基本驾驶操作技术

一、拖拉机的起步 柴油机运转正常，水温达到40℃以上方可起步。启动前呜喇叭，并注意观察周围有无障碍物。松开制动器踏板的锁定板。如在斜坡上起步，应在拖拉机起步的同时，逐渐放松制动踏板。     

山羊脑包虫病的诊治体会

（一）病例介绍 1．贵州遵义县平正仡佬乡共心村沙包树村民组王某饲养山羊62只，有1只2岁左右的英本杂基础母羊发病，发现该只羊呈现出特有的强迫运动（转圈、头抵障碍物不动、已不能采食）症状，诊为患脑多头蚴病，对该羊进行冶疗，5日后随访痊愈。     

基于视觉与激光雷达融合的棚内农业机器人定位和检测研究分析

【目的】探究视觉与激光雷达融合在棚内农业机器人中的应用,解决复杂环境下机器人自主导航的关键问题,提高机器人的感知能力和环境适应性。【方法】首先,采用高精度的视觉传感器捕捉棚内农业场景,通过图像处理技术提取关键特征,建立视觉地图以支持机器人的定位。同时,引入激光雷达传感器获取场景的三维点云数据,从而实现对环境深度和形状的准确感知。视觉与激光雷达信息的融合构建了综合感知系统,为机器人提供了更全面、可靠的定位信息。其次,针对棚内农业作业中常见的障碍物,设计了基于深度学习的障碍物检测算法。通过训练神经网络,机器人能够在实时环境中快速而准确地识别障碍物,并进行相应的避障决策。【结果】本研究提出的基于视觉与激光雷达融合的农业机器人定位和障碍物检测系统在不同棚内环境中表现出卓越的性能。【结论】机器人能够实现高精度的定位,并对障碍物做出及时准确的响应,为棚内农业的自动化精准作业奠定了坚实的技术基础。     

复杂边界田块旋翼无人机自主作业路径规划

针对农用无人机复杂边界田块下的作业问题,提出一种对田块边界形状具有普适性意义的旋翼无人机作业路径规划算法,以快速获得凸多边形、凹多边形、带孔洞多边形甚至多个多边形形式的复杂边界田块情形下的飞行作业轨迹。首先,基于田块边界多边形顶点数据的存储规则,采用多边形分组法,区分所属不同田块的多边形,建立按区域即田块为单元进行航线计算的基础;针对单田块的内、外边界多边形,采用活性边表法实现单个多边形扫描线填充的快速求交解算,得到初始扫描线,再对处于同一航向位置上的内、外多边形两类扫描线组采用线段布尔运算"减法"操作处理,获得预设航向条件下的作业航线;以最小航线间转移路径总长度为优化目标,引入贪婪算法、凸多边形最小跨度法和步进旋转法,综合进行航线排序优化和航向优化,获得不考虑障碍物条件下的完整作业路径。为进一步扩大算法的应用范围,假设田块边界上存在障碍物,且高度大于作业高度,继续增加转移过程的安全性判断及处理算法。针对假想田块和实际田块边界的多组算法仿真试验结果表明,所设计的算法可处理各种复杂边界类型的田块;在不考虑障碍物影响时算法耗时15 ms～19. 2 s;相比于只进行航线排序优化的情况,同时进行航向和航线排序优化后,航线间转移路径总长度下降了23. 04%～45. 98%;而考虑障碍物影响时处理耗时也在离线应用的可接受范围内。该算法的通用性、可靠性、效率和优化效果均可满足各种复杂边界二维田块无障碍物和有障碍物条件下的农用无人机作业的相关要求。     

犬的玩耍行为及其适应意义

玩耍行为,又称为游戏行为,是犬的重要行为之一。犬只有在环境舒适、身体健康的条件下才能表达适度的玩耍行为。很多类型的行为都可以归属于玩耍,当没有障碍物需要克服、没有天敌需要逃避、没有猎物需要追捕时的跑跳、撒欢、追捕、打斗以及弓背跃起等动作都属于典型的玩耍。玩耍     

