基于误差修正模型的日光温室温度预测模型

日光温室作为一个复杂的非线性耦合系统,室内温度受室内外众多环境因素的影响,且大多数因素的监测数据都是非平稳时间序列。因此,在利用这些监测数据进行多元线性回归分析时,所建立的预测模型可能会出现伪回归现象导致模型预测精度较低。为此,提出了基于时间序列协整理论建立温度误差修正模型的方法。利用土后墙日光温室2021年1月收集到室内外气象数据,分别建立了典型晴天和阴天条件下的日光温室白天(9:00-18:00)逐时温度误差修正预报模型,并通过模拟回代对模型进行验证。结果显示:阴天和晴天条件下,误差修正模型的预报值与实际值相比,均方根误差分别为0.4234℃和1.5937℃,均低于传统多元线性回归模型的0.5750℃和1.9522℃,有效地提高了预测精度。

双稳态折叠结构日光温室前屋面保温设施的设计与试验

为了增加温室生产作业的便捷性和安全性,提高温室的保温性能,研发能代替草帘和保温被等传统覆盖物的新型日光温室双稳态折叠结构保温设施,其在前屋面展开并覆盖后具有稳定的空腔结构,不仅可以承受雪荷载,也更加有利于保温。除此之外,与传统的前屋面保温设施相比,新型保温设施的双稳态性质可以使其拥有展开和收折2个结构稳定状态,这也直接导致其作业方式发生了根本变化,通过充气或抽气破坏其几何不相容性就可以完成状态切换,进行展开和收折操作,免除了卷帘机的使用。通过该设计方法可以制作出任意尺寸的日光温室折叠结构保温设施;经过有限元分析实例得出,单元结构体只需满足倾斜角度为0°时,内部最大应力小于材料强度即可保证其结构稳定;通过静态热箱试验发现折叠结构保温设施的传热系数仅为2.62W·m^(-2)·K^(-1),其保温性能较传统保温设施更好。与此同时,新型前屋面保温设施也可以通过材料的选取满足机械性能优越、节能环保、经济性良好、耐候性强、重量轻等指标的要求,应用前景广阔,更利于农业设施现代化。

基于改进YOLO v5的夜间温室番茄果实快速识别

为实现日光温室夜间环境下采摘机器人正常工作以及番茄快速识别,提出一种基于改进YOLO v5的夜间番茄果实的识别方法。采集夜间环境下番茄图像2000幅作为训练样本,通过建立一种基于交并比的CIOU目标位置损失函数,对原损失函数进行改进,根据计算函数anchor生成自适应锚定框,确定最佳锚定框尺寸,构建改进型YOLO v5网络模型。试验结果表明,改进YOLO v5网络模型对夜间环境下番茄绿色果实识别精度、红色果实识别精度、综合平均识别精度分别为96.2%、97.6%和96.8%,对比CNN卷积网络模型及YOLO v5模型,提高了被遮挡特征物与暗光下特征物的识别精度,改善了模型鲁棒性。将改进YOLO v5网络模型通过编译将训练结果写入安卓系统制作快速检测应用软件,验证了模型对夜间环境下番茄果实识别的可靠性与准确性,可为番茄实时检测系统的相关研究提供参考。