基于卷积神经网络的农机图像自动识别研究

基于农机物联网技术的农机作业监管系统通过采集机具图像来判断农业机具类型和作业状态,但是由于图像数据量大,人工抽查方式工作量大、效率低,难以满足监管识别需求。构建包括播种机、翻转犁、起垄机、深松机和旋耕机等类型的图像数据集,并在Google公司的深度学习平台Tensorflow下对机具图像数据集进行标注和图像预处理。设计针对实际监管需求和图像特点的卷积神经网络模型,并通过减少过拟合与提高训练效率对模型进行优化。模型训练试验结果显示:本文设计的机具识别网络在验证集上的识别率达到98.5%,相同试验条件下,LeNet-5模型在验证集上的识别率为81%,ResNet-50模型在验证集上的识别率为98.8%,但是在识别效率上,ResNet-50模型完成训练需要近60 h,识别一张图片需要0.3 s,而本文设计的机具识别网络完成训练仅需要30 h,识别一张图片只需要0.1 s。为进一步验证模型的实用性,选取200张图像进行测试,测得模型对各类机具图像的精确度平均值为98.47%,召回率平均值为98.37%,F1-score平均值为98.41%,表明模型具有良好的鲁棒性,实用性良好。

灭茬深松旋耕起垄机的研究

在原有灭茬旋耕机的基础上,增加深松功能,设计一种新型的灭茬深松旋耕起垄机。介绍该机的整体结构和工作原理,阐述机具主要部件的设计方案。该机一次进地可完成灭茬、深松、旋耕、起垄、镇压等联合作业,能够有效打破犁底层,改善作物生长的土壤条件,具有一定的推广价值。

“大跃进”期间的深耕土地运动

1957～1958年,毛泽东对山东省厉家寨村和河南省长葛县深翻土地增产经验的总结报告充分肯定,号召全国学习,通过深翻土地达到增产目的。1958年8月,中共中央发出指示,要求全国在两三年内,将一切可能深耕的土地全部深耕一尺以上。全国掀起了轰轰烈烈的深耕土地热潮。在运动中,各地积极组织学习长葛县的深翻土地方法和经验,开展群众性深翻土地"大会战"。科研人员也积极研制和改造深翻农机具,总结和论证深翻措施及效果,开展深翻土地创高产试验。尽管通过深耕土地达到增产在一定的科学范围内是可行的,但1958年全国性的深耕土地运动,在翻土深度、进度和数量上层层加码,出现了许多盲目蛮干的事例,未能取得预期的增产效果。