基于深度学习的杂草识别方法研究进展

伴生杂草不仅与作物争夺养分和水分,而且还是多种病虫害的中间寄主,成为困扰作物高效生产的难题。随着深度学习技术的发展,杂草的自动检测和分类识别在清除杂草过程中得到重要应用。首先阐述应用于杂草识别过程中深度学习的硬件需求以及软件实现过程,分析用于深度学习不同硬件的优缺点,阐述深度学习模型建立、训练、模型评估以及模型部署等基本步骤;并重点论述深度学习方法在杂草和作物识别以及杂草分类识别的研究进展。然后指出深度学习数据需求量大,目前无通用数据集,杂草、作物相互遮挡,光照环境复杂,机器作业条件恶劣等情况下识别准确率低的问题。最后提出图像与光谱数据融合、杂草识别模型模块化、杂草长势预测、模型嵌入式部署研究将成为基于深度学习的杂草识别方法未来的研究方向。     

精密播种机下压力和播深CAN总线监控与评价系统研究

为实现精密播种作业中播种下压力和播深的实时监控和质量评价,设计了一种多行播种机下压力和播深CAN总线监控与评价系统。系统采用基于角度和轴销传感器的播深和下压力测量装置,优化设计了液压驱动和分区控制的气压驱动装置,开发了基于CoDeSys(Controlled development system)编程环境的智能终端交互界面和ECU(Electronic control unit)控制程序,实现了基于CAN总线通信的作业参数监测控制和质量评价。通过搭建的室内试验台完成了播深和下压力静态建模试验,建立了适应不同设定播深的下压力测量模型。分区控制系统响应测试试验表明,在调节范围(0.2~0.6 MPa)内,系统超调量低于5.97%;响应时间与控制行数和设定气压正相关;在设定气压(0.1~0.6 MPa)范围内,6行播种机调节时间不超过2.35 s。为测试系统工作性能,在25、50、75 mm 3种设定播深下,对左区控制(600 N)、右区控制(300 N)、机械调节和自重调节4种控制方式进行了田间性能试验。土壤压实和播种下压力控制效果试验表明,主动分区控制方式可实现更为稳定的土壤紧实度,且在浅旋地块环境下,右区控制方式可达到最优的下压力稳定性,其控制合格率不小于95.78%;播深控制效果试验表明,随着设定播深的增大,播深质量显著降低,在设定播深25~75 mm范围内,左区控制、右区控制、机械调节和自重调节对应的最小播深合格率分别为91.92%、92.53%、70.44%和58.72%,对应的最大标准差分别为2.22、3.11、3.69、7.70 mm,对应的最大变异系数分别为3.52%、4.40%、4.96%和14.01%。相比机械调节和自重调节,分区控制系统提高了单体下压力和播深稳定性。     

风送喷雾雾滴粒径测量系统设计与影响因素试验

为方便测量不同喷雾条件下雾滴粒径大小,该文设计了喷头位置、喷雾角度、喷雾压力和风速大小等试验条件可精确调节的风送喷雾雾滴粒径测量系统。该系统喷头xyz三维空间位置调节范围分别为0～0.9、0～0.8和0～0.7m,调整精度为±0.04mm;喷雾角度调节范围为0～360°,调整精度为±0.005°;喷雾压力调节范围为0.2～0.5MPa,相对误差不大于1.5%;风速调节范围为0～15m/s,相对误差不大于4.17%。雾滴粒径风速影响特性试验表明,常用的3个粒径统计项D32、D43和DV0.5随风速增加而增大,其平均变化率分别为2.62、3.59和6.83μm·s/m,速度从3m/s增加到15m/s时,三者分别增加46%、26%和71%;雾滴粒径喷雾压力影响特性试验表明,D32、D43和DV0.5随压力增加而减小,其平均变化率分别为90.33、232.3和300.2μm/MPa,喷雾压力从0.2MPa增加到0.5MPa时,三者分别减小31%、36%和56%,表明风速和喷雾压力对雾滴粒径影响较大,在喷雾系统中进行风速和压力选择时需着重考虑其对粒径变化的影响。     

喷杆式施药机对行喷雾控制系统设计与试验

针对现有大田喷杆式施药机喷雾过程中喷头无法精准对行喷施造成农药浪费的问题,基于机器视觉技术设计了喷杆式施药机对行喷雾控制系统。该系统包括作物行中心线位置提取上位机软件和电动喷杆控制系统,利用工业相机获取作物行RGB图像,采用G-RTG-BT算法及形态学处理实现作物行分割,基于改进的垂直投影法获取作物行中心线,利用坐标系转换实现将作物行中心线位置信息转化为喷杆横向偏移量,并经RS2 3 2串口传输至ATMega1 6控制器,控制推杆电机带动喷杆在滑轨上左右移动,借助位移传感器实时监测喷杆移动距离,以实现作物行追踪和对行喷雾控制。实验室和田间试验表明:改进的作物行中心线提取算法平均耗时12.51ms,喷杆横向偏移量计算误差小于0.44cm;电动喷杆右移最大误差0.3cm,左移最大误差0.5cm;小车速度为0.26m/s时,对倾角为5°、10°、15°模拟作物行的最大对行误差分别为3.22、2.86、2.51cm;小车速度为0.2 4 m/s,最大偏移1 4.0 2 cm时,对田间玉米幼苗的对行喷雾最大误差为4.8 6 cm,为实现作物行追踪和对行喷雾控制提供了一种有效的解决方案。     

精准施药技术现状分析

在分析精准施药技术重要性的基础上,从信息获取方式、喷雾技术和控制系统3个环节对国内外精准施药技术进行了分析。首先,详细阐述了基于实时传感器和基于地理信息技术的信息获取方式;其次,分析了风送液力式喷雾技术、静电式喷雾技术、超低量和低量喷雾技术和仿形喷雾技术;最后对控制系统进行了阐述和分析,旨在为我国精准施药技术的发展提供借鉴。     

基于仿生学原理的新型电子驱鼠器的设计与开发

基于仿生学原理,运用现代集成电路技术,设计和开发了一款新型电子驱鼠器.该驱鼠器主要包括超声波和音频两大模块.系统经过仿真、测试和现场试验表明:该驱鼠器工作稳定.     

