基于DeepLabV3+网络的机收大豆破碎率在线检测方法

针对传统大豆联合收获机破碎率在线检测方法以人工检测耗时耗力且受人为主观因素影响的问题,提出基于DeepLabV3+网络的机收大豆破碎率在线检测方法。利用大豆图像在线采集装置获取联合收获机实时收获的大豆图像,使用标注软件对图像进行标注,构建数据集。为进一步提高网络训练速度,在DeepLabV3+网络中主干特征提取网络选用轻量级卷积网络MobileNetV2替代网络Xception;在预测部分,采用加黑边裁剪拼接的方式,提高图像分割精度。试验结果表明：基于DeepLabV3+网络模型对测试集大豆样本图像中破碎籽粒识别的综合评价指标F₁值为89.49%,完整籽粒识别的综合评价指标F₁值为93.93%;建立破碎率量化模型,进行台架试验,采用本文提出大豆破碎率在线检测方法检测结果平均值与人工检测结果平均值相对误差0.36%;为大豆联合收获机作业质量在线检测提供参考。     

基于机器视觉的大豆机械化收获质量在线监测方法

针对大豆机械化收获过程中缺少联合收获机作业质量(破碎含杂率)在线监测装置的问题,提出了基于机器视觉的大豆机械化收获图像采集系统、大豆成分分类识别算法和谷物联合收获机作业质量监测方法.采用改进分水岭算法对大豆图像进行有效分割,筛选RGB和HSV颜色空间特征值,基于颜色特征值对分割后大豆图像各闭合区域进行分类识别,构建了量...     

基于STM32的联合收获机清选损失监测装置的研制

联合收获机清选损失率是评价其工作性能的重要参数,也影响着驾驶员对联合收获机作业的调整。针对目前联合收获机谷物清选损失实时测量精度不高的问题,设计了一种基于STM32F407的谷物清选损失监测装置,包括损失信号传感器、信号处理模块、单片机、CAN总线、LCD显示、报警模块及电源模块。装置能够快速反映籽粒冲击情况,实时采集联合收获机清选损失信号,同时通过CAN总线同步接收联合收获机的相关作业参数,由清选损失计算模型综合上述参数得到实时清选损失率,并将其发送至总线,方便其他系统获取使用。台架实验表明:装置标定误差小于4.53%,能实现与总线的数据交换,实时显示清选损失率;当损失率超标时,能及时提醒驾驶员进行作业调整。     

滚筒转速对玉米籽粒破碎的影响

2018~2020年农业农村部连续三年将“玉米籽粒低破碎机械化收获技术”确立并发布为十项重大引领性农业技术之一。玉米联合收获机械在作业中造成的籽粒破碎率、损失率、含杂率等是评价机械作业质量的重要指标。本文依托漯河市承担的国家、省、市2018~2019年试验示范项目所采集数据,主要分析玉米籽粒联合收获机滚筒转速对作业质量中籽粒破碎的影响,掌握不同脱粒方式、不同种植模式、不同含水率玉米联合收获机不同滚筒转速与籽粒破碎之间的关系。     

油菜联合收获机含杂率在线检测系统设计与试验

针对目前油菜联合收获机含杂率检测主要依靠人工、效率低、实时性差、收获机作业参数调控缺乏依据、收获质量波动大等问题,设计导流式含杂率检测装置,提出油菜杂质视觉识别算法,开发含杂率在线检测系统。基于HSV颜色空间模型,探究导流式含杂率检测装置中单侧条形光源、双侧条形光源和中心环形光源下油菜图像的亮度分布规律,结果表明中心环形光源下图像各像素点的亮度变异系数最小,图像亮度均匀性最好。对比分析含杂油菜图像在HSV颜色空间模型中前三阶像素矩阵各颜色特征参数的分布区间,结果表明油菜籽粒、杂质在H分量中的特征参数范围差异性最显著,并结合油菜籽粒、杂质的圆形度特征,提出综合考虑颜色、形态特征的油菜杂质分割算法。通过标定试验建立油菜籽粒、杂质质量与其像素数的拟合模型,将油菜籽粒和杂质的像素数转换为实际质量,实现油菜含杂率在线检测。台架试验表明,油菜杂质的查准率为91.6%,查全率为89.5%,含杂率检测平均误差为14.8%,能够准确识别油菜籽粒中的杂质并实时计算含杂率。     

