自然环境下山核桃果实的图像识别提取方法

研究了自然环境下成熟山核桃果实的机器视觉图像识别方法。通过分析顺光、逆光、遮挡等环境下拍摄的山核桃成熟待采时的果实图像,确定了2R-G-B色差模型,用最佳阈值函数进行图像分割,经形态学滤波后采用Canny算子进行边缘检测,提取出复杂背景下山核桃果实的轮廓。试验结果表明,该方法对山核桃果实的有效识别率达86.7%,可为山核桃采摘机器人的研发提供技术参数。     

2BYML-4型玉米垄作免耕播种机的设计与试验

研制一种可一次性完成玉米根茬粉碎还田、起垄、施肥、精密播种联合作业的2BYML-4型玉米垄作免耕播种机,对其整机结构和工作原理进行了分析,通过理论计算确定了仿形机构、灭茬刀转速和控制系统的相关参数。田间试验结果显示:垄高、垄顶宽、垄间距合格率分别达到94.73%、90.64%和90.13%;粒距合格指数92.0%,标准差11.99,变异系数5.24%;漏播指数4%,重播指数 4%;种子覆土深度合格率为88.3%,种下施肥合格率为89.7%,变异系数分别为9.71%和10.32%。该机田间作业垄形规则,种、肥田间分布均匀合理,其结构参数和工作参数组合,更好地满足了旱地农业保护性耕作要求并有效改善生态环境。     

线性模型与机器学习模型在牦牛体重预测比较

本研究旨在比较线性回归模型与机器学习模型在利用体尺性状预测体重时的准确性。测定102头革吉那布地区两岁龄牦牛相关体尺性状(体高、体长和胸围)与体重,然后将数据按照不同比例梯度分为训练集和测试集,利用传统的一般线性模型方法和机器学习方法(高斯过程回归、支持向量机)分别构建体尺性状与体重之间的回归预测模型。每个比例均重复5次,将体重的真实值与预测值之间的相关系数均值作为当前比例下的模型准确性结果。结果显示,随着训练集数据的增加,线性回归模型的预测结果较稳定在0.71至0.80之间,而机器学习方法的预测准确性最高达到0.91。故在训练集数据充足的情况下,相比于一般线性模型,利用机器学习方法进行预测具有更高的准确性。     

液控式垄向区田筑垱机的设计及仿真

为了实现垄向区田筑的高质量和高效率作业,设计一种液压控制式垄向区田筑机。介绍其工作原理,应用Pro/E和ADAMS软件进行筑机的设计、建模和运动学仿真分析。结果表明,此种设计方法缩短了筑机的设计周期,仿真分析结果验证了其工作原理的可行性,所设计的液控式垄向区田筑机能够实现最佳距的方便、快速调节,满足设计要求,为实现垄向区田技术提供了一种新机具。     

机耕道自动驾驶农机局部路径规划

针对机耕道场景下自动驾驶农机行驶的安全性、平稳性与规划实时性的实际需求,该研究提出了一种基于二次规划的局部路径规划方法。首先基于有限状态机构建农机机耕道行驶模式,其次采用横纵向解耦的方法,通过改进状态栅格法分别对农机速度行为和轨迹行为进行决策,随后利用二次规划方法生成满足多目标、多约束条件的农机轨迹和速度,得到最优路径,最后在多种行驶环境中进行仿真和实车试验,行驶参考速度为2 m/s。实车试验结果表明,在绕行静态障碍物场景中,规划轨迹的平均绝对曲率为0.021 m^-1,最大绝对曲率为0.056 m^-1,平均绝对横向误差为3.23 cm,最大绝对横向误差为8.69 cm,农机与障碍物外轮廓的距离大于0.76 m;在规避相向行驶、同向行驶和横穿机耕道的动态障碍物场景中,规划速度的平均绝对速度误差为0.08～0.12 m/s,绝对速度误差小于0.38 m/s,加速度变化范围为-0.38～0.44 m/s²。在规划周期为200 ms的仿真试验中,本文算法平均耗时48 ms,最大耗时75 ms,相比采用静态状态栅格法平均耗时减少38 ms,算法效率提升44%。研究结果可为机耕道场景下的农机局部路径规划提供技术支持。     

西兰花选择性采收作业平台识别切割装置设计与试验

针对当前人工采收西兰花存在季节性劳动力需求强、劳动强度大以及成本高等问题,该研究基于西兰花的农艺特性与形态特征设计了一种西兰花选择性采收作业平台,旨在能够实现对西兰花的自主识别切割作业。首先,该平台采用“识别-采收”一体化作业模式,通过对采收作业平台的关键部件进行设计与选型,建立了西兰花的视觉识别系统和定心切割机构。其次,根据西兰花茎秆与割刀之间的相互作用关系,采用对数螺线作为切割曲线设计了一种等滑切角割刀,确定了割刀滑切角40o、切割半径135 mm、割刀长度260 mm等关键切割参数。根据西兰花茎秆的材料属性参数,基于ANSYS Workbench/LS-DYNA软件对茎秆切割过程进行显式动力学仿真分析,以割刀刃角和转速为控制因子,以最大切割力为试验指标,利用正交试验优化设计,确定了茎秆切割过程的最优参数组合为割刀刃角20°、转速1 rad/s,在此参数下最大切割力为725.82 N,切割质量较优。最后,对采收作业平台进行性能试验,结果表明视觉系统能够有效识别自然环境下的成熟西兰花植株,检测效果良好;定心切割机构可快速平稳的切入并切断西兰花茎秆,切断表面平整光滑;采收作业平台整体漏收率在10%以下、检测准确率为90%、切茎合格率为88.9%,可满足西兰花选择性采收的作业需求。本研究可为西兰花选择性采收作业装备的设计开发提供理论参考和实际借鉴。     