树型喷洒靶标外形轮廓探测方法

为了在线探测靶标外形并为变量喷药提供基础支持,研究了树型喷洒靶标外形轮廓探测方法。该文基于超声传感器搭建了靶标外形轮廓探测试验平台,该平台能够驱动步进电机精确匀速运动,以0.02 m为步长密集测量树冠形状,将获得的数据传给计算机实时显示,并能够在Access数据库中长期存储。使用该测试平台针对自制规则树树冠和花期樱桃树树冠分别进行了试验。试验结果显示规则树冠和樱桃树冠体积探测精度分别为92.8%和90.0%,表明该方法具有较高探测精度。     

蔬菜移栽夹茎式取苗装置设计与试验

针对半自动移栽机作业效率低、作业质量差的问题,设计了一种面向蔬菜移栽机器人的夹茎式自动取苗装置。取苗装置经过整排取苗、等距分苗、精准投苗,可实现高效、高质自动化取投苗作业。建立多级剪叉分苗机构与夹苗装置的运动力学模型,对钵苗下落运动、气动系统进行模型设计及分析计算,搭建取苗试验装置。试验选取穴盘辣椒苗作为研究对象,以钵苗苗龄、基质含水率、取苗频率为试验因素,设计以取苗成功率、基质破碎率为评价指标的单因素试验。根据试验结果,采用Box-Behnken响应曲面分析法设计正交试验,探究了苗龄与基质含水率、苗龄与取苗频率及基质含水率与取苗频率之间的交互作用对取苗效果的影响,优化取苗参数。试验结果表明,当苗龄33 d、钵苗基质含水率46%、取苗频率75株/min时,取苗成功率为97.36%,基质破碎5.07%,可满足大田自动化移栽的取苗及投苗要求。     

基于K-means聚类和RF算法的葡萄霜霉病检测分级方法

针对自然环境复杂背景下葡萄霜霉病检测分级困难的问题,提出了一种基于语义分割结合K-means聚类和随机森林算法的葡萄霜霉病检测分级方法,实现对葡萄霜霉病快速分级。构建了葡萄霜霉病数据集,采用HRNet v2+OCR网络建立葡萄叶片语义分割模型,提取复杂环境下葡萄叶片;采用K-means聚类算法将葡萄叶片分解为若干子区域图像,并标记少量数据集进行随机森林算法学习,实现葡萄叶片病斑分割与提取;同时在叶片提取和病斑提取过程中,设计一种像素尺寸变换方法,解决图像分辨率引起的精度低问题。基于HRNet v2+OCR网络的葡萄叶片分割模型的准确率为98.45%,平均交并比为97.23%;融合K-means聚类和随机森林(RF)算法的葡萄叶片正面、反面和正反面霜霉病病害分级准确率分别为52.59%、73.08%和63.32%,病害等级误差小于等于2级时的病害分级准确率分别为88.67%、96.97%和92.98%。研究结果表明,基于K-means聚类和随机森林算法的葡萄霜霉病检测分级方法能够准确地分割自然环境复杂背景下的葡萄叶片和葡萄霜霉病病斑,并实现葡萄霜霉病分级,为葡萄霜霉病精准防治提供了方法和...     

玉米精密播种粒距在线监测与漏播预警系统研究

针对玉米精密播种粒距偏差导致播量分布不均匀的问题,设计了玉米精密播种粒距在线监测与漏播预警系统。该系统主要由车载计算机、排种监测ECU及相关传感器组成,设计了上位机监测软件和基于移动平均粒距在线监测的下位机程序,通过监测玉米精密播种作业过程中的粒距及其误差,完成漏播预警。首先,设计并进行了排种计数监测精度试验,结果表明,在模拟车速3～12 km/h范围内,以1 km/h递增变化的10个车速下,系统对指夹式排种器和气吸式排种器的排种计数监测平均准确率分别为99.12%、99.71%,标准差分别为0.52%、0.44%,总体排种计数监测误差平均值小于1%。其次,基于高速摄像的播种粒距测量试验台进行了实验室环境下的粒距监测精度试验,采用指夹式排种器进行排种,目标粒距为25 cm,在车速3～12 km/h范围内,以1 km/h为间隔的10个车速下,系统对粒距监测误差绝对值的平均值为2.34 cm,标准差为2.56 cm。针对试验结果存在较多的随机异常点问题,采用移动平均滤波对监测粒距进行分析,得出粒距监测误差绝对值的平均值为0.79 cm,标准差为0.62 cm,单车速下对应的粒距监测误差绝对值的平均值最大为1.69 cm,标准差为0.23 cm,经移动平均滤波处理后,粒距误差异常点明显减少,系统粒距监测误差小于2.00 cm。最后,基于气吸式玉米精密播种机设计了试验样机,设置播种车速为5.49、8.49 km/h,目标粒距为25 cm,进行了田间播种粒距监测精度试验,分别采集350个连续的出苗粒距进行对比分析,结果表明,与出苗粒距移动平均值相比,系统粒距监测误差的平均值分别为1.84、2.22 cm,标准差分别为1.61、2.13 cm,粒距监测值曲线与出苗粒距移动平均值曲线的变化趋势基本相同。