基于FCN的无人机玉米遥感图像垄中心线提取

为解决农业机器人在玉米田行间行走的全局路径规划问题,该研究提出一种基于全卷积神经网络(Fully ConvolutionalNetworks,FCN)的无人机玉米遥感图像垄中心线提取方法。基于无人机获取的高精度可见光遥感图像,设计了针对农田垄中心线提取的数据集标注方法,采用滑动窗口法进行图像分块,利用深度学习语义分割网络FCN对垄中心线附近7～17像素宽度范围的垄线区域进行提取,模型在测试田块上精确率达66.1%～83.4%,召回率达51.1%～73.9%,调和平均值为57.6%～78.4%;对拼接后的图像使用影像分割投影法提取中心线,探究了垄线区域宽度对垄中心线提取精度的影响,训练采用9像素的垄区域宽度,可得到垄中心线在77 mm左右偏差范围准确率为91.2%,在31.5 mm左右偏差范围内为61.5%。结果表明,基于FCN对无人机玉米遥感图像进行处理,可得到整片田地的垄中心线栅格地图,方便农业机器人进行全局路径规划。     

浙江省近海渔运船转载信息提取

渔运船是从事渔获物运输的专用船舶,能够提高捕捞渔船作业效率,增加捕捞渔船的作业强度。为掌握渔运船在海上的转载情况,从而间接了解捕捞渔船作业强度,该研究提出一种基于北斗船位数据的以设定航速阈值、距离阈值和时间阈值来提取渔运船转载信息的方法。如果渔运船和捕捞渔船距离小于50 m,且期间有持续3条以上的船舶监控系统(Vessel Monitoring Systems,VMS)记录,则认为可能发生了1次转载,并记录下相遇的时长、船名、空间位置。以浙江省为例,利用该方法从2018年浙江省的北斗船位数据中提取渔运船的海上转载信息,并进行统计分析。结果表明,有转载记录的渔运船808条,参与转载的捕捞渔船3 548条,共转载28 916次。渔运船停船转载占比21.0%,以1～1.4 m/s低速航行的作业状态转载占比53.7%,转载时长小于12.5 min的占比81.3%,同时得到渔运船转载的热点分布,转载累积时长最长的空间网格为122.5°E～123°E,31.5°N～32°N,转载累积时长187 h,其次为122°E～122.5°E,28°N～28.5°N,转载累积时长150h。通过分析渔运船海上转载位置和转载累积时长的空间分布情况可掌握捕捞渔船作业的时空变化特点,为渔业限额捕捞精细化管理提供依据。     

改进AOA模式的大田农机无人驾驶导航参数检测系统设计

卫星导航、视觉导航和雷达导航的成本昂贵、系统构成复杂和适用作业场景有限,在生产特征呈现区域化、适度小规模和分布零散的国内南方水田难以实现便捷跨区域作业和无法适用多农业场景。针对上述问题,该研究以大田环境下无人驾驶农机的牛耕式往复作业路径模式为背景,提出了改进AOA(信号到达角度,Angle-of-Arrival)模式的农业机械无人驾驶导航参数检测系统。该系统采用UWB(超宽带通信,Ultra Wide Band)基站-标签作为检测传感器,设计了TBZ(田边双基站-车身纵向双标签)和TBH(田边双基站-车身横向双标签)2种传感器布置方式,实现农业机械无人驾驶过程中导航参数的快速精准检测。静态试验结果表明:对于2种传感器布置方式,在固定的基站间距和标签间距下,随着标签间距或基站间距的增大导航参数检测精度均有所提高,横向偏差检测误差≤8 cm,航向偏差趋近于0,但不大于1°,并通过正交组合试验方差分析明确了2种传感器布置方式的关键参数对横向偏差和航向偏差检测精度影响的显著性,确定了主次因素和较优参数组合。动态试验结果表明:随着车速增大,横向偏差和航向偏差的检测精度有所降低,横向偏差误差均不超过10 cm,航向偏差的检测误差均小于3°,变异系数均小于10%,说明动态环境下自主导航参数检测系统仍具有较高的检测精度,可满足农机大田自主导航作业需求。研究结果可为研制低成本、高精度和便捷的无人驾驶系统提供参考。     

