TinyOS的开发

无线传感器网络是微机电系统、通信、传感器和网络等技术相结合的产物,具有广泛的应用领域和使用价值。TinyOS是针对无线传感器网络的特点而设计的一种嵌入式操作系统,简要介绍了TinyOS操作系统和nesC语言的特点。     

基于时空双序列分析的温室WSN故障诊断

根据温室无线传感器网络(WSN)所采集数据在时间和空间上具有很强的相关性,从温室无线传感器网络基本结构出发,在分析WSN原始数据的基础上,通过对时空序列样本信息的预处理,分别建立了时间和空间故障诊断数学模型,据此分析传感节点的工作状态,给出了温室WSN故障诊断的综合算法.研究结果表明,该故障诊断方法能够及时、有效地发现温室WSN的异常并诊断出故障节点,提高了WSN工作的可靠性.     

基于农田无线传感网络的分簇路由算法

由于无线传感网络节点的能量有限,如何有效地利用有限资源以及实现数据的有效传输,成为研究热点问题.针对农田区域广以及种植作物杂等环境特征,为延长农田无线传感器网络的生命周期,提高传感网的数据包投递率,构建了适用于农田信息采集的无线传感器网络架构,提出了一种混合式的分簇路由算法HCRA(hybrid clustering routing algorithm),研究了簇的形成、簇头竞选以及簇间路由过程,并对HCRA算法与低功耗自适应集簇分层型算法LEACH(low-energy adaptive clustering hierarchy),以及使用固定簇半径的混合节能分簇算法HEED(hybrid energy-efficient distributed clustering)进行了仿真试验.结果表明:在1 000次迭代周期下,采用HCRA算法的网络生存时间要比LEACH算法长约28％,比HEED算法长约12％;采用HCRA算法的数据包投递率要比LEACH算法高约34个百分点,比HEED算法高约16个百分点.该研究可为农田环境信息采集自动化监测系统提供参考.     

基于无线传感器网络的奶牛行为特征监测系统设计

奶牛等大型动物的疾病和发情状况目前主要依赖饲养员目测判断,大规模集约化养殖仍采用人工观测方法,这不仅带来繁重的人力负担,也容易误判。为了能自动准确地识别奶牛是否发情或生病,该文提出在奶牛颈部安装无线传感器节点,通过各种传感器获取奶牛的体温、呼吸频率和运动加速度等参数,采用K-均值聚类算法对提取的各种参数进行行为特征多级分类识别,以此建立的动物行为监测系统能准确区分奶牛静止、慢走、爬跨等行为特征,从而可以长时间监测奶牛的健康状态。而且,这种监测系统易于推广到对其他动物的监测,对促进养殖业和畜牧业的发展也具有指导意义。     

基于无线传感器网络的精细农业智能节水灌溉系统(英）

在精细农业相关应用和理论研究基础上,自行设计用于监测农田水分含量和水层高度的无线传感器,构建农田水分无线传感器网络体系结构,设计基于水分无线传感器网络的智能节水灌溉控制系统,通过实时农田水分数据和农作物水分需求专家数据形成灌溉决策,由灌溉控制系统实施定量灌溉。实际应用表明,该系统体现出可行性和高效性,有利于精细农业的发展和水资源的可持续利用。     

基于热平衡法检测植物茎流传感器的标定

植物茎杆的茎流量是植物重要的生理信息之一,该文主要是对基于热平衡法的植物茎流传感器进行标定试验的研究,通过标定试验,测试了茎流检测装置的性能。试验结果表明,计算出传感器输出值与茎流量有很高的决定系数R2=0.96～0.97,分辨率为1×10-3 g/min,精度为±3%。因此参照标定试验,可以较准确地获取植株茎流速率,进而可以反映出植物的蒸腾及需水状态信息,并据此可以为植物生长环境的调控、节水灌溉等提供有效的监测工具。     

