花生油中黄曲霉毒素B1含量的荧光光谱表征

花生油在生产过程中极易受到黄曲霉毒素B1(Aflatoxin B1, AFB1)的污染。针对AFB1的传统检测方法操作繁琐、时效性差等问题,利用荧光光谱技术快速检测花生油中AFB1含量。首先通过三维荧光光谱确定最佳激发波长,使用K-means和自组织映射(Self organizing map, SOM)聚类算法对花生油中AFB1含量进行超标与否的定性鉴别,准确率均达95%以上;其次使用2种预处理算法和2种降维算法,选出竞争自适应重加权采样(Competitive adaptive reweighted sampling, CARS)为最佳的波长选择方法;随后将回声状态网络(Echo state network, ESN)用于AFB1的定量建模,同时与其他模型作比较,结果显示CARS-ESN模型获得了最佳AFB1含量预测效果;最后将麻雀搜索算法(Sparrow search algorithm, SSA)用于对ESN参数进行寻优,最终预测集决定系数达0.984,均方根误差达2.13μg/kg。结果表明了荧光光谱技术结合ESN预测花生油中AFB1含量的可行性,为在线检测食用油中真菌毒素含...     

基于群智能优化算法的土壤水动力参数反演

土壤水动力参数是模拟田间土壤物质传输过程的基本参数,准确确定土壤水动力参数对实现农田生境精准调控具有重要意义。基于一维垂直入渗试验数据,采用代数方法和数值方法,构造3个不同的目标函数,并分析鲸鱼优化算法和灰狼优化算法反演Brooks-Corey-Mualem模型参数的适用性。结果表明：通过选择合适的目标函数,两种群智能优化算法均可用于反演土壤水动力参数。在代数方法中,鲸鱼优化算法在目标函数2下(由累积入渗量、入渗时间、含水率构成的相对误差)固定参数θ_r、θ_s优化得到的土壤水动力参数误差最小,反演参数得到的累积入渗量、入渗率、含水率的相对误差都在9.74%以下,决定系数都在0.904 0以上,反演时间为70 s;在数值方法中,灰狼优化算法在目标函数3下(由累积入渗量、湿润锋深度、含水率构成的相对误差)固定参数θ_r、θ_s优化得到的参数误差最小,反演参数得到的累积入渗量、入渗率、含水率的相对误差都在2.53%以下,决定系数都在0.991 7以上,反演时间为115 s。因此,代数方法所用时间短、精度相对较低...     

基于彩色空间距离优化的秸秆覆盖率检测算法研究

秸秆覆盖率是保护性耕作重要的评价指标之一。针对田间秸秆形态各异、细碎秸秆难以识别的难题,基于机器视觉技术,提出了一种基于K-means和彩色空间距离灰度化方法相结合的田间秸秆覆盖率检测算法。采用彩色空间距离方法对秸秆图像进行预处理,基于K-means算法实现秸秆和土壤背景的分类识别,使用数学形态学腐蚀和膨胀方法对识别后的图像进行处理,降低细碎秸秆对覆盖率的影响,最后计算秸秆图像的覆盖率。2022年10月,通过田间试验对北京小汤山国家精准农业研究示范基地采集的220幅玉米秸秆图像进行了算法验证。试验结果表明,对低秸秆覆盖率(0～30%)图像,识别准确率达到90%;对中等秸秆覆盖率(30%～60%)图像,识别准确率达到88%;对高秸秆覆盖率(60%以上)图像,识别准确率达到86%;整体秸秆覆盖率分等定级准确度达到98.18%。本研究设计的基于K-means和彩色空间距离灰度化方法相结合的田间秸秆覆盖率检测算法为保护性耕作评价提供了快速检测方法和手段。     

N tracing models with a Monte Carlo optimization procedure provide new insights on gross N transformations in soils