物种敏感性分布法拟合函数的拟合优度评价

为明确物种敏感性分布(SSD)法适用于酸性土壤条件下的最优拟合函数,以均方根(RMSE)和残差平方和(SSE)为评价指标,系统分析了不同pH和累积概率条件下5种常见拟合函数(Log-logistic、Gamma、Log-normal、Weibull和BurrⅢ)的拟合优度。研究表明:两种pH条件(pH 5.5和pH 6.5)下5种拟合函数的拟合优度无明显差异,其中Log-logistic、BurrⅢ函数的SSE值分别为0.021、0.024和0.169、0.191,RMSE值分别为0.038、0.040和0.106、0.113,两者拟合效果较好;但不同累积概率条件下拟合函数的拟合优度存在一定差异,其中低累积概率(p≤20%)条件下Log-logistic与Gamma的SSE值分别为2.45×10-4和2.46×10-4,RMSE值分别为4.04×10-3和4.05×10-3,两者拟合效果较好;中累积概率(20%p≤80%)条件下Log-logistic与Log-normal的SSE值分别为0.018和0.021,RMSE值分别为0.034和0.037,两者拟合效果较好;而高累积概率(p80%)条件下BurrⅢ与Log-logistic的SSE值分别为0.151和0.203,RMSE值分别为0.100和0.116,两者拟合效果较好。研究表明,酸性土壤(pH≤6.5)中低、中累积概率(0≤p≤80%)条件下优先推荐使用Log-logistic拟合函数,而高累积概率(p80%)条件下优先推荐使用BurrⅢ拟合函数。     

耐低温耐低氧萌发野败不育系赣野A的选育

赣野A是江西省农科院水稻研究所将东乡野生稻的耐冷性和耐低氧萌发能力导入抗稻瘟病保持系赣香B后再与赣香A测交和回交育成的野败型三系籼稻不育系.该不育系败育彻底,异交结实率高,配合力较强,具有较强的耐冷性和耐低氧萌发能力,在直播杂交稻育种中应用前景广阔.2019年通过了江西省品种审定.     

最小二乘法与SVM组合的林果行间自主导航方法

为了提高作业装备在果园与树林行间的自主导航性能,该研究提出一种基于最小二乘法与支持向量机(Support Vector Machine,SVM)融合的树行识别与导航方法。研究采用履带式小型喷雾机为作业平台,通过低成本的单线激光雷达获取果园或树林环境点云数据,融合姿态传感器进行数据校正,利用最小二乘法拟合识别树行,结合SVM算法,预测果园行间中心线,作为作业平台的参考导航线。在桃园、柑橘园、松树林3种不同的行间环境对导航算法进行了测试验证,并以松树林导航为例进行分析。试验结果表明:该导航算法最大横向偏差为107.7 mm,横向偏差绝对平均值不超过17.8 mm,结合作业平台的行驶轨迹,说明该导航算法能够保证作业平台沿树行行间中心线自主导航行驶,能够满足作业装备在果园与树林行间自主导航作业的需求。     

基于自监督学习的温室移动机器人位姿跟踪

为实现温室环境下机器人行进过程中的位置及姿态跟踪,该研究提出一种基于时序一致性约束的自监督位姿变换估计模型。模型用软遮罩,处理视频帧间静止造成的位姿预测值收缩现象,进一步用归一化遮罩,解决非刚体场景和目标遮挡问题。设计了一种星型扩张卷积,并基于该卷积,为模型构建自编码器。在采集自种植作物为番茄的日光温室视频数据上开展训练和测试试验。结果表明,与不采用遮罩处理的模型相比,采用软遮罩的模型,位置和姿态估计相对误差分别减少5.06个百分点和11.05个百分点,采用归一化遮罩的模型,这2项误差则分别减少4.15个百分点和3.86个百分点,2种遮罩均可显著提高模型精度;星型扩张卷积对降低模型误差是有效的,在网络参数不变的前提下,该卷积使姿态估计相对误差减少7.54个百分点;时序一致性约束使姿态估计均方根误差下降36.48%,每百帧累积姿态角误差降低54.75%,该约束可用于提高模型精度及稳定性;该研究的位置及姿态估计相对误差分别为8.29%和5.71%,与Monodepth2相比,减少了8.61%和6.83%。该研究可为温室移动机器人导航系统设计提供参考。     

