油茶果园施肥一体机挖穴过程仿真与试验

为开发出适合山地油茶果园挖穴施肥覆土的机具,且具有结构简洁、质量小、功耗小的特点,针对挖穴施肥的方式,采用离散元法建立了螺旋钻头挖穴过程的仿真模型;并结合三因素三水平正交试验和响应曲面分析方法,仿真分析了进给速度、钻头转速和钻头螺旋升角对挖穴作业功率消耗的影响规律。结果表明:试验因素对消耗功率的影响从小到大依次为钻头螺旋升角、进给速度、钻头速度,进给速度和钻头转速组合、钻头转速和钻头螺旋升角组合交互作用对消耗功率的影响显著。进行了参数优化,确定最优组合为:在进给速度0.03m/s条件下,钻头转速180r/min、钻头螺旋升角15°时最小功率消耗为1.134kW。田间试验表明:优化组效率效果明显优于对照组,优化后单个坑作业时间12.1s、百坑油耗1.08L。

油茶果壳籽实时分选系统设计与试验

为了实现油茶果脱壳后果壳与茶籽的高效分选,进行了油茶果壳籽分选装置上料模块、视觉采集模块、执行模块和控制系统的设计。其中,整体装置采用一种阵列式凹槽传送机构,避免执行喷吹时产生对茶籽的带出干扰。利用有效的图像预处理方法获取壳籽目标,并提取目标图像的颜色及纹理信息共18个;考虑到分选的高效实时性,进一步对特征参数实施Spearman相关性分析,将特征减少至6个,建立随机森林分类模型,并与K最邻近分类算法(KNN)、支持向量机(SVM)及偏最小二乘法判别分析(PLS-DA)模型进行对比,发现随机森林模型的分类效果最佳。试验中,分选系统识别准确率达到95.5%,平均检测时间为41.9ms,分选速率达20个/s,表明系统实现了油茶果的壳籽高效率实时分选。

油茶果园施肥一体机的设计与试验

针对丘陵山区油茶果园现有小型开沟施肥机具存在作业功能单一、运动不灵活、动力不足、耕作深度不稳定不合格等问题,开发研究出适合油茶果园挖穴施肥覆土的施肥一体机。介绍整机的参数和工作原理,对挖穴钻头进行设计,分析挖穴过程中杠杆式进给时机具运动状况,设计合理的机架和手扶架尺寸以便于人工操作;选择结构简单、排肥稳定的外槽轮式排肥并设计排肥器尺寸以满足农艺要求;设计可调高低和角度以更好贴合地面的覆土板,增加覆土率和覆土后的平整性。实验结果表明,施肥一体机整机作业性能良好,机具运动灵活、转弯性能良好,操作简单、劳动强度低;平均挖穴深度均值为203.1 mm,挖穴深度变异系数3.2%,外槽轮式排肥器排肥量理论与试验相对误差为1.7%,整体性能满足油茶果园追肥农艺要求。

面向机器人柑橘采摘的控制系统设计与试验

面向柑橘采摘,构建以上位机、RealSense Camera R200深度相机、VS-6556垂直多关节工业用机械臂、三指柔性手爪等组成的采摘机器人硬件平台。以Windows10为开发环境,采用librealsense相机软件开发工具包、OpenCV计算机视觉库、TensorFlow-GPU和Keras深度学习框架、ORIN2机械臂控制软件开发工具包、Arduino IDE函数库以及SerialPort串口通信软件开发工具包等,研究基于深度相机、机械臂二次开发的采摘控制系统设计,包括视觉识别定位、手爪动作控制、机械臂运动控制以及采摘控制等模块的程序设计。采摘控制系统柑橘定位试验和柑橘采摘试验的测试结果显示,在实验室环境下面对随机布置的柑橘,视觉识别定位模块的平均定位精度误差为1.22 cm,采摘过程中柑橘识别成功率达到100%,平均识别时间约为47 ms,机器人柑橘采摘成功率达到80%,平均采摘时间约为15.2 s,验证了采摘机器人平台控制系统程序的可行性,表明所开发的采摘控制系统能够正确、高效地完成整个柑橘采摘作业流程。

