典型农业物料碰撞接触损伤机理及应用研究进展

农业物料在收获、加工和运输等过程中易出现碰撞损伤,直接影响农产品质量。深入研究其碰撞损伤机理对于降低农业物料损伤具有重要意义。农业物料损伤来源主要为碰撞接触损伤,为了解典型农业物料碰撞损伤机理,在研究大量国内外文献的基础上,基于撞击式损伤原理,针对农业物料碰撞损伤机理综述了经典接触力学中小变形碰撞接触的研究现状和典型物料碰撞接触的损伤规律,从碰撞理论、碰撞模型、碰撞检测及数值仿真等方面,分别阐述了脱粒型、脱壳型和柔性果型农业物料碰撞特性的研究进展和技术难点,并探讨了典型农业物料在逆向建模、碰撞损伤模型改进、碰撞算法改进以及开发高精度损伤传感器等方面研究的可能性,为农业工程装备设计及改进提供参考。     

基于DH-YoloX的群养马岗鹅关键行为监测

马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法（Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX）,该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1 400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2 520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有效观察到马岗鹅随着日龄增长采食次数逐渐减少;试验鹅每日采食与饮水行为同时出现的比例为83.74%,呈现整体相伴趋势,但也从90.78%降低到74.57%,说明马岗鹅采食与饮水行为随着日龄增加呈现出逐渐分离趋势;试验鹅随着日龄增长休息时间逐渐加多,呈现出肉鸭对笼养的适应性逐步增强;应激行为随机性很强,突发性明显,发现人员随机走动等不规范饲喂带来的应激行为占据很大比例。该研究显示MGBM-DH-YoloX算法能利用监控视频对马岗鹅的关键行为进行智能提取,可为家禽智能养殖监管提供技术支撑。     

农户闲置宅基地市场化配置感知风险识别及防控

推进闲置宅基地市场化配置是宅基地“三权分置”改革的主要目标,识别农户宅基地市场化配置的感知风险是稳慎推进宅基地要素市场化配置的基本前提。为科学客观识别农户宅基地市场化配置的感知风险,该研究基于“有监督”的机器学习算法,结合重庆市典型宅改试点的实证,定量识别农户宅基地市场化配置的感知风险,并从“事前预防”“事中防控”“事后防范”3个维度,差异化探讨不同配置方式下的风险防控策略,以期为深化宅基地市场化配置改革提供政策建议。结果表明：1）农户宅基地市场化配置的感知风险等级总体呈“两头低,中间高”的类正态分布。2）就地直接入市中的农民权益风险最高（46.74%）,应联合地方政府、村集体和农户,注重“事前预防”;规划调整入市中的社会稳定风险最高（35.66%）,村集体应注重“事前预防”,而地方政府应注重“事后防范”;复垦指标入市中的耕地保护风险最高（29.13%）,地方政府应注重“事中防控”,而村集体应注重“事后防范”;复绿指标入市中的农民权益风险最高（34.24%）,地方政府应注重“事前预防”。3）4种方式下农户宅基地市场化配置的风险识别结果存在异质性;农户宅基地市场化配置的风险防控既需要“因时而动”,也依赖“多方合力”,需结合不同配置方式的突出致险因子分阶段、分主体协同防控。     

基于PC-RELM的养殖水体溶解氧数据流预测模型

养殖水体中溶解氧浓度一直是最重要的水质参数之一。为了精准地对水体溶解氧进行调控,提高养殖生产效率,降低养殖风险,该研究考虑外部天气条件对溶解氧的影响以及溶解氧自身的昼夜变化特征,提出一种基于正则化极限学习机（principal component analysis and clustering method optimized regularized extreme learning machine,PC-RELM）的养殖水体溶解氧数据流预测模型。首先,采用主成分分析法判断影响溶解氧浓度的强重要性因子,降低预测模型的数据维度;其次,利用熵权法计算各时刻点的天气环境指数,并利用快速动态时间规整算法（fast dynamic time warping,FastDTW）完成时间序列数据流在不同天气环境下的相似度度量;然后使用k-means算法对时间序列的相似度进行聚类分簇,并基于分簇结果完成正则化极限学习机预测模型的构建,实现溶解氧浓度的估算。最后将PC-RELM模型应用到无锡南泉试验基地养殖池塘的溶解氧预测调控过程中。试验结果表明：PC-RELM的预测均方根误差值（root mean square error, RMSE）为0.961 9,与PLS-ELM（partial least squares optimized ELM）、最小二乘支持向量机（least square support vector machine,LSSVM）以及BP神经网络模型进行对比,其RMSE值分别降低了41.54%、54.58%和67.16%。该预测模型可以有效地捕捉不同天气条件下溶解氧的变化特点,具有较高的预测精度和效率。     