基于中值点Hough变换玉米行检测的导航线提取方法

为解决机器视觉对早期玉米苗带在多环境变量下导航线提取耗时长、准确率低的问题,该研究提出了一种基于中值点Hough变换作物行检测的导航线提取算法。首先,改进了传统的2G-R-B算法,再结合中值滤波、最大类间方差法和形态学操作实现土壤背景与玉米苗带的分割。其次,通过均值法提取玉米苗带特征点,然后采用中值点Hough变换拟合垄间两侧玉米苗列线,最后将检测出的双侧玉米苗列线为导航基准线,利用夹角正切公式提取导航线。试验结果表明：改进的灰度化算法能够正确分割玉米苗带与土壤,处理一幅640×480像素彩色图像平均耗时小于160 ms,基于中值点Hough变换检测玉米苗列再提取导航线的最大误差为0.53°,相比于传统Hough变换时间上平均快62.9 ms,比最小二乘法平均精确度提高了7.12°,在农田早期玉米苗带多环境变量影响因素下导航线提取准确率均达92%以上,具有较强的可靠性和准确性。     

基于高光谱的双季稻分蘖数监测模型

旨在阐明双季稻分蘖数与冠层反射高光谱间的定量关系,构建基于高光谱的双季稻分蘖数监测模型。基于不同早、晚稻品种和施氮水平的田间试验,于关键生育期(分蘖期、拔节期和孕穗期)测定早、晚稻分蘖数,同步使用FieldSpec HandHeld 2型高光谱仪采集早、晚稻冠层反射高光谱数据,分别利用光谱指数法和连续小波变换构建新型光谱指数和敏感小波特征对双季稻分蘖数进行监测,建立双季稻分蘖数光谱监测模型,并用独立试验数据进行检验。结果表明,新型光谱指数和敏感小波特征对双季稻分蘖数的监测效果优于其他类型光谱参数(植被指数和“三边”参数),其中位于红边区域的小波特征db7(s9,w735)监测早稻分蘖数时表现最优,监测模型R2为0.754,模型检验相对均方根误差RRMSE为0.128;位于红边区域的小波特征mexh(s6,w714)监测晚稻分蘖数时表现最优,监测模型R2为0.837,模型检验RRMSE为0.112。研究结果可为双季稻分蘖数快速无损监测和群体质量精确调控提供理论基础与技术支持。     

Drop size dependence of soil-water contact angle in relation to the droplet geometry and line tension

The soil-water contact angle is used as a measure of the surface hydrophobicity of soils. The contact angle for particular solid–liquid combination is considered to vary with the drop size. In this paper, we focused on examining the drop size dependence of contact angle on soil surfaces compared with homogeneous solid surfaces, and determining its relation to the droplet geometry and line tension. The contact angle estimated using geometric parameters of the droplets (θ _G) showed decreasing trend with increasing drop size from 5 to 50?µL irrespective of the deformations in the droplet shape in larger drops. This was considered to be a result of the corresponding deviations of the geometric parameters of the droplets. The directly measured contact angle (θ _A) first decreased and then increased with increasing drop size from 5 to 50?µL. The drop size at lowest θ _A for hydrophobized silica sand with 1?g?kg^–1 stearic acid (SA) and the acryl surfaces was 20?µL, whereas that for hydrophobized silica sand with 5?g?kg^–1 SA and siliconed paper was 30?µL. The decrease in θ _A with increasing drop size was explained as a result of the line tension effect using the modified Young's equation. Despite the surface heterogeneity, all the surfaces tested in this study showed positive line tensions on the order of 10?µJ?m^–1. Irrespective of the heterogeneity of the surfaces, the θ _A in this experiment agreed with the modified Young's equation for drop sizes up to about 20–30?µL, where the θ _A and θ _G were also in good agreement. Drop size dependence of contact angle was independent of the level of surface hydrophobicity. The θ _A on all the examined surfaces started to increase with increasing drop size when the deformation index, I _d, exceeded 5%, where the wetting radius, R exceeded the capillary length. The increase in θ _A with increasing drop size was attributed to the deformations of water drops due to the effect of gravity.