¹⁵N tracing studies in combination with analyses via process-based models are the current “state-of-the-art” technique to quantify gross nitrogen (N) transformation rates in soils. A crucial component of this technique is the optimization algorithm which primarily decides how many model parameters can simultaneously be estimated. Recently, we published a Markov chain Monte Carlo (MCMC) method which has the potential to simultaneously estimate large number of parameters in ¹⁵N tracing models [Müller et al., 2007. Estimation of parameters in complex ¹⁵N tracing models by Monte Carlo sampling. Soil Biology & Biochemistry 39, 715-726].Here, we present the results of a reanalysis of datasets by Kirkham and Bartholomew [1954. Equations for following nutrient transformations in soil, utilizing tracer data. Soil Science Society of America Proceedings 18, 33-34], Myrold and Tiedje [1986. Simultaneous estimation of several nitrogen cycle rates using ¹⁵N: theory and application. Soil Biology & Biochemistry 18, 559-568] and Watson et al. [2000. Overestimation of gross N transformation rates in grassland soils due to non-uniform exploitation of applied and native pools. Soil Biology & Biochemistry 32, 2019-2030] using the MCMC technique. Analytical solutions such as the ones derived by Kirkham and Bartholomew [1954. Equations for following nutrient transformations in soil, utilizing tracer data. Soil Science Society of America Proceedings 18, 33-34] result in gross rates without uncertainties. We show that the analysis of the same data sets with the MCMC method provides standard deviations for gross N transformations. The standard deviations are further reduced if realistic data uncertainties are considered. Reanalyzing data by Myrold and Tiedje [1986. Simultaneous estimation of several nitrogen cycle rates using ¹⁵N: theory and application. Soil Biology & Biochemistry 18, 559-568] (Capac soil) resulted in a model fit similar to the one of the original analysis but with more precise estimates of gross N transformations. In addition, our analysis showed that small N transformations such as heterotrophic nitrification, which was neglected in the original analysis, could be quantified for this soil. Watson et al. [2000. Overestimation of gross N transformation rates in grassland soils due to non-uniform exploitation of applied and native pools. Soil Biology & Biochemistry 32, 2019-2030] provided evidence of a non-uniform exploitation of applied and native N that led to an overestimation of gross N transformations. Reanalyzing the data (CENIT soil, low N application) with the Müller et al. [2007. Estimation of parameters in complex ¹⁵N tracing models by Monte Carlo sampling. Soil Biology & Biochemistry 39, 715-726] model where oxidation was set to Michaelis-Menten kinetics resulted in a satisfactory fit between modeled and observed data, indicating that the observed artifact by Watson et al. [2000. Overestimation of gross N transformation rates in grassland soils due to non-uniform exploitation of applied and native pools. Soil Biology & Biochemistry 32, 2019-2030] was mainly due to inappropriate kinetic settings. Our study shows that the combination of a MCMC method with ¹⁵N tracing models is able to consider more complex and possibly more realistic models and kinetic settings to estimate gross N transformation rates and thus overcomes restriction of previous ¹⁵N tracing techniques.     

基于智能软开关的农村配电网无功优化

农村配电网建设是农村电气化和电力发展规划的重要组成部分。目前农村配电系统整体电压低,无功补偿不足,损耗大,使得供电质量低。为了优化农村低压配电网,本研究提出了1种电容器组与智能软开关(Soft openpoint,SOP)共存的双层优化模型,上层进行电容器组的选址定容,使得配电网节点电压偏差最小,下层利用上层优化得出的电容器位置与容量,规划出SOP的位置,使得网络有功损耗最小。采用改进狼群算法对所提模型进行求解,并在IEEE33节点系统中进行仿真,验证算法可行性。     

基于蚁群-BFS算法的复杂环境下农业机器人全区域覆盖研究

目的 以路径重复率为优化目标解决农业机器人在数字生态农场中的全区域覆盖问题。方法 首先,将栅格地图中的障碍物进行膨胀处理,在此基础上进行矩形分区以及分区合并操作;然后,通过改进的蚁群算法规划分区间的遍历顺序、通过改进的广度优先搜索(Breadth first search, BFS)算法规划分区间终点与起点的衔接路径,从而实现机器人全区域覆盖。2种算法的具体改进方案为：分别通过人工免疫算法与粒子群算法改进遗传算法的选择与交叉算子,并将改进后的选择算子、交叉算子、原遗传算法变异算子与蚁群算法相结合改进传统蚁群算法信息素更新方法;建立动态函数以简化BFS算法规划的路径。结果 仿真结果表明,改进蚁群算法收敛时的迭代次数较传统蚁群算法减少了83.1%,路径长度相比减少了4.8%;由改进的蚁群算法与改进的BFS算法规划的机器人遍历路径重复率是传统蚁群算法和BFS算法的56%,且农业机器人能实现对农田区域的100%覆盖。结论 本研究提供了一种农业机器人在复杂环境的数字生态循环农场中进行全遍历覆盖的解决方案。     

