The effect of salinity on corn yield using the CERES-maize model

In most cases, when calculating soil water availability, only thewater content is considered. The effect of salinity on the wiltingpoint is neglected. The objective of this work is to use asimulation model (CERES-maize) in order to predict cornyields as a function of water salinity under severalenvironmental, agrotechnical, and plant characteristics. A modelis presented in which the wilting point is a function of the soilsalt content. At high salinity, the water content at wilting pointis higher than at low salinity, resulting in an insufficient amountof available water and, therefore, a reduced yield. The modelwas used to simulate several theoretical and experimentalsituations for forage corn and grain corn. Simulation resultsshowed that nitrogen fertilization increases the salinity thresholdvalue and the yield sensitivity (rate of yield reduction per unitof salinity). The also showed that forage corn is more sensitiveto salinity than grain corn. If the soil is not leached, a heaviersoil texture has a higher salinity threshold value. On the otherhand, if the soil is leached, the soil texture has no influence onthe salinity threshold value and the yield is less sensitive tosalinity in sandy soils. The determination coefficient (r²= 0.75) indicated that the results of the simulations were in goodagreement with the field data.     

燃料电池三点比较实时电阻匹配最大功率跟踪

依据最大功率传输理论以及燃料电池电气的特性,提出了一种适用于燃料电池的最大功率跟踪控制方法。该方法通过实时在线检测燃料电池工作点处的输出电压与电流并计算燃料电池的内阻和理想状态下欧姆极化区的开路电压,求解出最大功率点对应的电流型变换器的参考电流。通过控制变换器使燃料电池能够较为稳定地工作在燃料电池欧姆极化区的最大功率输出点处。当外界环境发生变化时,通过电流型扰动观察法完成对燃料电池的最大功率点跟踪。所提算法具有功率自校正功能,以减小算法本身对燃料电池功率输出的扰动。仿真结果表明:当负载或者工作环境发生变化时,该算法可以有效地跟踪燃料电池的最大功率点。     

基于视觉测量的挖掘机工作装置姿态测量系统

提出了一种基于视觉测量的挖掘机工作装置姿态测量方法。使用工业相机获取工作装置侧视图像,采用鞍点检测方法快速捕捉工作臂上的人工靶标;将靶标间的固定几何尺寸关系作为约束条件筛选出靶标中的鞍点并计算相应工作臂的姿态角;通过预判靶标的运动范围以缩小图像检测区域,提高算法处理速度。试验表明,与挖掘机上原有的拉线传感器测量系统相比较,动臂和斗杆姿态角动态测量偏差分别小于1°和2°,处理每帧工作装置运动图像平均用时在100 ms以内,验证了该方法对挖掘机工作装置姿态测量的可行性。     

基于模糊理想点法的多区域多目标

水利工程项目建设次序对水资源方案实施的效果影响较大。因此研究中选用防洪、供水、农村水利水电发展、生态环境保护、工程投资作为水资源方案实施效果的评价目标。考虑到不同区域水利建设的重点不同，本文利用模糊决策分析理论确定出各评价目标在不同区域的权重，基于模糊理想点法建立评价模型，并以湖南省水利工程建设排序为实例进行分析，得出理想的工程排序结果。     

基于三维点云的蔬菜大棚杂草识别方法

为实现蔬菜大棚内自动化除草的目的,针对其中的杂草识别环节,提出了一种基于三维点云的新型蔬菜大棚杂草识别方法。采用RGB-D相机获取青菜田、生菜田的三维点云图像,采用超绿色算法去除其中的土壤等背景,采用体素滤波法在保留点云图像形状特征的同时降低点云数量,然后采用欧式聚类法分割出单株青菜和单棵杂草的点云簇,分别计算得到每个点云簇的最高点的Z坐标值,最后结合深度信息Z坐标值实现蔬菜大棚杂草识别。结果表明:这种基于三维点云的杂草识别方法能够有效的识别出杂草,识别率为86.48%。该方法能够对蔬菜大棚中的杂草进行准确识别,为蔬菜大棚自动化除草提供有效的解决方案。     

强化木地板耐磨性能及国产化耐磨纸的研究

对强化木地板的耐磨性能和国产化耐磨纸进行了研究,重点考察耐磨纸的生产方式和热压工艺过程对产品耐磨转数和磨耗量的影响。结果表明Al2O3添加量和添加方式对产品的耐磨性能有很大影响,新研制的B型耐磨纸和进口耐磨纸有相似的磨损曲线,其耐磨转数与Al2O3添加量之间呈线性正相关,耐磨转数的增加主要表现在延长第二磨损区域,即提高初始磨损的IP值。热压工艺过程与产品的耐磨性能之间无明确关系。     