贯流风筛清选装置内玉米脱出物运动规律研究

为减少玉米籽粒收获机作业时籽粒清选损失率,利用EDEM建立了玉米脱出物各成分颗粒模型,采用CFDDEM耦合的方法对玉米脱出物在贯流式风筛清选装置中的运动进行了数值模拟。仿真结果表明,透筛杂质为玉米芯且集中在清选装置后部;随着清选装置入口气体速度的提高清选装置清选获得的籽粒清洁率提高,但玉米籽粒清选损失率增加,仿真结果与台架试验结果基本一致。在玉米脱出物喂入量3 kg/s条件下,研究确定清选装置入口气体速度低于11.72 m/s,清选装置清选损失率小于2%,符合玉米籽粒联合收获机正常作业性能要求。     

玉米联合收获机清选损失监测装置设计与试验

针对玉米籽粒收获时,损失率检测不准的问题,以压电薄膜作为敏感材料,设计了一种由冲击传感器、信号处理电路和安装装置等组成的玉米收获机籽粒清选损失监测装置,并采用支持向量机多分类算法提取玉米籽粒冲击信号,实现了玉米籽粒损失的实时监测。首先,在不同冲击角度和高度的试验条件下,对不同大小的玉米籽粒和杂余进行冲击信号的采集试验,提取冲击信号的主要特征。采用支持向量机多分类算法对模型进行训练,并在监测装置上实现实时分类。使用不同品种和含水率玉米对分类模型进行验证。然后,在不同风机转速和清选筛开度条件下,得到测试时间内传感器检测的籽粒数与总损失量之间的关系,并根据谷物流量值,计算得到实时的清选损失率。最后,将该监测装置安装在4YL-8型玉米联合收获机上进行田间试验。结果表明,该监测装置与人工检测相比,平均相对误差为12.98%,可以为收获机的控制提供反馈信息。     

玉米联合收获机摘穗装置比较分析研究

摘穗装置是玉米联合收获机和玉米摘穗割台的核心部件之一,其技术性能优劣直接影响玉米联合收获机和玉米摘穗割台的作业质量.针对现有玉米联合收获机和玉米摘穗割台的摘穗装置,存在的收获损失大、籽粒破碎严重、适应性不强的问题,对摘穗装置性能进行比较分析,改进了优化玉米摘穗装置的技术性能,提高了玉米联合收获技术水平.     

玉米果穗联合收获机的正确使用调整

玉米果穗联合收获机的调整主要包括割台、倾斜输送器、升运器、剥皮输送机、籽粒回收装置、秸秆切碎器的调整。只有充分了解收获机的构造和工作原理、熟练掌握收获机的正确调整方法,才能更好地使用收获机作业达到理想的效果。     

基于MobileViT模型的小麦收获机喂入密度分类方法

基于喂入量的作业速度智能化控制技术是优化联合收获机作业效率和质量的重要手段。本文针对传统喂入量自动控制技术时滞明显,在喂入量调整时无法及时适应实际情况的问题,采用基于图像的深度学习方法开展了成熟期小麦植株密度等级分类识别方法研究,通过预先感知作物密度,实现联合收获机作业参数的自动调整。首先基于车载相机和无人机图像构建了小麦植株图像数据集,并细分为低密度、中密度、高密度和特高密度4类;其次构建了基于MobileViT-XS轻量化网络的密度等级识别模型,利用建立的数据集进行模型的训练和测试;最后将其与VGG16、GoogLeNet和ResNet进行了比较。结果表明,MobileViT-XS模型的总体识别准确率达到91.03%,且单幅图像推理时间仅为29.5ms。与VGG16、ResNet网络相比,总体识别准确率分别高出3.51、2.34个百分点,MobileViT-XS模型可以较好的完成小麦不同密度等级的分类识别任务,为实时预测小麦喂入密度提供了技术支持。     