基于SE-ResNet网络的油茶果果壳与茶籽分选模型

油茶果脱壳后果壳与茶籽混合在一起,采用传统的机械分选仍会出现掺杂果壳的情况,清选率有待提高。比较ResNet不同层数模型,发现在当前壳籽实验样本下ResNet18与其他模型相比每次迭代的平均训练时间最少,并且验证集平均准确率最高,同时均优于其他CNN分类模型。为进一步提升分选效率,在ResNet18网络中引入注意力机制,结果表明,SE-ResNet18模型与改进前的模型相比,训练过程中每次迭代的平均时间由1.31 s下降到1.13 s,缩短0.18 s,验证集平均准确率为98.88%,提升1.4个百分点。经过测试后得出,测试集整体准确率为98.43%,与原模型相比提升1.3个百分点,说明使用ResNet18模型结合注意力机制的方法在油茶果果壳与茶籽的分选上是可行的,为油茶果在分选方法提供一种新的理论基础与思考方向。

基于改进卷积神经网络的油茶果壳籽分选方法

为了进一步提升油茶果壳籽分选效率,该研究采集油茶果脱壳后经过初步筛分的果壳与茶籽图像,构建壳籽分类图像数据集,以VGG16为基础网络,通过深度可分离卷积模块和全连接层神经元数目优选等方式缩小模型规模,采用跨层特征融合机制与引入指数线性单元(exponential linear units,ELU)激活函数优化网络结构,提出一种适用于油茶果壳籽分选的卷积神经网络模型。结果表明,跨层特征融合机制加强了深层网络特征的有效信息表达能力,相比于未融合时的模型精度得到了明显提升,并且三次跨层特征融合总体优于一次与二次融合方式。ELU激活函数加快了模型收敛速度,同时缓解了梯度爆炸,提高了模型鲁棒性。当全连接层神经元个数减少为128时模型得到进一步压缩,并且拟合程度较好。改进模型在油茶果壳籽图像分类上的验证集准确率为98.78%,模型的占存仅需8.41MB,与未改进的VGG16模型相比,准确率提高了0.84个百分点,模型占存减少了519.38MB,并且改进模型的性能相比于AlexNet、ResNet50与MobileNet_V2等其他网络更具优势,同时在测试试验中该模型分选准确率达到了98.28%,平均检测时间为85.06 ms,满足油茶果的壳籽在线快速分选要求。该研究提出的改进卷积神经网络模型具有较高的准确率与较强的泛化能力,可为深度学习运用于油茶果壳籽实时分选提供理论参考。

面向柑橘采摘的机械手采摘程序设计

以Denso VS-6556G六关节机械臂作为采摘机械臂,以气动柔性手爪作为末端执行器,基于Denso的ORIN2软件开发包,设计面向柑橘采摘的机械臂控制程序、柔性手爪控制程序以及机械手采摘控制程序。通过试验测试,验证机械臂运动控制、柔性手爪动作控制以及柑橘采摘程序的可行性,为实现机械手自主采摘打下了良好的应用基础。

基于ResNet18网络的油茶果壳籽分选研究

油茶果脱壳后果壳与茶籽混合在一起,油茶果的果壳与茶籽如何分选以及如何提升分选的准确率,是油茶果产业化所面临的一个难题。基于改进ResNet18模型的油茶果果壳与茶籽的分选模型,通过油茶果分选机进行图片的采集和处理获取实验样本图像,比较不同批量尺寸、学习率、激活函数以及优化器的影响,进一步优化模型。实验表明,经过改进后的ResNet18模型,与未改进前相比,在损失函数上有了明显的降低,并且验证集准确率得到提升,验证集平均准确率由之前的97.03%,而最终测试集准确率由97.25%提高至97.75%。较高的准确率可以满足油茶果分选的需要。

多通道高速刨削式油茶果破壳机设计与试验

为提高加工对象适应性及减少茶籽破损,设计一种基于刨削原理的多通道高速刨削式油茶果破壳机,对其工作原理及其关键部件的结构设计进行分析。以推进滚筒转速和摊晒天数为试变量因子,进行油茶果脱壳试验。试验结果表明:破壳率超过99%,碎籽率小于1%。

