像被采集和处理,识别出适合进行移钵的单元,用于自动幼苗移钵机的移钵作业。相邻单元的幼苗边缘重叠和叶片挤压会造成识别错误,在该研究中以番茄幼苗作为试验样本,使用基于形态学的分水岭算法处理来完成叶片边缘分割,提取每个穴孔中幼苗的叶片面积和叶片周长来确定适合进行移钵的单元。试验结果表明该机器视觉系统识别准确率达到了98%,应用于自动幼苗移钵机器人中可以很好地判断不同生长状况的秧苗生长质量。