小麦生长模型对拔节期和孕穗期低温胁迫响应能力的比较

【目的】作物生长模型是预测和评估气候变化对作物生产力影响的重要量化工具,明确典型作物生长模型对小麦拔节期和孕穗期低温胁迫响应能力的不足,可以为进一步改进低温胁迫对小麦生产力影响的模拟算法提供指导。【方法】本研究将来自4套国际知名小麦生长模型(美国密歇根州立大学的CERES-Wheat、美国华盛顿州立大学的CropSyst、荷兰瓦赫宁根大学的WOFOST和法国国家农业科学研究院的STICS模型)的典型低温胁迫效应算法,与本课题组研发的小麦生长模拟模型Wheat Grow相耦合,利用2012—2013年南京和2013—2015如皋不同品种(扬麦16和徐麦30)、不同温度水平(最低至-6℃)和持续时间(2、4、6 d)的人工气候室低温盆栽试验资料,检验和评价了原WheatGrow模型和耦合后低温胁迫效应算法的WheatGrow模型在拔节期和孕穗期低温胁迫下对小麦叶面积指数动态、茎生物量、地上部总生物量、籽粒产量等指标的预测能力。【结果】拔节—孕穗期低温胁迫明显降低了小麦叶面积指数、地上部生物量积累和籽粒产量,且随低温水平的降低和持续时间的增加降低幅度呈明显升高趋势。比较不同处理时期和品种发现...     

基于全质心WLS-HDS-TWR算法的无人驾驶农业机械协同定位算法研究

针对室内全球导航卫星系统（Global navigation satellite system,GNSS）信号受遮挡时,农用车辆协同定位精度低、稳定性差、信号丢包等问题,本文开展面向超宽带（Ultra wideband,UWB）调频技术的室内外农用车辆协同定位算法研究。首先,搭建三基站多边测距定位模型,实现主基站绝对位置标定以及辅助基站绝对位置坐标的变换求解;其次,提出全质心加权最小二乘的高速双边双向（Weighted least squares high double sided two-way ranging,WLS-HDS-TWR）农机协同定位算法,基于泰勒级数展开的WLS估计算法,求解主车位置。同时,提出面向室内环境的多状态基站组合的UWB定位模块布设模式,并验证其可行性;通过飞行时间法（Time of flight,TOF）获取主从车距离信息,融合GNSS标定位置信息、主车坐标信息以及测距信息,实现主从车协同定位。最后,基于Prescan/Simulink搭建联合仿真平台,验证提出算法的可靠性;通过农用履带车辆开展室内及室外协同定位实车试验,试验结果表明：全质心WLS-HDS-TWR协同定位算法可有效解决室内GNSS信号缺失问题,室内环境下,定位精度较HDS-TWR及全质心LS-HDS-TWR算法分别提高26.98%和22.03%,满足智能农机协同定位作业需求。     

基于星载ICESat-2/ATLAS数据的森林地上生物量估测

为探讨星载激光雷达数据ICESat-2（Ice,Cloud,and land Elevation Satellite-2）在山地森林地上生物量（Aboveground Biomass,AGB）的估测可行性和方法。以ATLAS（Advanced Terrain Laser Altimeter System）光子点云数据为主要信息源,以滇西北典型山地香格里拉为研究区,结合地面54块实测生物量遥感样地,在前期进行点云数据去噪、分类预处理基础上,对研究区74 873个林地光斑进行冠层参数及地形因子的提取（共计53个变量）,采用非参数模型随机森林回归和超参数优化后的随机森林进行建模,以均方根误差（Root Mean Square Error,RMSE）、决定系数（R2）、总体估测精度（P1）作为模型的评价指标,建立研究区AGB模型。研究结果表明：1）分析以ICESat-2/ATLAS提取的冠层参数、地形因子与生物量的相关性可知,冠层光子总数与生物量具有极显著相关性（P<0.01）,基于陆地卫星的乔木冠层百分比、冠层光子比率、坡度、光子总数、表观反射率与生物量具有显著相关性（0.01 < P <0.05）,可作为山地森林生物量遥感模型参数变量;2）地形因子对ICESat-2/ATLAS光斑遥感建模具有一定的影响,地形坡度因子对模型的贡献率为13.97%,小于基于陆地卫星的乔木冠层百分比、表观反射率与冠层光子总数对模型的贡献率。未加入地形坡度因子的传统的随机森林回归模型R2=0.90、RMSE=11.90 t/hm2、P1为80.06%;加入地形坡度因子后模型精度为：R2=0.91、RMSE=11.01 t/hm2、P1=81.30%;3）进行超参数优化的随机森林回归模型精度明显高于传统的随机森林回归模型,优化后的随机森林模型精度R2为0.93、RMSE为10.13 t/hm2、P1为83.31%,可用来进行山地森林生物量估测。估测的光斑点总生物量为1.32×105 t,光斑点平均生物量为77.41 t/hm2。参数优化后的随机森林构建的山地森林地上生物量模型拟合度精度较高,模型决定系数在0.9以上,估测精度在82%以上,表明ICESat-2在山地提取的光斑参数进行AGB反演具有可行性;ICESat-2光斑点生物量的空间分布表明,高生物量的光斑点主要分布在研究区北部,存在分布不均、区域差异较大的现象,与2021年研究区蓄积量空间分布具有一致性,可用来进行森林地上生物量估测。     