液体静压导轨静态特性的计算

液体静压导轨借助输入支承工作面的液体静压力来支承载荷,凭借其极好的静、动态性能得到广泛应用.静压导轨的油腔几何尺寸和节流阀的设计是根据油腔内的压力分布而确定的.运用有限差分法计算在稳定状态下的静压导轨油腔内的压力分布情况,从而进一步计算静压导轨的静态特性参数.计算结果表明,静压导轨的承载能力随着油膜厚度的增大呈减小的趋势,静刚度随着油膜厚度的增大而变化.

敷设二维周期块状阻尼结构的薄板声辐射数值计算

本文借助有限元和边界元的数值算法,针对特定的薄板结构,探讨敷设二维周期块状阻尼结构对薄板声辐射特性的影响。数值计算结果表明,在特定频段内,敷设二维周期块状阻尼结构的薄板辐射声能量要小于敷设传统等面积的整块自由阻尼结构。同时,适当增加阻尼敷设面积及块状阻尼的结构周期数能有效降低薄板声辐射。

油茶果的模糊聚类色选算法

通过研究油茶果籽和皮的颜色特性,将线阵工业相机采集的油茶果籽和皮图像分割成若干正方形像素块,基于模糊聚类原理,根据特征降维、一致性度量和模式识别的相关理论,研究油茶果的颜色识别分类方法,实现一种基于彩色线阵相机的动态模糊聚类色选算法,并将算法应用于通道式单面色选机的预选和实时分选程序中。应用表明,算法对新鲜的油茶果籽分选选净率达到98%。

重载和偏斜工况下恒定流量静压导轨静态性能研究

考虑弹性变形、油膜黏性和可压缩性建立重载和偏斜工况下恒定流量静压导轨单个油腔润滑模型,采用多重网格法进行数值求解。通过与经验结果对比论证了数值模型的正确性,并讨论不同导轨面运动速度时,弹性变形和油腔偏斜对静压导轨润滑特性影响。结果表明:随着载荷增大,刚体模型和弹性模型计算的封油边膜厚与流量差异增大;导轨面偏斜仅对偏斜方向的封油边膜厚与流量产生影响,且不同方向的导轨面偏斜影响规律类似。

油茶果脱壳与清选关键技术及工艺研究

为了找出一种适合油茶果的无损伤脱壳、清选方法,通过实验分析油茶果相关特性,据此对油茶果采取分级初选、碾压式脱壳。通过间隙可调式格栅结构完成对油茶果的初次筛选,控制加工油茶果的体积。采用脱壳机构碾压轮与底板之间的间隙对油茶果进行碾压脱壳,脱壳间隙可调,以满足油茶果按大小、分批次加工的需要。利用油茶果果皮与茶籽颜色的差异,通过CCD工业线阵相机与图像处理控制系统完成对果皮与茶籽的清选分离。实验结果表明:将油茶果摊晒1d,待果皮含水率普遍达到15.2%以下,整果脱壳成功率可以达到99.6%以上。此时籽中含皮率为95.3%,皮中含籽率为95.8%。

腐熟剂喷施机械机架部分轻量化设计

为了解决腐熟剂喷施机械质量过重以及避免机架工作时发生共振的问题,以喷施机械的机架部分作为研究对象,建立其有限元模型,并同时对拖拉机系统振动的频率进行了分析。在有限元软件中对机架系统进行了静态分析和模态分析,计算了机架系统在工作情况下的应力分布、变形以及固有频率。以有限元分析结果和应避免拖拉机系统中的振动频率为约束对机架进行轻量化设计,结合现实条件得出优化结果。结果显示,经过尺寸优化,轻量化后机架系统刚度、强度和模态均在可接受的范围内,机架系统总质量减少了65.06%,实现了轻量化目标。

