基于嗅觉和光谱技术融合的面粉脂肪酸值定量检测

提出了一种基于比色传感器数据和近红外光谱特征融合的储藏期面粉脂肪酸值的定量检测方法。开发比色传感器阵列、搭建便携式近红外光谱测量系统,分别采集不同储藏期面粉样本的比色传感器数据和近红外光谱。利用主成分分析分别对预处理后的比色传感器数据和近红外光谱数据进行特征降维,采用五折交互验证法在反向传播神经网络(BPNN)模型校正过程中进行优化,确定基于单技术分析模型的最佳主成分(PCs)个数。将优化后的基于单技术模型的最佳PCs在特征层进行融合,建立基于融合特征的BPNN分析模型,以实现对面粉储藏过程中脂肪酸值的快速检测。实验结果显示,基于比色传感器特征和基于近红外光谱特征建立的最佳BPNN模型的最佳PCs数量分别为3和4,基于融合特征建立的BPNN模型在预测集中的相关系数和预测均方根误差的均值分别为0.9276和1.9345 mg/(100 g)。研究表明,与单技术数据分析模型相比,基于比色传感器数据和近红外光谱特征融合模型的检测精度和泛化性能都有所提高。本研究可为粮食储藏品质的高精度原位监测提供一种技术方法。     

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。     

基于改进Faster R-CNN的田间黄板害虫检测算法

针对黄板诱捕的害虫体积小、数量多和分布不均匀,难以进行害虫识别的问题,引入当前主流目标检测模型Faster R-CNN对黄板上的小菜蛾、黄曲条跳甲和烟粉虱等主要害虫进行识别与计数,提出一种基于改进Faster R-CNN的田间黄板害虫检测算法（Mobile terminal pest Faster R-CNN,MPF R-CNN）。该算法将ResNet101网络与FPN网络相结合作为特征提取网络,并在RPN网络设计多种不同尺寸锚点对特征图像进行前景和背景判断,使用ROIAlign替代ROIPooling进行特征映射,以及使用双损失函数进行算法参数控制。对2440幅样本图像的实验分析表明,在真实复杂的自然环境下,MPF R-CNN对烟粉虱、黄曲条跳甲、小菜蛾和其他大型害虫（体长大于5mm）检测的平均精度分别为87.84%、86.94%、87.42%和86.38%;在35cm×25cm黄板上不超过480只的低密度下平均精度均值为93.41%,在480~960只害虫的中等密度下平均精度均值为89.76%。同时实验显示,在中低等密度下晴天和雨天的检测精度无明显差异,本算法计数结果与害虫计数决定系数为0.9255。将该算法置入以“微信小程序+云存储服务器+算法服务器”为架构的小米7手机终端系统中进行应用测试,平均识别时间为1.7s。研究表明,该算法在精度和速度上均可支持当前便携式应用,为利用手机对蔬菜害虫进行快速监测与识别提供了技术支撑。     

基于改进YOLO v4模型的马铃薯中土块石块检测方法

为实现收获后含杂马铃薯中土块石块的快速检测和剔除,提出了一种基于改进YOLO v4模型的马铃薯中土块石块检测方法。YOLO v4模型以CSPDarknet53为主干特征提取网络,在保证检测准确率的前提下,利用通道剪枝算法对模型进行剪枝处理,以简化模型结构、降低运算量。采用Mosaic数据增强方法扩充图像数据集(8621幅图像),对模型进行微调,实现了马铃薯中土块石块的检测。测试表明,剪枝后模型总参数量减少了94.37%,模型存储空间下降了187.35 MB,前向运算时间缩短了0.02 s,平均精度均值(Mean average precision, mAP)下降了2.1个百分点,说明剪枝处理可提升模型性能。为验证模型的有效性,将本文模型与5种深度学习算法进行比较,结果表明,本文算法mAP为96.42%,比Faster R-CNN、Tiny-YOLO v2、YOLO v3、SSD分别提高了11.2、11.5、5.65、10.78个百分点,比YOLO v4算法降低了0.04个百分点,模型存储空间为20.75 MB,检测速度为78.49 f/s,满足实际生产需要。     

基于逆运动学降维求解与YOLO v4的果实采摘系统研究

为提高采摘设备的执行效率,采用六自由度机械臂、树莓派、Android手机端和服务器设计了一种智能果实采摘系统,该系统可自动识别不同种类的水果,并实现自动采摘,可通过手机端远程控制采摘设备的起始和停止,并远程查看实时采摘视频。提出通过降低自由度和使用二维坐标系来实现三维坐标系中机械臂逆运动学的求解过程,从而避免了大量的矩阵运算,使机械臂逆运动学求解过程更加简捷。利用Matlab中的Robotic Toolbox进行机械臂三维建模仿真,验证了降维求解的可行性。在果实采摘流程中,为了使机械臂运动轨迹更加稳定与协调,采用五项式插值法对机械臂进行运动轨迹规划控制。基于Darknet深度学习框架的YOLO v4目标检测识别算法进行果实目标检测和像素定位,在Ubuntu 19.10操作系统中使用2000幅图像作为训练集,分别对不同种类的果实进行识别模型训练,在GPU环境下进行测试,结果表明,每种果实识别的准确率均在94%以上,单次果实采摘的时间约为17s。经过实际测试,该系统具有良好的稳定性、实时性以及对果实采摘的准确性。     