基于EDEM的猪粪接触参数标定

为准确快速获得畜禽粪便的接触参数,该研究通过物理堆积试验与仿真方法对猪粪接触参数进行了标定。测定了不同含水率下猪粪的堆积角,建立了含水率与堆积角的回归方程;基于Hertz-Mindlin with JKR球体粘结模型,进行了离散元仿真模拟;采用筛选试验设计（Plackett-Burman Design,P-BD）对10个初始参数进行了筛选,发现JKR（Johnso-Kendall-Roberts）表面能、颗粒间滚动摩擦系数、颗粒间碰撞恢复系数对猪粪堆积角影响显著;并根据响应曲面试验设计（Box-Behnken Design,B-BD）建立了堆积角与显著性参数的二阶回归模型,得到了3个显著性参数值分别为JKR表面能0.03 J/m2、颗粒间滚动摩擦系数0.27、颗粒间碰撞恢复系数0.54;将仿真所得堆积角与物理试验值进行对比验证,相对误差为4.27%。结果表明,该研究提出的标定方法能准确模拟物理堆积试验,可为畜禽粪便接触参数的标定提供参考。     

基于垄线平行特征的视觉导航多垄线识别

为有效快速地识别农田多条垄线以实现农业机器人视觉导航与定位,提出一种基于机器视觉的田间多垄线识别与定位方法。使用VC++ 6.0开发了农业机器人视觉导航定位图像处理软件。该方法通过图像预处理获得各垄行所在区域,使用垂直投影法提取出导航定位点。根据摄像机标定原理与透视变换原理,计算出各导航定位点世界坐标。然后结合垄线基本平行的特征,使用改进的基于Hough变换的农田多垄线识别算法,实现多垄线的识别与定位。使用多幅农田图像进行试验并在室内进行了模拟试验。处理一幅320×240的农田图像约耗时219.4 ms,室内试验各垄线导航距与导航角的平均误差分别为2.33 mm与0.3°。结果表明,该方法能有效识别与定位农田的多条垄线,同时算法的实时性也能满足 要求。     

近红外光谱法测定玉米秸秆饲用品质

为了对玉米秸秆的饲用品质进行可靠、便捷、快速的分析和评价,该研究以不同品种、密度、氮肥和水分处理的不同发育时期和不同部位玉米秸秆为试验材料,应用近红外光谱（NIRS）技术和偏最小二乘法（PLS）,采用一阶导数+中心化+多元散射校正的光谱数据预处理方法,构建了玉米秸秆体外干物质消化率（IVDMD）、酸性洗涤纤维（ADF）、中性洗涤纤维（NDF） 和可溶性糖（WSC）含量的NIRS分析模型。所建立的IVDMD、ADF、NDF和WSC含量的NIRS校正模型决定系数（R2cal）分别为0.9906、0.9870、0.9931和0.9802,交叉验证决定系数（R2cv）分别为0.9593、0.9413 、0.9678和0.9342,外部验证决定系数（R2val）分别为0.9549、0.9353、0.9519和0.9191,各项标准差（SEC、SECV和SEP）为0.935～1.904,相对分析误差（RPD）均大于3。结果表明,各参数的NIRS分析模型可用于玉米秸秆饲用品质的分析和品种选育的快速鉴定。     

基于EDEM小麦收获机清选损失监测试验装置设计

针对小麦损失监测传感器结构复杂、成本较高的问题,对收获机清选排杂口不同物料运动特性进行研究,揭示小麦与秸秆撞击敏感板的作用规律,从清选抛出物冲击敏感板的力学特性出发,设计一种小麦收获机清选损失监测试验装置。通过离散元分析软件EDEM分析小麦籽粒、50mm秸秆、100mm秸秆撞击敏感板产生的作用力,分析接触力变化曲线,证明可通过判断物料撞击敏感板产生的信号进行损失监测。为增强信号采集准确率,采用两片压电传感器串联的方式,增大损失信号。设计损失监测试验台机械结构及控制系统,使监测装置模拟收获机清选排杂过程且可以实时监测信号,有效提高监测效率。最后,通过不同高度物料运动损失监测试验,得出300mm高度下传感器识别较为精准,对小麦籽粒的识别率达到98.4%,整体监测误差小于5%,损失监测试验装置能够达到设计目的和要求。