穴盘苗全自动移栽机运动协调控制系统设计与移栽试验

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%。     

丘陵山地拖拉机姿态主动调整系统设计与实验

为保证拖拉机在丘陵山地的安全作业,并提高作业效率及乘坐舒适性,设计了基于双闭环PID算法的丘陵山地拖拉机姿态主动调整系统。首先,根据丘陵山地特定作业需求设计了姿态主动调整系统,包括姿态调整机构、液压驱动系统和控制系统;然后,建立了系统动力学模型,通过数值分析验证了该自动调平控制算法的有效性;最后,在山东五征集团生产的拖拉机上安装此系统,并进行了实验验证。结果表明:所设计的姿态主动调整系统在±10°的坡地上调平时间为7. 5 s,最大调平误差小于0. 5°,左右摆动机构摆角绝对值的差在±1°以内,能有效满足丘陵山地作业需求。同时,该拖拉机在高低起伏较大的坡地上以1挡速度(1. 98 km/h)行驶时,车身倾斜角可控制在±3°范围内,左右摆动机构摆角绝对值差在±5°范围内。所设计的姿态主动调整系统能适应恶劣作业环境的作业需求。     

基于迭代式RELIEF算法的农业环境地形标记

为了能够根据当前场景内容在线提取优势推理特征,使得提取后的优势特征集能更好地区分当前场景的地形类别,满足农业机器人室外导航环境要求,提出一种基于迭代式RELIEF算法的农业机器人地形标记方法。该方法通过超像素分割产生训练样本,由迭代式RELIEF算法输出一个特征权重向量,向量每个元素的值代表其所对应的候选特征对地形标记的影响程度,通过对特征权重设定阈值来剔除大量无关特征。地形标记试验结果表明,该方法不但能够将地面标记准确率与障碍标记召回率分别提高1%与0.8%,还能将SVM地形分类器的计算复杂度降低40%左右。在导航试验中,该方法能够使农业机器人的导航效率提高15%左右。     

多约束情形下的农机全覆盖路径规划方法

为满足自主作业农机自动导航作业的需求并优化农机作业效率,在处理多种车辆转弯方式约束和农业地块约束的基础上,基于模拟退火算法提出一种混合规则路径规划方法。在多种作业约束处理方面,引入了农机转弯代价邻接矩阵来量化农机地头转弯方式的影响,通过采用内缩改进的道格拉斯-普克(Douglas-Peucker)拟合算法与求解采样点的最小凸包分别处理地块边界及障碍物边界。在使用角平分线的平行偏移法求得转向预留地块后,以转弯代价最小为优化条件对多种形状地块进行了最优作物行生成。在农机遍历顺序方面,利用模拟退火算法求解得到最优路径集,并通过单元拆解及合成的方式求解全覆盖遍历顺序,解决了传统规则遍历走法适应性差和大规模农机作业时经典模拟退火算法易陷入局部最优解的问题。实验表明,本文方法所得路径平均作业覆盖率达90.78%,平均作业占空比达85.10%。在同等作业条件下,利用本文方法所得路径比传统规则路径最多可节约距离消耗30.3%,比模拟退火算法所生成路径节约6.9%。说明本文规划算法可在多种约束下对农机进行作业路径规划,且具有较好的规划效果。     

基于改进YOLOv3-tiny的田间行人与农机障碍物检测

为实现农机自主作业中的避障需求,本文针对室外田间自然场景中因植被遮挡、背景干扰而导致障碍物难以检测的问题,基于嵌入式平台应用设备,提出了农机田间作业时行人和农机障碍物检测的改进模型,更好地平衡了模型的检测速度与检测精度。该改进模型以You only look once version 3 tiny（YOLOv3-tiny）为基础框架,融合其浅层特征与第2 YOLO预测层特征作为第3预测层,通过更小的预选框增加小目标表征能力;在网络关键位置的特征图中混合使用注意力机制中的挤压激励注意模块(Squeeze and excitation attention module,SEAM) 与卷积块注意模块(Convolutional block attention module,CBAM),通过强化检测目标关注以提高抗背景干扰能力。建立了室外环境下含农机与行人的共9405幅图像的原始数据集。其中训练集7054幅,测试集2351幅。测试表明本文模型的内存约为YOLOv3与单次多重检测器(Single shot multibox detector,SSD)模型内存的1/3和2/3;与YOLOv3-tiny相比,本文模型平均准确率（Mean average precision,mAP）提高11个百分点,小目标召回率（Recall）提高14百分点。在Jetson TX2嵌入式平台上本文模型的平均检测帧耗时122ms,满足实时检测要求。     