联合收获机清选装置的调整

<正>谷粒刚收获时良莠不齐,不只是饱满和成熟的籽粒,还有不成熟的、破碎的谷粒,此外还包含许多杂质,如草籽、泥沙、断穗、颖壳等,所以必须对收获后的谷粒进行清选,选出合乎要求的籽粒。联合收获机因为是联合收获的,上面也设置了谷物清洗装置。清选装置是谷物收获机械的主要工作部件,它对整机工作质量的好坏有很大影响,直接影响着联合收获机的清洁率、损失率、生产率等多项指标。联合收获机清选装置在工作中由于磨损、松动、变形等因素造成各部     

玉米联合收获机作业注意事项

玉米联合收获机作业前应平稳结合工作部件离合器,油门由小到大,到稳定额定转速时,方可开始收获作业。田间作业时,要定期检查切割粉碎质量和留茬高度,根据情况随时调整割台高度。根据抛落到地上的籽粒数量来检查摘穗装置的工作,籽粒的损失量不应超过玉米籽粒总量的0.5%,当损失大     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

基于YOLO v5和多源数据集的水稻主要害虫识别方法

针对水稻稻纵卷叶螟和二化螟成虫图像识别中自动化程度较低的问题,引入目标检测算法YOLO v5对监测设备和诱捕器上的稻纵卷叶螟和二化螟成虫进行识别与计数。依据稻纵卷叶螟和二化螟的生物习性,采用自主研发的水稻害虫诱集与拍摄监测装置,自动获取稻纵卷叶螟和二化螟成虫图像,并与三角形诱捕器和虫情测报灯诱捕拍摄的稻纵卷叶螟和二化螟成虫图像共同构建水稻害虫图像数据集;采用左右翻转、增加对比度、上下翻转的方式增强图像数据集;对比了不同训练模型对三角形诱捕器和监测设备诱捕拍摄的水稻害虫图像的检测性能,并对比稻纵卷叶螟成虫不同训练样本量对识别结果的影响,用精确率、召回率、F1值、平均精度评估各模型的差异。测试结果表明,测试集图像为三角形诱捕器和监测设备诱捕拍摄虫害图像时,稻纵卷叶螟识别的精确率和召回率分别达到91.67%和98.30%,F1值达到94.87%,二化螟识别的精确率和召回率分别达到93.39%和98.48%,F1值达到95.87%。不同采样背景、设备构建的多源水稻害虫图像数据集可以提高模型对水稻害虫识别的准确性。基于YOLO v5算法设计的水稻害虫识别计数模型能够达到较高的识别准确率,可以用于...     

4YL-4型自走式玉米籽粒联合收获机设计与试验

山东省位于黄淮海地区,玉米收获时籽粒含水率一般超过30%,直接进行籽粒收获破碎较高,很难满足生产需求。为解决籽粒收获时破碎率高的问题,设计了4YL-4型自走式玉米籽粒联合收获机。该机配置了柔性脱粒装置、高效清选装置及秸秆还田机,能够完成摘穗、果穗收集、输送排杂、低损脱粒及秸秆粉碎还田等工序。田间试验结果表明:该机功能高度集成,作业效率高,操控舒适性好,生产效率高,主要性能指标达到国家标准。     

油莎豆收获装备的设计研究

油莎豆属莎草科莎草属的一年生块茎草本植物,根系发达,收获难度大,直接收获易造成籽粒破碎,作业质量较难保证。本文研究设计一种油莎豆收获机,主要由机架、输送分离装置、脱粒分离装置、清选装置等部件组成,采用多重清选功能使该机具有良好的流动性和分离性,可实现油莎豆机械化收获过程中籽粒与杂质土、根茎的高效分离清选。本文以籽粒损失率和含杂率为评价指标,通过设置各部分不同转速,进行3因素3水平正交试验,最终确定油莎豆收获机的最佳参数组合,为各关键部件设计、改进及参数选择提供依据。     