农业车辆双目视觉障碍物感知系统设计与试验

为保证智能化农业机械在自主导航过程中的安全可靠性,该研究将嵌入式AI计算机Jetson TX2作为运算核心,设计一套基于双目视觉的农业机械障碍物感知系统。使用深度卷积神经网络对作业环境中的障碍物进行识别,并提出一种基于改进YOLOv3的深度估计方法。将双目相机抓取的左右图像分别输入至改进的YOLOv3模型中进行障碍物检测,并将输出的目标检测框信息进行目标匹配和视差计算,完成对障碍物的识别、定位和深度估计。试验结果表明,该系统能够对障碍物进行准确识别,平均准确率和召回率分别达到89.54%和90.18%;改进YOLOv3模型的深度估计误差均值、误差比均值较原始YOLOv3模型分别降低25.69%、25.65%,比Hog+SVM方法分别降低41.9%、41.73%;动态场景下系统对障碍物深度估计的平均误差比为4.66%,平均耗时0.573s,系统在深度预警时能够及时开启电控液压转向模块进行安全避障。研究结果可为农业机械的自主导航提供有效的环境感知依据。     

柑橘采摘机器人障碍物识别技

根据柑橘采摘机器人遇到树枝等障碍物的特点,通过提取和处理障碍物图像的骨架恢复障碍物的三维信息.首先采用图像分割、形态学处理、区域细线化等步骤提取障碍物骨架,并进行骨架修剪、恢复遮挡骨架等处理;然后找出骨架中端点、分支点等特征点并记录其连接关系;最后通过对特征点的立体匹配恢复障碍物的三维信息,试验表明障碍物的正确识别率为67.3%.     

基于深度学习的模糊农田图像中障碍物检测技术

针对图像实时采集时,由于镜头缺陷、相机抖动、目标运动等原因造成的模糊图像输入,导致训练完成的深度学习模型检测准确率下降问题,本文提出一种基于改进Faster R-CNN和SSRN-DeblurNet的两阶段检测方法,用于农田环境模糊图像中的障碍物检测.第1阶段进行锐度评价和去模糊处理,利用简化尺度循环网络(Simpli...     

基于改进YOLOv3-tiny的田间行人与农机障碍物检测

为实现农机自主作业中的避障需求,本文针对室外田间自然场景中因植被遮挡、背景干扰而导致障碍物难以检测的问题,基于嵌入式平台应用设备,提出了农机田间作业时行人和农机障碍物检测的改进模型,更好地平衡了模型的检测速度与检测精度。该改进模型以You only look once version 3 tiny（YOLOv3-tiny）为基础框架,融合其浅层特征与第2 YOLO预测层特征作为第3预测层,通过更小的预选框增加小目标表征能力;在网络关键位置的特征图中混合使用注意力机制中的挤压激励注意模块(Squeeze and excitation attention module,SEAM) 与卷积块注意模块(Convolutional block attention module,CBAM),通过强化检测目标关注以提高抗背景干扰能力。建立了室外环境下含农机与行人的共9405幅图像的原始数据集。其中训练集7054幅,测试集2351幅。测试表明本文模型的内存约为YOLOv3与单次多重检测器(Single shot multibox detector,SSD)模型内存的1/3和2/3;与YOLOv3-tiny相比,本文模型平均准确率（Mean average precision,mAP）提高11个百分点,小目标召回率（Recall）提高14百分点。在Jetson TX2嵌入式平台上本文模型的平均检测帧耗时122ms,满足实时检测要求。     

农用车辆作业环境障碍物检测方

针对联合收获机视觉导航系统中的视觉测障,提出了一种基于单目彩色图像分割测障与立体视觉特征匹配测障相结合的测障方法:利用H、S颜色分量对单目图像实施固定阈值分割并二值化,获得潜在障碍物的位置及区域;采用尺度空间不变(SIFT)算法获取潜在障碍物区域特征;采用近似最近邻分类算法(ANN)进行快速特征匹配,获得潜在障碍物的世界坐标,由此进一步确认障碍物以及障碍物与车辆之间的距离.提出了提高算法效率的措施,分析了图像压缩比与运行时间、SIFT特征数以及匹配数之间的关系.试验表明,在有障碍物的情况下,检测时间不超过200ms.