为提高离散元法对指导油菜薹有序采收装备设计与优化的准确性和可靠性,该研究以双行垄作移栽的“农大1号”双低甘蓝型油菜机械化适收期油菜薹夹段茎秆为对象,测定其本征参数、表面接触参数以及破碎力学参数,利用EDEM仿真软件Hertz-Mind...为提高离散元法对指导油菜薹有序采收装备设计与优化的准确性和可靠性,该研究以双行垄作移栽的“农大1号”双低甘蓝型油菜机械化适收期油菜薹夹段茎秆为对象,测定其本征参数、表面接触参数以及破碎力学参数,利用EDEM仿真软件Hertz-Mindlin无滑移模型和Hertz-Mindlin with bonding粘结模型建立夹段茎秆堆积仿真标定模型和破碎仿真标定模型。采用逐步调整仿真参数使仿真试验值与物理试验值逼近的方法,利用夹段茎秆堆积仿真标定模型,以休止角仿真试验值与实际物理试验值的相对误差为目标,完成夹段茎秆表面接触参数的标定与优化;利用破碎仿真标定模型,以轴向压缩和弯曲仿真试验与实际物理试验的最大轴向压缩力和最大弯曲力的相对误差为目标,利用标定后的表面接触参数完成夹段茎秆粘结参数的标定与优化。最后,利用夹段茎秆的径向压缩与剪切、内芯与表皮拉伸的破碎仿真力学试验和有序采收EDEM-Recurdyn耦合仿真试验验证标定后的表面接触参数和粘结参数。结果表明,仿真与实测试验的破碎力学参数相对误差在5%以内,且仿真与实测的“时间-载荷”曲线变化趋势一致,低速、中速和高速档的有序采收仿真试验结果与实际物理试验结果相对误差在7.0%以内。研究结果表明,采用离散元仿真方法研究油菜薹采收过程具有可行性,标定结果可用于指导油菜薹机械化生产。展开更多
开花是油菜生长过程中的重要阶段,花朵覆盖度可以精确反映油菜花的生长状态,为产量预测提供有用信息。为了解决传统覆盖度获取方法需要大量人工的问题,本研究将覆盖度问题转变为油菜花的分割问题,提出了一种快速、无损的油菜花簇覆盖度...开花是油菜生长过程中的重要阶段,花朵覆盖度可以精确反映油菜花的生长状态,为产量预测提供有用信息。为了解决传统覆盖度获取方法需要大量人工的问题,本研究将覆盖度问题转变为油菜花的分割问题,提出了一种快速、无损的油菜花簇覆盖度获取方法。首先,基于无人机(UAV)的RGB影像,针对UNet网络特征融合不充分的问题,设计了一种特征聚合桥分割网络FABM-UNet;其次,为了验证模型的有效性,构建了油菜花分割数据集RSD,该数据集由DJI Phantom 4 Pro v2.0捕获而得,包括720张油菜花的影像以及对应的分割标签;最后,与传统的4种分割方法以及7种深度学习的网络(Deeplabv3+、PSPNet、UNet、UNet++、UNet3plus、Attention-UNet和TransUNet)进行对比,结果表明,FABM-UNet网络的分割指标IoU和Dice系数分别为0.87和0.93,在本研究的油菜花数据集上实现了最优分割性能,分割结果可以直观揭示油菜花朵覆盖度的变化情况,为油菜品种的选育提供了有力的支撑。展开更多
文摘为提高离散元法对指导油菜薹有序采收装备设计与优化的准确性和可靠性,该研究以双行垄作移栽的“农大1号”双低甘蓝型油菜机械化适收期油菜薹夹段茎秆为对象,测定其本征参数、表面接触参数以及破碎力学参数,利用EDEM仿真软件Hertz-Mindlin无滑移模型和Hertz-Mindlin with bonding粘结模型建立夹段茎秆堆积仿真标定模型和破碎仿真标定模型。采用逐步调整仿真参数使仿真试验值与物理试验值逼近的方法,利用夹段茎秆堆积仿真标定模型,以休止角仿真试验值与实际物理试验值的相对误差为目标,完成夹段茎秆表面接触参数的标定与优化;利用破碎仿真标定模型,以轴向压缩和弯曲仿真试验与实际物理试验的最大轴向压缩力和最大弯曲力的相对误差为目标,利用标定后的表面接触参数完成夹段茎秆粘结参数的标定与优化。最后,利用夹段茎秆的径向压缩与剪切、内芯与表皮拉伸的破碎仿真力学试验和有序采收EDEM-Recurdyn耦合仿真试验验证标定后的表面接触参数和粘结参数。结果表明,仿真与实测试验的破碎力学参数相对误差在5%以内,且仿真与实测的“时间-载荷”曲线变化趋势一致,低速、中速和高速档的有序采收仿真试验结果与实际物理试验结果相对误差在7.0%以内。研究结果表明,采用离散元仿真方法研究油菜薹采收过程具有可行性,标定结果可用于指导油菜薹机械化生产。
文摘开花是油菜生长过程中的重要阶段,花朵覆盖度可以精确反映油菜花的生长状态,为产量预测提供有用信息。为了解决传统覆盖度获取方法需要大量人工的问题,本研究将覆盖度问题转变为油菜花的分割问题,提出了一种快速、无损的油菜花簇覆盖度获取方法。首先,基于无人机(UAV)的RGB影像,针对UNet网络特征融合不充分的问题,设计了一种特征聚合桥分割网络FABM-UNet;其次,为了验证模型的有效性,构建了油菜花分割数据集RSD,该数据集由DJI Phantom 4 Pro v2.0捕获而得,包括720张油菜花的影像以及对应的分割标签;最后,与传统的4种分割方法以及7种深度学习的网络(Deeplabv3+、PSPNet、UNet、UNet++、UNet3plus、Attention-UNet和TransUNet)进行对比,结果表明,FABM-UNet网络的分割指标IoU和Dice系数分别为0.87和0.93,在本研究的油菜花数据集上实现了最优分割性能,分割结果可以直观揭示油菜花朵覆盖度的变化情况,为油菜品种的选育提供了有力的支撑。