基于ViT-改进YOLOv7的稻田杂草识别

为解决光线遮蔽、藻萍干扰以及稻叶尖形状相似等复杂环境导致稻田杂草识别效果不理想问题,该研究提出一种基于组合深度学习的杂草识别方法。引入MSRCP（Multi-Scale Retinex with Color Preservation）对图像进行增强,以提高图像亮度及对比度;加入ViT分类网络去除干扰背景,以提高模型在复杂环境下对小目标杂草的识别性能。在YOLOv7模型中主干特征提取网络替换为GhostNet网络,并引入CA注意力机制,以增强主干特征提取网络对杂草特征提取能力及简化模型参数计算量。消融试验表明：改进后的YOLOv7模型平均精度均值为88.2 %,较原YOLOv7模型提高了3.3个百分点,参数量减少10.43 M,计算量减少66.54×10⁹次/s,有效提高模型速度与精度。识别前先经过MSRCP图像增强后,改进YOLOv7模型的平均精度均值提高了2.6个百分点,模型对光线遮蔽、藻萍干扰以及稻叶尖形状相似的复杂环境下平均精度均值分别提高5.3、3.6、3.1个百分点;再加入ViT分类网络后,模型平均精度均值进一步提高,较原模型平均精度均值整体提升了4.4个百分点,在复杂环境下的平均精度均值较原模型整体提升了6.2、6.1、5.7个百分点。ViT-改进YOLOv7模型的平均精度均值为92.6 %,相比于YOLOv5s、YOLOXs、MobilenetV3-YOLOv7、YOLOv8和改进YOLOv7分别提高了11.6、10.1、5.0、4.2、4.4个百分点。研究结果可为稻田复杂环境的杂草精准识别提供支撑。     

多柔性指滚筒菠萝采收机构工作原理及设计

菠萝机械化收获的研究目前处于初期阶段。该研究设计了一种多柔性指滚筒菠萝采收机构,模拟人工采收方式形成折断力矩使水果与植株分离。首先,提出一种通过两组柔性指与菠萝作用形成折断力矩使菠萝花萼处脱落层断裂的采收方法,并测量了该采收方法下脱落层的折断力矩;其次基于柔性指与菠萝作用时产生大变形的特点,确定了以伪刚体模型表征柔性指大变形的方法;根据采收机构模型和菠萝物理、力学特性建立了采收力学模型,确定了菠萝临界损伤条件下的收获评价函数,并基于所建立的模型求出了采收机构的最佳结构参数和收获可能性区域。最后,结合理论分析试制了样机进行台架试验,试验结果表明：当菠萝处于收获可能性区域内时,两滚筒相对倾角为35°,左侧柔性指长度为120 mm、相邻两指间隙为30 mm,右侧柔性指长度为150 mm、相邻两指间隙为10 mm的采收机构能成功采收菠萝,收获率为85%,损伤率为5%,单个果实平均采收时间约为1 s。该研究结果可用于指导双柔性指滚筒菠萝采收机构的开发。     

基于触感引导的小型水田行进底盘自动对行方法

为了解决小型水田底盘因路径偏差导致的稻苗碾压损伤问题,该研究提出一种基于触感引导的自动对行方法。采用自制的感测器获取稻株定位历程触感数据,通过数据的分割阈值设定、区域谷值提取、横向距离标定获得感测器与稻株的横向距离。根据水稻机械化移栽行距规整性,利用行距与定位数据几何关系校验稻株定位数据,解算获得稻列方向相邻稻株中点位置,实现对行目标点坐标提取。基于时变坐标系跟踪方法,控制转向电机实时校正路径偏差,实现小型水田底盘自动对行。田间性能试验表明：当行进速度为0.5 m/s时,自动对行绝对误差平均值为3.11 cm、绝对误差标准差为1.10 cm、绝对误差最大值为4.75 cm,研究成果为水田环境作业底盘自动导航提供了新思路和借鉴。     

基于机器视觉的超级稻秧盘育秧播种空穴检测技术

针对超级稻育秧播种量少,易出现空穴而影响产量的问题,对超级稻高速连续秧盘育秧播种的空穴进行了在线检测。在秧盘育秧流水线的播种和覆表土工序之间加入检测系统,CCD摄像机不断地拍摄穴盘图像,并建立与穴孔相对应的掩模图像,利用定时读取程序,读取缓存中的图像信息。通过图像处理和分析,有效地识别了穴盘空穴,将检测结果以电子表格的形式存储在穴盘空穴数据库中,以供人工补种,进一步降低了秧盘育秧空穴率,提高了超级稻精准育秧的成秧率。     

FUZZY集在评价天敌作用中的应用

把模糊数学的基本思想与生物防治的实践相结合,用浅显易懂的方式给出刻画天敌对害虫控制能力的FUZZY集,比较多种天敌对一种害虫控制能力大小的方法及天敌能否安全地控制害虫不造成经济为害的评价方法。     