采用改进SSD网络的海参目标检测算法

随着海参养殖业快速发展,利用水下机器人代替人工作业的海参智能捕捞已成为发展趋势。浅海环境复杂,海参体色与环境区分性差、海参呈现半遮蔽状态等原因,导致目标识别准确率低下。此外由于景深运动,远端海参作为小目标常常未被识别成功。为解决上述问题,该研究提出一种基于改进SSD网络的海参目标检测算法。首先通过RFB（Receptive Field Block）模块扩大浅层特征感受野,利用膨胀卷积对特征图进行下采样,增加海参细节、位置等信息,并结合注意力机制,对不同深度特征进行强化,将计算得出的权重与原特征信息相乘以此获得特征图,使结果包含最具代表性的特征,也抑制无关特征。最后实现特征图融合,进一步提升水下海参的识别精度。以实际拍摄的视频进行测试验证,在网络结构层面上,对传统算法进行改进。试验结果表明,基于改进的SSD网络的海参目标检测算法的平均精度均值为95.63%,检测帧速为10.70帧/s,相较于传统的SSD算法,在平均精度均值提高3.85个百分点的同时检测帧速仅减少2.8帧/s。与Faster R-CNN算法和YOLOv4算法进行对比试验,该研究算法在平均精度均值指标上,分别比YOLOv4、Faster R-CNN算法提高4.19个百分点、1.74个百分点。在检测速度方面,该研究算法较YOLOv4、Faster R-CNN算法分别低4.6帧/s、高3.95帧/s,试验结果表明,综合考虑准确率与运行速度,改进后的SSD算法较适合进行海参智能捕捞任务。研究结果为海参智能捕捞提供参考。     

Alpha-shape算法构建枣树点云三维模型

为了实现枣树智能化修剪作业,该研究提出了基于点云配准的自然光照环境下的果树三维重构方法,并针对传统最近点迭代（Iterative Closest Point,ICP）算法对待配准点云的空间位置要求苛刻的问题,提出了改进的点云配准算法。首先,使用彩色深度（RGB-D）相机采集不同角度下的枣树彩色和深度图像,并通过信息融合实现相应角度下的点云获取。其次,对点云进行背景去除和滤波处理,基于直方图设定分割阈值,提取单株枣树点云,并将放置在树根附近的标靶球作为标记,使用人工标记法进行两站点云初配准。最后,在初配准基础上计算点云的曲面法向量和曲率,由曲率相近的点构成配对点对,使用k维树最近点迭代（k dimensional-tree-Iterative Closest Point,kd-tree-ICP）算法完成精配准,对点云使用Alpha-shape算法面片化,实现表面重构。利用上述方法对多棵枣树进行全局配准并完整重构果树模型。试验结果表明,通过引入初配准,有效提高了点云配准的准确性和稳定性,配准误差均控制在1.0 cm以内,平均配准误差为0.76 cm;重构模型真实感较强,在外观上更加接近真实树,重构模型枝干相对误差控制在7%以内。该研究重构模型精度较高,可为枣树智能修剪提供可视化研究基础和技术支持。     

基于偏好免疫网络和SVM算法的油茶果多特征识别

针对油茶果采摘脱壳后存在的果壳籽粒分选效率较低的问题,该研究提出了一种结合人工免疫网络（aiNet）与支持向量机（Support Vector Machine）的多特征智能分选算法。该方法利用了免疫算法的多特征聚类特点与支持向量机的二分性特点,对油茶果壳与籽粒的延伸率、圆形度、圆满度、色差分量等6个特征进行分选。试验结果表明,该研究提出的方法在分选识别率上达到了97.4%,时间平均值为600 ms,证明了这种方法在油茶果壳籽粒分选作业中的实时性与有效性。通过与其他智能分选算法的效率对比分析证明,该研究提出的方法在效率上更优,更加适合油茶脱壳生产线的实时性要求。