棉田信息采集云平台建设研究

我国是棉花生产和消费大国,年生产总量和营销量一直是世界首位,但棉花种植环节信息孤岛现象严重,没有实现棉花种植生产过程中信息的采集和融合,传统的手工记录或简单的办公软件操作繁琐、效能低下；近年来,棉花种植生产在病虫害影响下每年损失达 15%～20%,是棉花种植生产的重要影响因素之一。针对这些问题开发了一种棉田信息采集云平台,实现棉花种植生产过程信息的收集、统计和共享。病虫害综合防治是一个复杂的决策问题,采用以隐马尔可夫模型为基础的层次分析法将这一问题分为若干层次逐步进行分析,通过搜索文献以及专家打分的方式,采用1-9及其导数的标度方法对各因素进行量化处理,建立棉田灾害综合防治的层次结构模型。     

A rapid,low-cost deep learning system to classify strawberry disease based on cloud service

Accurate and timely classification of diseases during strawberry planting can help growers deal with them in timely manner, thereby reducing losses. However, the classification of strawberry diseases in real planting environments is facing severe challenges, including complex planting environments, multiple disease categories with small differences, and so on. Although recent mobile vision technology based deep learning has achieved some success in overcoming the above problems, a key problem is how to construct a non-destructive, fast and convenient method to improve the efficiency of strawberry disease identification for the multi-region, multi-space and multi-time classification requirements. We develop and evaluate a rapid, low-cost system for classifying diseases in strawberry cultivation. This involves designing an easy-to-use cloud-based strawberry disease identification system, combined with our novel self-supervised multi-network fusion classification model, which consists of a Location network, a Feedback network and a Classification network to identify the categories of common strawberry diseases. With the help of a novel self-supervision mechanism, the model can effectively identify diseased regions of strawberry disease images without the need for annotations such as bounding boxes. Using accuracy, precision, recall and F₁ to evaluate the classification effect, the results of the test set are 92.48, 90.68, 86.32 and 88.45%, respectively. Compared with popular Convolutional Neural Networks (CNN) and five other methods, our network achieves better disease classification effect. Currently, the client (mini program) has been released on the WeChat platform. The mini program has perfect classification effect in the actual test, which verifies the feasibility and effectiveness of the system, and can provide a reference for the intelligent research and application of strawberry disease identification.     

温室高架栽培草莓空间姿态识别与采摘点定位方法

采摘目标空间位姿信息缺失和目标定位精度低是影响草莓采摘机器人采摘效果的关键因素之一。为此，本文首先设计了基于颜色信息和卷积神经网络的草莓图像目标定位与分割以及目标点云分割模型；其次，实现了基于图像的草莓可采摘性和遮挡程度识别模型；最后，设计了草莓空间定位和姿态估计模型并实现草莓采摘点定位方法。基于本文方法对完整草莓位姿估计平均误差为4.03%，对遮挡草莓位姿估计平均误差为9.06%，采摘定位综合误差为2.3mm。在实际采摘实验中，采摘成功率为92.6%，平均每个草莓的计算耗时约为92ms，单个草莓采摘动作的执行平均耗时约为5.7s。实验结果表明：本文提出的方法可在温室条件下较准确地估计草莓空间位姿和采摘点，为草莓采摘机器人提供有效的目标定位信息，有效满足实际采摘场景下的需求。     

应用大数据云平台提升生鲜乳运输安全及效率的研究

我国奶业正处于转型升级的关键时期,实时有效地利用大数据、云平台等信息化管理技术,可提高生鲜乳安全生产效率和质量,提升奶业综合竞争力。随着生鲜乳需求量与运输距离的不断提升,从生产牧场至乳品厂之间的质量监管成为生鲜乳安全生产的重要环节,如何高效实现生鲜乳运输车辆调度、运输状态可视化监控、生鲜乳质量实时监控,打通生产乳从生产、运输和乳品厂之间全程安全监管环节,是当前生鲜乳生产和加工企业关注和实践探索的重要方向。为了全程零盲区监管保障生鲜乳质量,本文介绍了如何利用大数据平台,实现生鲜乳运输车辆管理、调拨信息、过程监控、报表中心、后台信息等APP模块管理的互通,打破信息不共享孤岛,贯通牧场与乳品加工厂的信息对接,全程信息调拨、监管实现信息零延误,实时痕迹预警监管的经验做法,为生鲜乳安全生产最后一公里保驾护航。     

基于主成分和云模型的冬小麦种植信息提取研究

在对Sentinel-2卫星遥感影像进行预处理的基础上，利用主成分变化提取小麦主要信息，基于云模型算法开展光谱遥感图像分类。分类时，首先根据训练样本集，由逆向云发生器生成典型小麦的云模型，然后利用云发生器计算出各波段每个象元对小麦地物的平均隶属度，在对各波段的隶属度分析基础上，摒弃含有复杂信息的第1主成分，利用第2主成分和第3主成分信息实现对冬小麦种植空间信息的提取。结果表明，提取小麦种植信息制图精度和用户精度分别为92.78%和99.90%，小麦种植田块的隶属度值因小麦长势和密度的不同有较大的差异，云模型对长势较差、密度较低的小麦像元存在漏分现象。基于云模型的算法精度极高，对小麦地块的识别错分、漏分现象少。该模型有助于冬小麦种植面积的精确提取，对于农业部门进行冬小麦生长监测与产量估测有重要的支撑作用。      