基于模糊聚类的玉米大斑病害图像的分割技术

通过颜色空间的转换,将RGB颜色空间转化为HSI颜色空间,在色度H空间对玉米大斑病图像进行分割。应用模糊聚类分析的方法,确定了图像分割的阈值。对186幅玉米大斑病图像进行分割试验,分割的准确率为97．8％。分析表明,准确的病害图像分割可以为病害的特征值提取和病害的模式识别做好准备。     

基于DeepLabV3+的稻田苗期杂草语义分割方法研究

稻田杂草位置获取是靶向喷施除草剂和机械智能除草的基础,为实现自然光照环境和水田复杂背景下稻田苗期杂草的信息获取。以稻田恶性杂草野慈姑为研究对象,提出一种基于全卷积神经网络的稻田苗期杂草语义分割方法,利用DeepLabV3+对秧苗和杂草进行语义分割进而获取的杂草位置信息。首先人工田间采集稻田苗期杂草野慈姑的RGB图像,通过图像标注工具LabelMe人工标注图像中秧苗、杂草和背景的各个像素点,70%数据集用于DeepLabV3+网络模型参数的训练,30%数据集用于测试DeepLabV3+性能。然后与FCN和U-Net两种语义分割方法进行比较,所提出的DeepLabV3+语义分割方法准确率、均正比、频权交并比和F值等性能指标都最优,试验得出：DeepLabV3+模型像素准确率最高达到92.2%,高于U-Net和FCN方法的准确率92.1%和84.7%。所提出的方法能对稻田苗期杂草、秧苗和背景像素进行准确分割,满足智能除草和除草剂靶向喷施的实际应用需求。     

近红外光谱分析技术在大米检测中的应用

近红外光谱分析技术作为一种高效、快速、无损的可多组分分析的检测技术,在食品、农产品的检测中得到广泛应用。为此,综述了近红外光谱分析技术在大米品种鉴别、品质检测、矿物质元素分析中的应用研究现状,并对其应用前景进行了展望。     

分蘖期深施液体氮肥对水稻分蘖及产量影响

针对现有的水稻蘖肥追施技术及装备不足等问题,设计了一种射流式液体肥施肥器。该施肥器利用高速水射流的卷吸及切割作用,卷吸并混合液体肥料形成肥水射流;利用高速的肥水射流切割稻田土壤,同时完成肥料注入深施。为研究新的施肥方式对水稻生长过程中关键生理指标的影响,进行了不同蘖肥追施方式的茎蘖动态和产量特性对比试验。试验设3个处理:采用射流式施肥器进行追肥(处理A),传统撒施追肥(处理B)和空白对照(处理C)。试验结果表明:在分蘖方面,3个处理分蘖趋势都是先增后减,采用射流式施肥器进行蘖肥追施的处理A分蘖发生早且增长迅速,早于撒施追肥的处理B到达最大分蘖,但总茎蘖数小于处理B,成穗率高于处理B;在产量方面,处理A的产量相对于处理B具有明显的提升,处理A和处理B的有效穗数、穗长及千粒质量差异较小,产量提升主要源于穗粒数和实粒数的增加。     

滑刀开沟-气力引射式液肥雾化侧深施肥装置设计与试验

为提高肥料利用率,降低肥料对水田的污染,该研究结合侧深施肥技术与液肥优点,研制一种水田滑刀开沟-气力引射式液肥雾化侧深施肥装置。该装置采用滑刀式开沟器开沟,利用气力引射式雾化施肥器雾化和引射液肥,将液肥侧深施于水稻根区附近土壤。设计了气液同轴气力引射式雾化施肥器内腔结构,以喉嘴距、混合室（喉部）直径、气体压力为因素进行全因子土槽试验,分析各因素对排肥量（液肥质量流率）和耗气量（气体流量）的影响。结果表明,影响液肥质量流率的主次因素顺序为混合室（喉部）直径、气体压力、喉嘴距;影响气体流量的主次因素顺序为气体压力、喉嘴距、混合室（喉部）直径。采用EDEM离散元仿真软件进行仿真优化,利用加权评分法综合评判仿真试验结果,结果表明,在不同工作速度下,滑切角为32.5°、刃口角为45°时,滑刀式开沟器可获得较优的工作性能。开展土槽试验验证仿真结果,滑刀式开沟器入土深度为30 mm、前进速度为1.2 m/s时,牵引阻力实测值为8.5 N,仿真结果为6.9 N,相对误差为18%,土壤扰动面积仿真结果为 1965.6 cm²;入土深度为50 mm、前进速度为0.6 m/s时,牵引阻力实测值为14.4 N,仿真结果为12.2 N,相对误差为15%,土壤扰动面积仿真结果为2137.2 cm²。土槽性能试验结果表明,该装置在入土深度为30 mm,前进速度为1.2 m/s时,排肥量标准差为0.2427 g/s,与最大排肥量的相对误差为1.42%,施肥深度与入土深度的相对误差为4.4%;在入土深度为50 mm,前进速度为0.6 m/s时,排肥量标准差为0.4796 g/s,与最大排肥量的相对误差为2.13%,施肥深度与入土深度的相对误差为2.1%。研究结果可为水田液肥侧深施技术的应用提供参考。