苹果树自动修剪技术的应用探讨

苹果栽培管理过程中加快推动自动化修剪技术的有效应用,能够提升栽培管理效率,减轻劳动强度,将种植户从繁重的农作中解脱出来,转移到其他产业当中,增加经济收益。本文在对涟水县苹果产业发展现状进行分析的基础上,探讨了苹果树机械化修剪的发展历程,分析了常见的苹果树修剪机械,阐述了激光扫描技术、虚拟重建技术、虚拟交互技术、图像采集技术在苹果树自动化修剪中的具体应用,希望对苹果修剪技术的应用提供相关参考。

基于信息技术的自动修剪机智能监控系统研究

随着城市园林绿化建设的不断发展,园林修剪需求逐渐增大,但传统的修剪方式耗费大量的人力物力、作业强度大且工作效率低,同时由于自动修剪机缺乏参数监控,无法根据实际情况自动调整修剪机的修剪机构,导致修剪效果不好。为克服这一难题,提高园林修剪效率,将信息技术、传感器技术及通信技术等先进技术应用在自动修剪机中,对自动修剪机工作过程进行了优化,完成了自动修剪机智能监控系统总体方案的设计及硬件模块设计,并进行试验验证。结果表明:基于信息技术的自动修剪机智能监控系统能够实现对实际运行参数的实时监控,保证自动修剪机具有一定的自动调整能力,修剪效率高,质量好,降低了生产成本及劳动强度,具有较大的推广价值。

基于信息技术的自动修剪机参数监控与分析

以自动修剪机运行参数监控系统为研究对象,基于信息采集技术,搭建一种通过位置传感器、角度传感器实现的运行过程参数监控系统。修剪机自动工作过程中,参数监控系统进行修剪机运行参数采集,并与控制系统中的设定值进行比对,进行插补控制指令修正,实现修剪机运行过程的闭环控制。系统运行参数采集分析表明:自动修剪机运行过程中的转动角度、位移、速度及加速度等参数与系统设定值基本相符,但随着修剪过程的推移,实际运行参数与系统初始设定值之间偏差会逐渐增大。

一种大阵列电阻应变片自动修剪设备设计研究

某企业大阵列电阻应变片修剪过程主要采用人工方式,效率低,劳动强度大,修剪质量不稳定,严重制约了企业的发展。针对此问题,设计研发了一台电阻应变片自动修剪设备。根据技术要求和试验论证,运用Solid Works软件对总体方案进行了三维实体设计,对关键零部件进行了选型和设计。整个系统以LabVIEW为平台,采用工控机+数据采集卡的控制模式,运用闭环控制技术和气动控制技术,保证了系统的控制精度和易操作性。测试结果表明,该设备运行稳定,安全可靠,经济环保,各项参数均满足生产要求,有效地提高了企业的生产效率。

基于激光雷达的果树智能修剪系统设计与试验

针对传统果树修剪存在人员劳动强度大、修剪效率低及修剪质量难以保证等问题,本文设计了果树智能修剪机械臂,并利用固态激光雷达与可编程逻辑控制器开发了基于激光雷达的果树智能修剪系统,实现果树自动修剪。为了验证修剪臂的控制精度,分别对修剪机的摆动机械臂、举升机械臂、修剪切割总成进行独立精度试验与修剪目标位置精度试验,独立精度试验结果表明摆动机械臂、举升机械臂、修剪切割总成控制精度平均误差分别为2.32%、3.75%、2.50%,修剪目标位置精度试验结果表明目标位置X_(b)、Z_(b)平均误差分别为2.98%、1.85%,修剪总成作业倾角α平均误差为4.35%,满足果树修剪精度要求。在新疆阿克苏果树种植基地开展了果树修剪试验,结果表明,搭载固态激光雷达的果树修剪机能够实时获取果树的三维空间信息,修剪机可以根据激光雷达探测到的果树树冠信息制定修剪策略,香梨园与苹果园修剪优良率分别为93.3%与86.6%。该系统能有效提高果树修剪效率,降低修剪人员劳动强度。

果树枝条修剪机械装置设备研究进展

枝条修剪是保持果树树形、调整冠层分布、调节果品品质的重要农事作业环节。通过分析国内外人工修剪辅助设备、悬挂式枝条修剪机、自动化修剪设备在果园的应用及技术研究状况,指出随着栽培制度变革国内果树枝条修剪装置具有向智能、轻简、机械化方向发展的趋势。

基于ARM嵌入式的智能草坪修剪系统

我国草坪业快速发展,但草坪修建设施智能化程度不高,进行草坪修剪的主体主要是人类,从而导致人力与资金浪费、效率低下,且不便于对修剪后的草坪进行进一步的护理等。研制出全自动化的智能草坪修剪机,它主要是以ARM芯片为主控芯片,由摄像头、温湿度传感器、Wi Fi模块、红外避障传感器等构成。实现了自动化修剪草坪、检测草坪周围的温湿度,并通过Wi Fi模块将它检测到的数据以及修剪的实施情况传送给云端,从而进行远程控制与检测。

基于改进的CenterNet的绿篱检测算法研究

为了实现绿篱的准确、快速识别,提出了改进的CenterNet绿篱检测算法。在CenterNet的基础上提出了U型连接结构,研究了CenterNet热力图的物理意义并提出了椭圆热力图。最后,改进了原有损失函数以提高预测结果的置信度。实验结果表明:改进后的算法对于绿篱在复杂环境中的检测效果有明显提升,改进算法的平均精度(mean average precision, mAP)和F1分数分别为92.92%和83.10%,相比改进前2个指标各自分别平均提升了5.92%和9%。