基于热裂解和电子鼻的土壤全氮检测方法及特征优化

土壤氮是作物生长发育所必需的营养元素,也是衡量土壤肥力特征的重要指标.为快捷准确测定土壤全氮含量,该研究提出了一种基于热裂解和电子鼻的土壤全氮含量检测方法.采用10种不同类型的气体传感器构建传感器阵列,并对其进行了不同浓度甲烷、氯乙烯和氨气等标准气体的响应测试试验.使用马弗炉裂解土壤样本得到裂解气体,采用气体传感器阵列...     

基于人工嗅觉系统的土壤有机质检测方法研究

为了实现土壤有机质快速、准确的测量,提出了一种基于人工嗅觉的土壤有机质含量检测方法。首先,由不同温度控制的10个气体传感器所构成的阵列对土壤样品气体进行采集;然后,提取每个传感器响应曲线上的7个特征(包括最大值、最小值、平均值、平均微分系数、响应面积、第30秒的瞬态值和第60秒的瞬态值),构建嗅觉特征空间;对特征空间优化后,采用回归算法建立预测模型。为减小不同测定算法、异常样本以及冗余特征对模型预测性能的影响,在应用蒙特卡罗抽样(Monte Carlo sampling,MCS)法剔除异常样本的基础上,采用主成分分析(Principal component analysis,PCA)法对特征空间进行降维处理,评估了包括偏最小二乘法回归(Partial least square regression,PLSR)、支持向量机回归(Support vector machine regression,SVR)和BP神经网络(Back propagation neural network,BPNN)等3种建模方法对土壤有机质含量的预测性能,选用决定系数R2、均方根误差(RMSE)和预测偏差比(RPD)评价各模型的预测性能。测试集验证结果表明,PLSR、SVR和BPNN这3种模型的预测值和样本的观测值之间的R2分别为0. 86、0. 91和0. 85,RMSE分别为2. 49、2. 05、2. 68 g/kg,RPD分别为2. 49、3. 02和2. 32。SVR模型的预测性能高于PLSR模型和BPNN模型,可对土壤有机质含量进行准确预测。     

免耕播种机星齿凹面盘式清秸防堵装置设计与试验

针对东北地区免耕播种机在玉米秸秆全量粉碎还田作业时,平面爪轮式清秸防堵装置清秸率低、作业性能不稳定,播种机作业质量和工作效率降低等问题,设计一种星齿凹面盘式清秸防堵装置。通过分析作业时秸秆颗粒在凹面清秸盘上的运动规律,确定了影响清秸率的主要结构参数和各参数的取值范围。结合旋转正交试验设计和EDEM离散元仿真技术确定了星齿凹面清秸盘的最优结构参数组合,通过田间对比试验验证了该装置的作业性能。研究结果表明:影响星齿凹面盘式清秸防堵装置作业性能的主要结构参数为清秸盘回转半径、圆盘曲面投影长度和曲率半径。当清秸盘回转半径为152. 5 mm、曲率半径为160 mm和圆盘曲面投影长度为50. 9 mm时,该装置作业性能最佳,苗带清秸率和作业阻力分别为92. 2%和142. 6 N。星齿凹面盘式清秸防堵装置的工作性能优于平面爪轮式防堵装置,作业质量稳定,满足免耕播种作业农艺和技术要求。     

基于GPRS的土壤墒情远程监测系统

为了实时了解土壤墒情信息,为旱情预报预警及农业灌溉提供基础数据,设计了一套基于GPRS的土壤墒情远程监测系统。该系统利用太阳能供电,以STC12C5A60S2单片机作为主控单元核心控制器,通过GPRS网络进行土壤墒情数据无线传输。通过上位机软件的开发设计,可实现多个终端节点土壤墒情信息的动态实时监测。试验结果表明,系统运行稳定,满足设计要求,能够为农业灌溉提供可靠的依据。      

基于多传感器人工嗅觉系统的土壤有机质含量检测方法

为了实现对土壤有机质含量的快速、方便、准确测量,本文提出了一种基于多传感器人工嗅觉系统的土壤有机质含量检测方法。选取10个不同型号的氧化物半导体式气体传感器组成传感器阵列,并采用不同浓度的硫化氢、氨气和甲烷等标准气体对传感器阵列进行了响应测试,从响应曲线可以看出,传感器阵列对不同浓度、种类的标准气体皆有响应且响应结果不同,随着标准气体浓度的增大传感器阵列的响应曲线也随之上升,表明传感器阵列具有较高的特异性和一定的交叉敏感性。提取每个传感器土壤气体响应曲线上的响应面积、最大值、平均微分系数、方差、平均值和最大梯度6个特征构建人工嗅觉特征空间。采用偏最小二乘法回归(PLSR)、支持向量机回归(SVR)和BP神经网络(BPNN)算法建立人工嗅觉特征空间与土壤有机质含量关系的预测模型,使用决定系数(R²)、均方根误差(RMSE)和绝对平均误差(MAE)评估预测模型的性能。试验结果表明,PLSR、BPNN、SVR测试集的R²分别为0.808 78、0.871 79和0.919 57,RMSE分别为3.678 4、3.161 4、2.425 4 g/kg...     

