耕深测量装置研究与多元线性回归模型预测分析

针对耕作环境复杂、旋耕机耕作深度测量作业影响因素多等特点,设计了一种自动化测量、省时省力、精度高的便携式耕深深度测量装置。装置搭载于旋耕机后,通过磁致伸缩位移传感器、超声波传感器、姿态传感器和GPS模块等传感器采集数据,结合装置数学模型,融合相关数据,有效获得准确的耕深数据。对超声波传感器和磁致位移传感器采集的数据进行S-G滤波加权融合,有效应对测量过程中泥土飞溅或越坎等数据波动,减小外在因素对测量精度的影响,提高测量的精度。结合多元线性回归预测模型,对滤波融合后的数据进行预测分析,准确预测耕深数据变化值并辅助旋耕机调整机身姿态。试验结果表明:在3组16cm预定耕深下,磁致位移传感器直接采集的数据可以准确地反映数据的变化和趋势,且超声波传感器数据间接辅助磁致伸缩位移传感器数据,还原数据真实变化趋势。研究结果表明:多元线性回归模型预测数据与实际测量的数据之间的平均绝对百分比误差分别为0.03%、0.26%、3.16%,能准确反映实际旋耕机作业耕深数据情况,实现耕深测量预测。

农田平整度测量装置研究与预测分析

为准确测量农田平整度,测量装置采用超声波传感器间接测量与磁致伸缩位移传感器直接测量相结合,并通过姿态传感器与陀螺仪获取测量装置姿态辅助修正测量值,通过LSTM神经网络的不同数量训练集对其测量值进行趋势变化预测。试验结果表明,测量装置磁致伸缩位移传感器测量过程中稳定性优于超声波传感器,通过卡尔曼分布式融合数据能有效滤除噪声,再分别通过前10 s、前20 s与前30 s数据做训练集,来进行预测分析,其均方根误差平均值为2.42,平均绝对误差平均值为2.67。试验结果表明,Kalman滤波融合数据与预测数据的均方根误差与平均绝对误差较小,能准确反映与预测平整度变化趋势,使测量装置准确的测量农田平整度及预测变化趋势。

改进的DNLS图像分割算法

针对多边形的拓扑性不足造成析取正态水平集(DNLS)模型边缘拟合不完整的问题,提出一种基于高斯马尔可夫随机场(GMRF)模型的析取正态水平集图像分割算法。该算法提取图像的颜色通道信息,利用GMRF模型描述不同颜色通道的纹理特征;重写DNLS模型能量函数,将图像纹理信息、色彩信息加权融入,以颜色特征和纹理特征的组合作为对图像进行分割的依据。在演化迭代过程中,使用分段学习率减少迭代次数,实现快速收敛。该算法降低了噪声对图像的影响,提高了DNLS模型的边缘拟合能力。改进算法通过利用图像的色彩信息及纹理细节信息,能有效抵抗图像噪声和复杂的色彩信息干扰,边缘拟合效果更好、分割准确性更高,具有更强的适应性。通过与其他算法在同等环境下进行分割实验定量对比,验证了该算法的有效性。