腐熟剂喷施装置出料部件数值模拟

基于离散元法的基本方法,采用Hertz—Mindlin接触模型,运用EDEM软件对腐熟剂喷施装置出料部件工作过程进行模拟仿真,分析不同螺旋升角、螺旋转速、出料口径对出料过程的影响。仿真结果表明,在其他条件一定的情况下,螺旋升角越大出料量越少;螺旋转速越高出料量越少;出料口径从7mm开始每减少1mm,出料量呈成倍减少趋势。得出螺旋升角为10°,螺旋转速为300r/min,出料口径为7mm时出料效果理想。

钨芯体三维四元声子晶体振动带隙研究

在掌握声子晶体研究现状及其基本理论的基础上,采用集中质量法计算三维四元声子晶体的振动带隙,并考察填充率和散射体单元结构体积百分比变化对第一带隙的影响。研究结果表明:此结构在低频段存在振动带隙;随着填充率的增大,带隙边界频率向低频移动,带隙宽度增大;散射体单元结构体积百分比变化对带隙边界频率和带隙宽度有较大影响。研究结果为声子晶体研究提供了获得振动带隙的依据和有效方法。

一个中文下拉菜单工具的设计与实现

本文介绍了用TURBO PROLOG语言设计中文下拉菜单的方法,并给出了完整的源程序,为用户提供了一个强有力的工具。

面向采摘机器人的改进YOLOv3-tiny轻量化柑橘识别方法

针对柑橘采摘机器人快速、准确的识别需求,提出了一种基于改进的YOLOv3-tiny的轻量化卷积神经网络模型的柑橘识别方法。为便于在算力有限的采摘机器人上应用,该方法用DIOU(distance intersection over union)损失函数替换了YOLOv3-tiny卷积神经网络模型原有的损失函数,提高模型的识别定位精度;采用MobileNetv3-Small卷积神经网络模型替换了主干特征提取网络,使模型更加轻量化,提高模型的识别速度;在MobileNetv3-Small中加入了新的残差结构,减少主干网络特征信息的损失,进而提高模型的识别精度;在加强特征提取网络中加入了简化的空间金字塔池化(spatial pyramid pooling,SPP)网络结构和深度可分离卷积层集,提升模型提取特征信息的能力,再加入一个下采样层,将两个尺度间的特征信息充分融合,同时还加入了hard Swish激活函数,从而进一步提高模型的识别精度。通过与YOLOv3-tiny在柑橘测试集上的识别效果进行对比,改进的YOLOv3-tiny的平均识别精度mAP、F_(1)分别达到了96.52%、0.92,提高了3.24%、0.03,平均识别单幅图像所耗时间、模型权重大小仅为47 ms、16.9 MB,分别减少了24%、49%。通过与YOLOv3-tiny在针对柑橘测试集中处于不同环境条件下的柑橘的识别效果进行对比,改进的YOLOv3-tiny在光照充足且未遮挡条件下、光照充足且遮挡条件下、光照不足且未遮挡条件下、光照不足且遮挡条件下的柑橘正确识别率分别为98.6%、90.5%、95.8%、86.8%,分别提高了0.7%、6.5%、3.2%、7.7%。显示出改进YOLOv3-tiny轻量化柑橘识别方法具有识别精度高、识别速度快以及轻量化等特点。

基于机器视觉的油茶果果壳与茶籽分选方法研究

在油茶果脱壳后,采用机械方法分选的茶籽中混杂着一些果壳,由于两者大小和比重相似,其外观差异成为分选的重要依据。本文提出一种综合考虑油茶果颜色、纹理、几何形状多种图像特征的分选方法,结合机器视觉技术实现油茶果果壳与茶籽的准确分选。通过有效的图像预处理手段提取物料样本轮廓,并计算轮廓内的颜色、纹理以及形状特征信息,分别比较了通过网格搜索法(Grid Search,GS)、粒子群算法(Particle Swarm Optimization,PSO)和遗传算法(Genetic Algorithm,GA)寻优而建立的三种支持向量机(Support Vector Machine,SVM)分类模型,最终确定GS-SVM模型最佳,其模型训练集识别率为94.44%,测试集识别率为93.33%,结果表明将此方法应用于油茶果果壳与茶籽分选是可行的,为油茶果果壳与茶籽分选加工技术提供了一定的理论基础。