轮式谷物联合收获机视觉导航系统设计与试验

为提高联合收获机收获质量与效率,构建了轮式谷物联合收获机视觉导航控制系统,结合OpenCV设计了谷物收获边界直线检测算法识别水稻田间已收获区域与未收获区域边界,经预处理、二次边缘分割和直线检测等得到联合收获机视觉导航作业前视目标路径,并根据前视路径相对位置信息进行田间动态标定获得联合收获机满幅收获作业状态;提出了一种基于前视点的直线路径跟踪控制方法,通过预纠偏控制实现维持满割幅的同时防止作物漏割,以相对位置偏差值和实时转向后轮转角作为视觉导航控制器的输入,并根据纠偏策略对应输出转向轮控制电压大小。稻田试验结果表明,该导航系统实现了轮式联合收获机田间相对位置姿态的可靠采集及目标直线路径跟踪控制的稳定执行,在田间照度符合人眼正常工作的情况下,收获边界识别算法检测准确率不低于96.28%,单帧检测时间50 ms以内;以不产生漏割为前提的视觉导航平均割幅率为94.16%,随作业行数增多,割幅一致性呈提高趋势。本研究可为联合收获机自动导航满割幅作业提供技术支撑。     

基于多种深度学习算法的田间玉米籽粒检测与计数

为快速准确获取玉米收获过程中遗失籽粒数信息,进行收割损失调节等管理,对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先,利用RGB相机获取包含不同背景和不同光照的图像数据,并进一步生成数据集;其次,构建籽粒识别的不同目标检测网络,包括Mask R-CNN、EfficientDet-D5、YOLOv5-L、YOLOX-L,并利用所采集的420幅有效图像对构建的四种网络进行训练、验证、测试,图像数分别为200、40和180幅;最后,依据测试集图像的识别结果进行籽粒计数性能评价。试验结果表明,YOLOv5-L网络对测试集图像检测的平均精度为78.3%,模型尺寸仅为89.3 MB;籽粒计数的检测正确率、漏检率和F₁值分别为90.7%、9.3%和91.1%,处理速度为55.55 f/s,识别与计数性能均优于Mask R-CNN、EfficientDet-D5和YOLOX-L网络,并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测,精度高、适用性强。     

基于特征选择的小麦籽粒品种识别研究

为有效地对小麦籽粒品种进行分类，判别影响小麦籽粒品种识别的特征，进行基于特征选择的小麦籽粒品种识别研究。首先采集农大3416-18、内乐288、衡水6632、百农419、洛麦28和新麦26六个品种的小麦籽粒图像18 000张，对采集的图像进行预处理，提取小麦籽粒的颜色特征、形态特征和纹理特征三大类共28个特征值，并对特征进行相关性分析。然后分别构建不同特征融合模型以及数据降维和数据增强模型。最后进行试验分析，基于纹理+形态+颜色三个特征融合模型平均识别准确率为91.02%，其中基于纹理+形态+颜色特征模型的洛麦28识别率最高，达97.0%；经过线性判别分析，降维处理的小麦特征数据识别准确率达86.19%，模型训练时间仅0.87 s；基于数据增强后的平均识别准确率达94.26%。试验表明基于特征选择的小麦籽粒识别是可行的，有助于育种工作者对小麦籽粒识别做出更准确判断，具有一定的实际意义。     

一种水稻育苗高速精量播种粒数识别装置的设计

为准确掌握水稻育苗高速精量播种的播种量和种粒分布,采用视频识别分析技术,设计一种水稻育苗高速精量播种粒数识别装置。通过识别采集图片和分析数据,直观地反应育苗秧盘内的种粒分布情况,对提高水稻育苗播种作业质量具有重要意义。