基于三维点云的番茄植株茎叶分割与表型特征提取

针对当前温室番茄表型参数难以自动获取的问题，研究提出通过对三维点云进行配准、骨架提取以及分割从而自动获取苗期番茄植株株高、茎粗、叶倾角和叶面积参数的方法。首先通过机器人搭载机械臂在温室中自动获取多视角番茄点云，并通过配准得到完整植株点云；对番茄点云利用拉普拉斯收缩的骨架提取算法获取植株骨架，对骨架进行修正后分解为茎秆和叶片子骨架，实现茎秆叶柄分割；再通过基于区域生长的MeanShift聚类方法对叶片和叶柄进行分割；最后通过番茄点云获取株高、茎粗参数，通过骨架测量叶倾角，对叶片点云进行曲面拟合提取叶面积参数。试验结果表明，茎叶分割与叶片分割的精确率、召回率、F1分数和平均总体准确率分别为0.84、0.91、0.87、0.92和0.92、091、0.91、0.93。株高、茎粗、叶倾角和叶面积参数的提取值与人工测量值的决定系数分别为0.97、0.53、0.90和0.87，均方根误差分别为1.40 cm、1.52 mm、5.14°和37.56 cm2。结果表明该研究方法与人工测量值具有较强的相关性，可以为温室番茄的高通量自动化表型测量提供技术支持。     

科研单位数字档案馆云服务应用问题分析

我国越来越多的科研单位在档案管理中逐渐融入信息化手段，无论是在信息存储，还是在信息服务方面，都在朝着数字化趋势快速发展，其中数字档案馆的云服务方兴未艾，是未来发展的一个重要方向。数字档案馆云服务不仅能扩充档案信息存储空间，同时还可以增加信息共享的能力，进而提升档案信息应用范围以及应用效率。但云服务运行时间较短，存在一定不足。文章对科研单位数字档案馆云服务的应用现状进行了分析，针对应用过程中存在的不足，提出了相应的改善对策。     

物联网和PLC技术在鱼菜共生系统中的应用

物联网技术作为工业4.0的核心,成为全球的热点词汇。中国作为一个农业大国,在农业生产上,我们需要引用新型的技术,在有限的资源构造出消耗少、避污染、成本低、可量产的生产模式。本文介绍了物联网IOT技术结合西门子S7-1500控制器、Node-RED等物联网工具,连接传感器与PC站组成一套PLC控制的鱼菜共生系统。以TIA Portal作为编程组态软件,对传感器和被控对象进行组态、测试,对系统进行电气设计,组装外部控制系统电气柜,实现对鱼菜共生系统的自动控制。该设计改变了传统高密度养殖模式,是新型仿自然的种养一体复合农业模式,具有低能耗、高产出、高利润、产品好、无污染的特点。     

基于变权云模型的灯泡贯流式水轮机状态评估方法

为了对灯泡贯流式水轮机的运行状态做出客观评价,基于云模型提出了灯泡贯流式水轮机状态评估的多重指标体系,并建立了部件级-设备级的多层灯泡贯流式水轮机综合评估模型.通过引入云理论直接得到各指标对贯流式水轮机各状态等级的隶属度,从而列举出每个设备的隶属度矩阵,并结合变权理论来确定各指标的组合权重,再由加权平均算子转化为对应的评分,即得到了灯泡贯流式机组的运行健康状态.结合实例研究发现,此方法简单易行,可操作性强,在水轮机部件级评估方面较传统方法更加准确,为灯泡贯流式水轮机状态检修工作提供了新的途径.     

果园机器人LiDAR/IMU紧耦合实时定位与建图方法

针对果园环境中GNSS定位信号易丢失和传统SLAM算法鲁棒性较差的问题，本文提出一种基于LiDAR/IMU紧耦合框架的全局无偏状态估计果园机器人定位与建图方法。LiDAR/IMU紧耦合框架基于因子图进行多源约束的IMU里程计构建，实时输出高频位姿信息，IMU里程计因子和预积分因子优化LiDAR里程计并提供位姿先验约束IMU零偏。引入局部点云地图参与特征点云粗匹配和非特征点云递进式匹配进一步稠密化源点云，改善LiDAR里程计的性能。融合GPS信号与LiDAR/IMU紧耦合框架的地图构建，能够得到准确且高频连续的位姿信息，提高点云地图的复用率。在果园和苗木等场景验证了该算法的性能，实验结果表明，与LIO-SAM等算法相比，定位精度维持在0.05 m左右，均方根误差为0.016 2 m。本文算法使机器人具有更高的精度、实时性和鲁棒性，有效降低了系统累积误差，保证了所构建地图的全局一致性。