基于动态称量原理的泛函式播种施肥量检测方法

针对动态检测播种施肥量的测量系统易受振动干扰影响且难消除的问题,本文采用高压氮气弹簧的支撑力和S型传感器的拉力组合成称量式播量检测装置,利用压力和拉力之间存在力向相反、幅值呈比例的互补特性,提出了一种泛函式播量检测方法,该方法构建了以目标播量函数为变量的泛函,通过求取泛函极值确定目标播量函数。利用外槽轮式小麦播种施肥机平台,在不同目标播量（225、300、375kg/hm2）和不同车速（3、5km/h,3~7km/h变速）下开展了18组室外车载式小麦播种交叉试验,并应用泛函式播量检测方法获取累积播量和动态播量信息。累积播量的绝对相对偏差的最大值、平均值和标准差分别为5.61%、2.26%和1.58%;动态播量的检测数据在作业面积较小时（少于0.020hm2时）存在较大波动,随着作业面积的增加呈明显收敛趋势,动态播量稳定阶段（作业面积大于0.033hm2）,所有测试最大绝相对偏差为9.61%,单次测试中,最大平均值为4.73%,最大标准差为1.97%。试验结果表明,泛函式播量检测方法能有效获取动态播量和累积播量信息,为播种施肥机的播量检测提供了一种测量方法。     

基于信息融合的农业自主车辆障碍物检测方法

针对单一传感器在智能车辆环境感知中的局限性,提出一种基于摄像机与激光雷达信息融合的农业自主车辆前方障碍物检测方法。对单目摄像机获取的图像进行基于Ft（Frequency-tuned）算法的显著性检测,并生成显著图。同时对激光雷达反射点进行基于数据关联性评估的聚类分析,确定障碍物数量、边界与位置等先验信息。然后以激光雷达坐标相对应的图像像素坐标为种子点,由种子点激活经过处理的显著图,基于受限区域生长实现障碍物区域分割。试验结果表明,基于Ft算法的图像显著性检测具有更好的边缘检测效果,基于种子点的受限区域生长法可以有效地进行障碍物分割。在机器视觉的基础上融入激光雷达数据,可以更好地排除非障碍物的干扰,实现了障碍物的完整检出。     

基于含水率与温度补偿的土壤pH值在线实时检测系统

针对目前常用土壤pH值传感器在测量过程中受土壤含水率和温度影响较大的问题,设计了带有温度、含水率补偿模型的锑电极土壤pH值在线实时检测系统。利用最小二乘法对pH值和测量结果进行线性分析,补偿土壤pH值测量误差。试验结果表明,经过补偿之后,由温度和含水率变化导致的pH值测量误差至少可降低84. 5%,pH值测量值随温度和含水率的变化幅度不超过±0. 1。与市场产品ZD-18型土壤酸度计、HYSWR-ARC-12V型土壤含水率传感器、水银温度计对比研究得出,3项指标线性拟合决定系数均达到0. 99以上。为了确保自然环境下土壤pH值测量的适用性,探索了系统在使用过程中土壤含水率的阈值与测量精度,表明在土壤体积含水率大于5%的情况下均可有效测量。试验表明,在pH值3. 06～10. 36范围之内,本系统可有效测量,检测误差为-1. 53%～3. 51%,满足土壤pH值实时在线测量要求。     

基于结构光三维点云的棉花幼苗叶片性状解析方法

针对传统的棉花叶片表型测量方法主观、低效,对复杂性状如卷叶程度、黄叶占比等很难量化的问题,提出一种基于结构光三维成像的棉花幼苗叶片性状解析方法。首先,采用结构光扫描仪获取棉花幼苗的三维点云数据;然后,利用直通滤波、超体聚类、条件欧氏距离算法,实现叶片点云的识别与分割;最后,基于分割的叶片点云,采用三角面片化、随机采样一致性、Lab颜色分割等处理,实现叶片面积、周长、生长角度、卷曲度、黄叶占比等参数的快速、准确、无损提取。对40株棉花幼苗进行三维结构光成像试验,结果表明,3D叶片面积、周长测量的平均绝对误差分别为2. 59%、2. 85%,具有较高的测量精度,还证明叶片卷曲度和黄叶占比能显著区分病叶和正常叶。     

拖拉机田间作业参数无线检测系统研究

针对当前拖拉机检测系统功能集成度低、检测参数不全面、传输距离有限的问题,开发了拖拉机田间作业参数无线检测系统。该系统由传感器、数据采集仪及上位机软件监测平台3部分组成,能够实现PTO转矩及转速、油耗、发动机转速、悬挂提升力、力位调节加载力、加载角度、行驶速度、车轮转速、牵引力等多种参数的采集、无线发送与存储。系统工作时,数据采集仪中的车载检测仪将采集的传感器数据发送至无线数据接收器,无线数据接收器通过串口将数据传输至上位机软件监测平台,实现对各类试验参数的实时监测与数据处理。为验证检测系统的可行性与稳定性,对系统进行了采集通道的计量,结果显示模拟信号通道绝对误差绝对值最大为0.003V,引用误差最大为0.03%,频率信号通道检测绝对误差最大为2Hz,引用误差最大为0.013%,满足对拖拉机作业参数的采集需求。在此基础上,进行了PTO转矩参数及拖拉机无负载行驶速度采集试验。试验结果表明,检测系统可以实现转矩参数的稳定采集及数据的无线传输;在5、8、14km/h 3挡车速匀速行驶下,拖拉机车轮转速与实际行驶速度基本一致,最大相对误差分别为2.0%、1.2%及0.7%。本系统可满足对拖拉机工作性能参数的无线检测需求,数据采集稳定且采集精度较高,为拖拉机多作业参数的无线采集提供有效手段。