基于BLDCM的智能播种控制系统设计

针对地轮驱动的玉米排种工作方式存在地轮打滑而造成漏播率增加的问题,设计了基于无刷直流电机驱动(Brushless Direct Current Motor,BLDCM)的智能播种控制系统。该系统以STM32单片机作为PID控制器的核心处理器,利用无刷直流电机作为排种器驱动源,并通过增量式编码器实时采集排种器的转速,同时利用霍尔传感器获取播种作业速度。为实现PID控制的最优化,在Simulink环境下建立无刷直流电机的仿真模型,并结合PSO(Particle Swarm Optimization,粒子群优化)算法对PID参数进行优化设计。仿真结果表明:经PSO整定后,PID控制器的阶跃响应效果良好,超调量为4%,调节时间为0.12s。田间试验结果表明:在低速、中速、高速和变速作业条件下,本电机驱动系统较传统地轮驱动系统在漏播指数方面分别降低了0.9%、1.1%、1.4%和1.3%,在播种合格指数方面分别提高了1.8%、3.8%、2.8%和1.7%。     

基于GPRS和GSM的水稻智能灌溉系统

针对目前水稻远程灌溉系统存在的硬件资源浪费、系统响应差等弊端,应用了一种"服务器—用户手机"直接通讯的方式,并设计了一套基于GPRS(General Packet Radio Service)和GSM(Global System for Mobile Communications)的水稻智能灌溉系统。该系统以STC12C5A60S2单片机作为现场终端的核心处理器,通过GPRS DTU无线通信模块完成现场终端与远程服务器之间的通讯,利用GSM短消息方式实现用户手机与远程服务器之间的信息交互,极大地减少了现场终端的任务处理量,加快了系统的实时性。系统能够通过液位传感器获取田间水位信息,并根据水稻不同时期的需水量完成灌溉或排水操作。同时,系统通过对水稻灌溉监控管理软件的设计实现了服务器软件监控和用户手机监控的双重监控功能。试验结果表明,该系统工作稳定,灌溉控制精度在93%以上,能够达到远程监控、灌溉的目标。     

保压/保型抑制压后切碎玉米秸秆块回弹机理

为揭示保压和保型抑制压后秸秆块回弹机理,优化压缩工艺,提高压后秸秆块的尺寸稳定性,该研究以切碎玉米秸秆为材料,进行了不同压缩条件下保压和保型特性试验及不同压缩工艺下秸秆块尺寸稳定性试验。结果表明,保压和保型150 s可使秸秆块的尺寸稳定系数分别增大1.52～4.26和4.36～6.78个百分点,两者均能抑制压后秸秆块回弹,但机理不同,保压抑制回弹机理为：从增大压缩位移和减小回弹位移2个方面减小相对回弹位移,从而增大秸秆块的尺寸稳定系数,其本质为增大压后秸秆块中的黏性应变;保型抑制回弹机理为：减小秸秆块中的残余应力,保型150 s可使秸秆块的残余应力减小约40%,从而减小压后秸秆块回弹,增大秸秆块的尺寸稳定系数,其本质为减小秸秆块中残余黏弹力。不同压缩条件下保压和保型稳定效果对比分析的结果表明,在同一压缩条件下,保型的稳定效果总是优于保压。该研究结果可为切碎玉米秸秆压捆和冷压成型工艺及装置研发提供依据,也可为其他生物质及小粒径秸秆压制成型提供参考。     

指夹式玉米免耕精密播种机振动特性及对排种性能的影响

为研究2BMZ-2型指夹式玉米免耕精密播种机在免耕地表作业时的振动特性及振动对排种器排种性能的影响规律,建立了整机振动特性模型,求解其稳态振动响应;测试播种机在免耕地表作业时排种器振动特性。搭建振动排种试验台模拟田间作业振动环境,测试机械振动对排种器性能的影响规律,并运用高速摄像和与图像目标追踪技术研究籽粒落种运动规律。结果表明,播种机的振动特性主要决定于作业速度、地表及土壤情况和播种机的结构特性。播种机前进速度在5～9 km/h范围内,播种机振动能量的频率分布主要集中在低频段的3～11 Hz;前进速度越大,振动加速度越大,但不影响振动能量的频率分布。机械振动对排种器充种性能无显著性影响,对播种性能具有显著性影响的试验指标为播种合格率、粒距纵向变异系数和粒距横向变异系数(P0.05);试验因素对排种均匀稳定性影响的主次顺序为排种轴转速、振动加速度、振动频率;各试验因素的增大均使籽粒下落轨迹及落点更加离散、落种范围增大,且增大排种轴转速使落种点位置逐渐远离投种初始位置。该研究为免耕播种机指夹式排种器排种性能的提高提供了参考。     

基于MEA-BP神经网络的土壤养分评价模型

针对BP神经网络在解决复杂非线性问题时,存在初始权值和阈值随机赋值,网络学习速度慢,局部极小的问题,运用群体搜索能力强的思维进化算法(MEA),寻找出最优的初始权值和阈值,优化BP神经网络的网络结构,建立MEA-BP神经网络的土壤养分等级评价模型。以敦化市黑土的土壤养分数据作为测试集,评价指标选用土壤的有机质、全氮、速效氮、速效磷和速效钾。对比MEA-BP网络预测模型、遗传算法(GA)优化BP网络预测模型和单一的BP网络预测模型,结果表明MEA-BP网络预测模型的均方误差(MSE)最小、决定系数(R^2)最接近1和误差波动最小,可以更准确地反映土壤养分分级特性。