基于亮度校正和AdaBoost的苹果缺陷在线识别

提出了一种基于亮度校正和AdaBoost的苹果缺陷与果梗-花萼在线识别方法。以富士苹果为研究对象,首先在线采集苹果的RGB图像和NIR图像,并分割NIR图像获得苹果二值掩模;其次利用亮度校正算法对R分量图像进行亮度校正,并分割校正图像获得缺陷候选区(果梗、花萼和缺陷);然后以每个候选区域为掩模,随机提取其内部7个像素的信息分别代表所在候选区的特征,将7组特征送入AdaBoost分类器进行分类、投票,并以最终投票结果确定候选区的类别。实验结果表明,该算法检测速度为3个/s,满足分选设备的实时性要求,且总体正确识别率达95.7%。     

重力式种子精选机及微机控制系统的研制

介绍重力式种子精选机的研制，及利用对重力式种子精选机选种工艺过程进行自 原理及方法；该系统通过对成品种子千粒重的实时与线检测及与预置千粒重值进行比较，得出选种工艺过程的反馈信息，进而控制各相应调整机构驱动电机正转，来改变影响选种质量的各参数，以使种子质量始终保持在参定水平。     

视觉导航农用车辆相对位姿测量新方法(英)

农田环境中农作物大多呈近似直线的行垄分布特点，农用车辆自主视觉导航时通常利用这些景物特征作为跟踪目标。提出了一种计算车辆相对于跟踪目标位姿的新型方法，首先分析了传统算法中存在的计算量大、忽视图像平面中各像素权重不同等缺陷，而后依据跟踪路径局部线性模型假设，详细地推导了算法过程。基于视觉导航原型车辆的试验结果表明，与人工测量值相比，横向距离和航向角的误差均值都等于零，标准差分别为3cm 和0.62deg。     

水田环境下水稻直播机自动驾驶控制方法

为了解决无人化水稻直播机在水田里应用时精度不高的问题,本文提出了一种在不平整泥泞水田环境中的水稻直播机自动驾驶控制方法。本文首先建立了水稻直播机的运动学模型,基于横向偏差和航向角偏差,提出了一种用于直线作业段的非线性转向控制算法。为了避免水田路面不平坦对定位系统的影响,通过倾角传感器获取车身姿态,修正定位误差。通过检测计算位置与地边的相对距离,实现了地头自动转弯。实验表明,本文控制方法的路径跟踪平均绝对误差为0.027m,具有较好的跟踪精度和稳定性,且自动转弯算法切实有效,提供了一种在水田环境下可行的自动驾驶控制方法。     

基于神经网络PID的丘陵山地拖拉机姿态同步控制系统

针对现有丘陵山地拖拉机姿态调整精度和可靠性难以满足实际使用需求的问题,基于神经网络PID算法设计了丘陵山地拖拉机车身和机具姿态同步控制系统。根据车身和机具不同的姿态调整要求,设计了相应的控制系统,并对其进行动力学建模,进而采用了基于神经网络PID的同步控制算法。以常规的PID控制算法作为对照,进行了仿真分析,仿真结果表明,基于神经网络PID算法的同步控制系统有效,且控制性能优于PID控制算法。在固定坡度路面和随机坡度路面上进行了作业试验,结果表明,其于神经网络PID控制算法的精度和稳定性均优于PID控制算法：在固定坡度路面上,车身横向倾角最大误差为0.8640°,左右摆角绝对值差最大误差为0.9600°,机具横向倾角最大误差为0.6497°;在随机坡度路面上,车身横向倾角最大误差为2.8740°,左右摆角绝对值最大误差为4.2800°,机具横向倾角最大误差为1.7620°。说明本文提出的方法具有较好的控制精度和稳定性,能够满足丘陵山地拖拉机的实际使用需求。