排序方式: 共有84条查询结果,搜索用时 15 毫秒
31.
32.
穴盘苗全自动移栽机运动协调控制系统设计与移栽试验 总被引:7,自引:0,他引:7
为实现穴盘苗全自动移栽机取苗、移盘和植苗动作驱动系统的分离,简化移栽机机械传动系统结构,以提高其可靠性和作业质量,基于PLC设计了一套穴盘苗全自动移栽机运动协调控制系统,并进行了实际移栽试验。试验结果表明:在运动协调控制系统的控制下,实现了步进电动机驱动苗盘横向进给运动、伺服电动机驱动取苗机械手纵向往复运动、取苗机械手气动垂直取/放苗动作和气动喂苗动作的控制及其与机械驱动植苗动作的同步配合,穴盘苗全自动移栽机可以实现40株/(min·行)的取/放苗速度,在整机单行移栽39.9株/min的平均移栽速度下,样机完成取/放苗过程并最终将钵苗成功喂入栽植器的喂苗成功率达到96.9%。 相似文献
33.
34.
35.
基本苗数量是反映水稻健康水平的重要依据,在分蘖期精准估测水稻基本苗数量可以指导后期的施肥量,从而调控水稻的最佳分蘖数。同时,对水稻长势监测和产量预测具有非常重要的意义。针对传统田间人工统计基本苗数量耗时长、成本高等问题,以江苏大学附属农场镇江润果农场分蘖期水稻为研究对象,利用大疆无人机(M600 Pro型)搭载多光谱相机(Rededge-MX型)获取水稻分蘖期多光谱数据,对原始图像进行图像拼接、辐射校正、几何校正等预处理操作,根据像元纯度系数提取土壤端元和植被端元,建立波谱库,然后按照完全约束最小二乘法的方法执行混合像元分解,构建植被覆盖度和水稻基本苗数量的回归模型。该研究方法获得的模型决定系数R2为0.891,均方根误差RMSE为4.6株/m2。而传统的像元二分法模型(基于NDVI、VDVI和GNDVI植被指数计算植被覆盖度),其决定系数R2为0.834、0.744、0.642,其RMSE为5.7、7.1、8.4株/m2。试验结果表明,基于完全约束最小二乘法的混合像元分解模型评价指标均优于像元二分法模型。本文基于混合像元分解方法有效提高了水稻基本苗统计精度,并且生成了水稻基本苗数量反演图,可以直观统计基本苗数量,为分蘖期水稻补苗、间苗提供指导。 相似文献
36.
为了减少除草剂用量,采用变量喷施除草剂方式进行除草.根据分别建立的杂草面积、喷药机械行驶速度与喷药量关系模型,得知杂草面积和喷药机械行驶速度是影响变量喷施效果的主要因素.为了获取喷药量与车速及杂草面积关系试验数据,设计了室内变量喷药试验台,使用DSP处理器及编码器分别得到杂草面积及喷药机械前进速度信息.结合所获试验数据,设计了一种基于自适应神经模糊推理(ANFIS)的双输入、单输出控制器.对控制器设计过程中输入输出变量的选取、隶属函数的选择及控制器的训练等进行了研究,数据经过30次训练后误差为1.47×10^-5.对控制器的速度采集、串行通信、电磁阀驱动等硬件电路及模糊控制软件流程,进行了设计.在Matlab中建立了自适应神经模糊控制仿真模型,仿真结果表明:在喷头打开时间为0.2 s,喷药机械速度为0~1 m/s,杂草面积在0~100 cm^2时,控制器可自动调节喷药量在0~4 mL变化.与采用传统模糊控制方式相比,该控制器自适应性强,具有较好的应用前景. 相似文献
37.
38.
基于模糊控制的棉田变量对靶喷药除草系统设计 总被引:4,自引:0,他引:4
为实现自动精确去除棉田杂草, 减少除草剂用量,设计了一种以S3C2410处理器为核心,采用模糊控制算法的变量对靶喷药除草系统,实现了自动识别杂草以及根据采集车速、杂草密度信息自动调整流量的功能。设计了双输入、单输出模糊控制器,并对其进行了仿真研究。仿真结果表明,利用该控制器能实现喷药量随车速及杂草密度变化而实时改变。在室内搭建了模拟棉田环境的变量对靶喷药试验台,对喷药系统进行了测试,试验测得在速度0.2m/s时,喷药除草对靶率达90%。 相似文献
39.
联合收割机工作过程智能监控装置的系统集成 总被引:3,自引:3,他引:3
基于模块化分布式系统理念,采用CAN总线,构建了联合收割机工作过程智能监控系统的总体架构,实现了联合收割机清选夹带损失监测装置、负荷反馈控制装置、机械系统故障监测装置、液压系统故障监测装置和电气系统开机自检装置的系统集成,并基于XScaleTM PXA270处理器设计了一套集成显示处理终端,实现了各装置模块工作参数的集中设置,各装置模块所测联合收割机工作状态参数的集中显示、报警和存储。田间试验表明,该系统工作正常,性能可靠,能够适应联合收割机的恶劣工作环境,实现各装置模块的协调工作和信息共享。 相似文献
40.
为探究麦田垄间背景对无人机多光谱小麦赤霉病监测精度的影响,该研究以江苏省镇江市农科院灌浆期小麦为研究对象,利用大疆M600 Pro无人机搭载RedEdge-MX多光谱相机获取小麦冠层多光谱影像。通过筛选与小麦赤霉病相关性最高的植被指数(vegetation indexes,VIs):MSR和CRI2植被指数,并采用大津法(Nobuyuki Otsu method,OTSU)、阈值分割法和支持向量机(support vector machine,SVM)等方法对小麦赤霉病遥感图像进行精细化语义分割,降低田块边缘阴影背景和染病麦穗之间的误判率。试验结果表明:目视解译阈值分割法剔除背景的效果最好(总体精度:92.06 %,Kappa系数:0.84),OTSU阈值分割法(总体精度:90.52%,Kappa系数:0.81)效果次之。采用偏最小二乘回归分别建立小麦病情指数(disease index,DI)与VIs、纹理特征(texture features,TFs)和VIs&TFs小麦赤霉病监测模型,其中VIs&TFs模型监测精度最高,剔除垄间背景前预测模型训练集的决定系数(coefficient of determination,R2)为0.73,均方根误差(root mean square error,RMSE)为5.52,相对分析误差(relative percent deviation,RPD)为2.01,验证集的R2为0.68,RMSE为6.21,RPD为1.96;剔除垄间背景后VIs&TFs模型监测精度依然最高,训练集的R2为0.75,RMSE为5.58,RPD为2.13,验证集的R2为0.77,RMSE为7.13,RPD为2.11。综上所述,基于垄间背景特征的精细化语义分割有效地提高了小麦赤霉病的监测精度,可以直观地了解小麦病情分布情况,可对后续变量施药提供参考依据。 相似文献