基于改进ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法

为解决活体黄羽鸡表皮层黑色素分级方法成本高、效率低下、分级环境易受环境光干扰等问题,该研究探索一种基于ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法 ConvNeXt-WPCA,用于实现活体黄羽鸡表皮层黑色素智能分级。ConvNeXt-WPCA模型通过以下3点改进提高模型对黄羽鸡黑色素的识别效果：1）针对黄羽鸡黑色素图像RGB三通道内黑色素信息分布不均衡问题,改变输入图片通道权重来增强模型对黑色素特征的提取能力;2）使用部分卷积代替深度可分离卷积,减少模型计算量和内存访问次数提高对计算资源的利用率;3）引入坐标注意力机制,引导模型关注黄羽鸡胸腹部及肛门附近皮肤提升模型精度。同时,该研究还设计一种双光源图像获取装置,分别在自然光和偏振光条件下拍摄黄羽鸡样本,以减小分级结果受环境光干扰的影响,并探索偏振光在黑色素分级任务中的应用潜力。结果表明ConvNeXt-WPCA模型相较标准ConvNeXt模型,针对自然光下黄羽鸡黑色素图像数据集分级准确率提升9.68个百分点,最终达到89.03%的识别准确率,针对偏振光下黄羽鸡黑色素图像数据集分级准确率提升15.26个百分点,最终达到98.87...     

面向葡萄知识图谱构建的多特征融合命名实体识别

为解决构建知识图谱过程中由于上下文环境复杂、现有模型字向量语义表征相对单一导致领域专业实体识别率低的问题,该研究提出了来自转换器的双向编码器表征量（bi-directional encoder representation from transformer, BERT）和残差结构（residual structure, RS）融合的命名实体识别模型（bert based named entity recognition with residual structure,BBNER-RS）。通过BERT模型将文本映射为字符向量,利用双向长短时记忆网络（bi-directional long-short term memory, BiLSTM）提取局部字符向量特征,并采用RS保留BERT提供的全局字符向量特征,以提高字向量的语义丰富度,最后通过条件随机场（conditional random field, CRF）模型对特征向量解码,获取全局最优序列标注。与其他命名实体识别模型相比,提出的BBNER-MRS模型在葡萄数据集上表现较好,在葡萄人民日报、玻森、简历和微博数据集上F1值分别达到89...     

基于无人机视频影像的油菜苗检测与计数

针对油菜生长早期传统人工苗情调查方法效率低、主观意识强,不能满足大面积或经常性高精度苗期调查作业需求的问题,该研究基于无人机影像及机器学习技术,提出一种油菜苗视频流检测模型及计数方法。通过对YOLO系列基础模型添加多头自注意力,用BasicRFB（basic receptive field block）模块替换原有的空间池化结构（spatial pyramid pooling-fast,SPPF）模块,并对Neck部分添加一维卷积及更换下采样方式等,进一步结合DeepSORT（deep simple online and real-time tracking）算法和越线计数技术实现对油菜苗的数量统计。算例测试结果表明,改进后YOLOv5s的交并比阈值0.50的平均精度均值达到93.1%,交并比阈值0.50～0.95的平均精度均值达到了67.5%,明显优于Faster R-CNN、SSD和YOLOX等其他经典目标检测算法,交并比阈值0.50的平均精度均值分别高出14.82、26.37和3.3个百分点,交并比阈值为0.50～0.95范围下的平均精度均值分别高出25.7、33.9和6.7个百分点。油菜苗计数试验结果表明,离线视频计数时,在合理的种植密度区间内,所提算法的油菜苗计数精度平均达到93.75%,计数效率为人工计数的9.54倍;在线实时计数时,在不同天气情况下,计数平台的油菜苗计数精度最大相差1.87个百分点,具有良好的泛化性,满足油菜苗计数实时性要求。     

水下底栖生物轻量化目标检测算法YOLOv7-RFPCW

针对水下底栖生物检测模型参数量过多,计算量过大,同时水下环境复杂容易造成错检和漏检,影响模型在水下底栖生物检测任务中的准确性的问题。提出了一种水下底栖生物轻量化检测算法YOLOv7-RFPCW。对YOLOv7网络重新设计轻量级网络结构,降低了特征提取网络的参数量和计算量,减少模型体积。设计了P-ELAN和P-ELAN-W模块,进一步轻量化特征提取网络;针对水下图像颜色失真,目标的空间位置不准确的问题,采用CBAM注意力模块加强特征融合,减少信息丢失,以更好地适应特殊的水下环境;针对水下目标容易出现形状变形的问题,使用WIOU-V3损失函数替换默认的CIOU损失函数,提高水下底栖生物检测的鲁棒性。试验结果显示,改进后的模型YOLOv7-RFPCW的参数量和计算量分别减少了75.9%和30.7%,模型体积减小了75.3%,精度提升了1.9个百分点。这一综合性的提升兼顾了轻量化和精度,为在水下环境中部署提供了可行的解决方案,验证了所提出的改进算法能胜任水下底栖生物检测任务。