基于工作空间的果园作业平台结构参数优化与试验

为提高果园作业平台的适用性和操作灵活性,根据乔砧密植的纺锤形苹果种植模式确定其目标工作空间,以工作空间尺寸偏差、工作空间体积和平均可操作度描述其可达工作空间性能,分析了平台主要结构参数杆长和关节变量（关节角、连杆偏移）对工作空间性能的影响。建立了以可达工作空间性能和结构紧凑为指标的优化模型,利用遗传算法求解得出最优参数为：杆2和杆4的长度分别为988、879mm,关节1、3的关节角范围分别为[107°,256°]、[-118°,-76°],关节5、6的连杆偏移最大值分别为720、340mm。优化后其可达工作空间尺寸偏差分别减小96.09%、95.60%,体积减小4.69%,平均可操作度增加1.43%。对优化后的果园作业平台进行了实地果园工作空间试验,结果表明：承载质量为65kg、横坡坡度为15°、纵坡坡度为15°时,工作空间尺寸偏差最大,分别为16.2、16.7mm,比原型分别减小93.89%、93.76%。     

基于多变异分组遗传算法的多机协同作业静态任务分配

为解决农业机械（简称农机）多机协同作业前的任务分配问题,提出了基于多变异分组遗传算法的同种农机多机协同作业静态任务分配方法。首先,根据农机合作社实际作业模式,基于农机性能参数和任务参数,综合考虑机群的作业时间、作业油耗和路程代价等因素,建立了多机协同代价函数;根据多机协同作业特点,构建了多变异分组遗传算法,设计了两段式编码、分组交叉算子和多种变异算子,并建立了农机多机协同作业静态任务分配模型;通过仿真试验对比分析了算法的性能,并采用不同的代价权重进行了任务分配仿真试验;最后,采用不同的权重对实际深松作业进行任务分配试验,对本文提出算法进行了验证。结果表明：在不同权重下,基于多变异分组遗传算法的多机协同静态任务分配的机群代价比实际作业代价降低了29.48%~55.00%,选取合理权重的静态任务分配具有较高的分配效率和分配性能,能够满足实际多机协同作业中任务分配的要求。     

基于改进YOLO的玉米幼苗株数获取方法

为快速准确获取玉米幼苗株数、评估播种质量、进行查缺补苗等管理,对YOLO算法进行改进,提出了一种基于特征增强机制的幼苗获取检测模型（FE-YOLO）,实现了对玉米幼苗株数的快速获取。该方法根据玉米幼苗目标尺寸和空间纹理特征,构建了基于动态激活的轻量特征提取网络,融合了多感受野和空间注意力机制。实验表明：FE-YOLO模型增强了幼苗空间特征、降低了网络复杂度,使模型的mAP和召回率分别达到87.22%和91.54%,每秒浮点运算次数和检测推理时间仅为YOLO v3的7.91%和33.76%。FE-YOLO能够实现无人机正射影像的玉米幼苗株数获取和种植密度估算,该模型复杂度低、识别精度高,能够为玉米苗期管理提供技术支持。     

基于SupReMe影像重建和RF的玉米冠层LAI反演

针对Sentinel-2卫星影像拥有3个对植被生长状况非常敏感、空间分辨率为20m的红边波段（705、740、783nm）,其空间分辨率与可见光和近红外波段10m的空间分辨率不一致,使Sentinel-2影像应用受到限制的问题,基于多光谱多分辨率估计的超分辨率（Super-resolution for multispectral multiresoltion estimation, SupReMe）算法将空间分辨率20m的6个波段重建为10m;以重建后的影像为数据源,耦合PROSAIL辐射传输模型和随机森林模型反演玉米冠层叶面积指数（LAI）,并以野外实测LAI验证其反演精度。结果表明,采用SupReMe算法对Sentinel-2影像进行重建后,在保持光谱特性不变的同时提高了影像的空间细节;基于重建影像和原始影像的LAI反演决定系数R2分别为0.70、0.68,均方根误差RSME分别为0.240、0.262。研究表明,利用SupReMe算法重建后的Sentinel-2卫星影像,能够在提高玉米冠层LAI反演空间分辨率的同时提高反演精度,在挖掘高分辨率农作物生长信息方面具有很大潜力。