手持式马铃薯干物质含量无损检测装置设计与试验

面向马铃薯品质抽检的需求,研发了手持式马铃薯干物质无损检测装置。装置硬件部分包括光谱采集模块、电路控制模块、控制与显示模块、外壳模块,装置设计为枪形,尺寸为180 mm×85 mm×210 mm。利用装置采集可见近红外漫反射光谱,比较Savitzky-Golay卷积平滑(SM)、一阶导数(first-order derivative,FD)、多元散射校正(multiple scattering correction,MSC)和标准正态变量变换(standard normal variate transformation,SNV)的预处理方式,SM结果较优。采用竞争性自适应重加权采样(competitive adapative reweighted sampling,CARS)筛选27个特征波长,建立马铃薯干物质含量的支持向量回归(support vector regression,SVR)预测模型,结果显示,验证集决定系数和均方根误差分别为0.802和0.98%。基于QT开发工具编写装置软件,包括黑白校正与测量模块、电量显示模块、光谱数据显示模块、保存数据模块、光谱数据刷新模块、检测结果显示模块。开展装置验证,预测均方根误差为1.01%,单次测量平均耗时为0.62 s。结果表明,手持式马铃薯干物质无损检测装置可快速、准确检测干物质含量,具有在马铃薯生产源头与加工现场应用的潜力。

基于BP_Adaboost的农机行驶轨迹状态识别

农业机械运动轨迹不仅包括田间作业轨迹,还包括道路行驶轨迹。有效区分农机行驶过程中田间作业和道路行驶等作业轨迹,可精确划分有效作业地块和精准评估农机作业效率,从而实现农机的远程智能管理。通过对农机轨迹点属性的分析,提取典型特征数据,利用BP_Adaboost方法建立的训练模型对农机轨迹点进行识别,将道路与田间交界处易错轨迹点重新标记后再次训练,轨迹识别正确率达96.89%。该方法既避免了传统聚类算法对阈值和参数依赖的问题,也有效解决了将道路行驶轨迹误识别为田间作业轨迹的难题。