匹配点云结合HSI色彩分量的无人机RGB影像信息提取方法

无人机通常搭载可见光波段传感器获取红-绿-蓝（Red-Green-Blue,RGB）影像,由于无人机RGB影像波段较少,影像的地物信息提取存在一定难度。该研究提出了一种匹配点云结合色调-饱和度-亮度（Hue-Saturation-Intensity,HSI）空间色彩分量的无人机RGB影像信息提取方法。首先以饱和度分量和红光波段构造了饱和度与红光比值指数,再结合可见光波段差异植被指数以及由匹配点云获得的地形特征对研究区正射影像进行分类。试验结果表明,本文方法的总体分类精度达到了91.11%,Kappa系数为0.895,证明匹配点云结合HSI空间色彩分量的方法提取无人机RGB影像信息是可行的,提取结果具有较高精度。相较于基于光谱特征的传统方法,本文方法引入匹配点云可以简单高效地提取影像中高程差异明显的地物,同时,结合HSI色彩分量能够有效弥补无人机RGB影像光谱特征较少的不足。     

基于堆叠沙漏网络的单分蘖水稻植株骨架提取

针对水稻栽培和遗传育种研究中单分蘖性状高通量无损提取的实际需求,该研究提出了一种基于沙漏网络模型的单分蘖水稻关键点预测和骨架提取方法。首先,对原始图像进行批量裁剪、gamma校正和锐化卷积等预处理,获取单色背景下的水稻单分蘖图像数据集;设计水稻单分蘖各器官关键点数据标注策略,构建监督数据集。然后,构建堆叠沙漏网络架构实现叶片数固定和不固定的水稻关键点检测,引入沙漏结构整合图像的多尺度特征,结合中间监督机制整合不同沙漏模块信息。叶片数一致的情况,模型预测准确率最高可达96.48%;叶片数不一致的情况,预测准确率达到82.09%。最后,根据预测关键点及其对应的语义信息连接形成植株骨架,选取茎秆长、叶片长、穗长、叶片-茎秆夹角和茎节点位置5个表型参数对生成骨架模型的实际意义进行评估,其均方根误差依次为5.82 cm、3.09 cm、1.71 cm、3.22°和2.04 cm,证明了该方法能较好地识别水稻单分蘖关键点,为水稻骨架提取提供了一种新思路,有助于加快水稻育种速度。     

基于改进UNet模型的油茶果振动采摘点定位方法

针对非花果同期油茶果采收效率低这一问题,提出一种侧枝振动采摘点定位方法,通过振动侧枝降低树木损伤并实现高效采收。首先构建数据集,对侧枝分段标注,向UNet中添加CloFormer注意力机制并命名为Clo-UNet,实现侧枝的二维重构。其次,在Clo-UNet基础上进一步设计采摘点定位方法并命名为Clo-UNet-Point,该方法优先选择采收离果实最远且最粗的枝条。试验表明,Clo-UNet在验证集上表现优异,其中br_con（连果枝）、danger（危险区）和br_pro（优先采收区域）的平均交并比mIoU分别达到85.36%、86.37%和81.29%,平均像素精度mPA分别达到94.97%、96.17%和89.48%,Clo-UNet在整个数据集上的mIoU和mPA分别比UNet高5.14、6.85个百分点。通过观察验证集647幅图像,Clo-UNet-Point算法在不同光照条件下均能定位到采摘点,平均检测一张图像用时0.15 s。该研究可为未来非花果同期类油茶果的自动化振动采收奠定理论基础。     

基于Kinect V3深度传感器的田间植株点云配准方法

准确建立植物的三维点云是以点云方式高通量获取植株各部位物理参数的前提。为实现田间复杂环境下的植株三维点云配准,该研究提出了一种基于多标定球的田间植株点云自动配准方法,并分别在室内简单场景及大田复杂场景下从不同角度对多种作物采集的点云数据进行验证。该方法采用随机抽样一致性算法（Random Sample Consensus, RANSAC）结合点云减法的概念从下采样后的点云中实现多标定球的自动提取,弥补了RANSAC一次只能提取单个物体的缺点。然后基于各标定球的球心距离信息实现三维点集的自动匹配。最后使用奇异值分解算法解算旋转平移矩阵,实现点云的自动配准。不同场景下各作物的配准结果表明,各植株的水平90°、180°、270°以及垂直方向上的点云配准到水平0°点云下的平均轴向误差在6～17 mm之间,平均点位误差在13～30 mm之间,与手动配准的商用同类软件LiDAR360的配准结果相当,但配准过程的自动化程度明显提高,效率提高了67%。该文所提出的方法可在田间复杂环境下对低成本深度相机获取的植株点云实现高精度的自动配准,为田间植物表型参数的提取提供了低成本的可行方案。