农业机器人全覆盖作业规划研究进展

随着自动导航技术的发展,农业机器人已经应用到农业生产的各个方面。农业机器人可以代替人类从事喷药、施肥、收获等活动,减轻了劳动强度,提高了作业效率。全覆盖作业是智能机器人研究的核心内容之一,涉及农业、军事、生产制造和民用等多个应用领域。全覆盖作业规划作为农业生产作业的关键技术,有助于提高作业质量和资源利用率。但在全覆盖作业中,仍然存在障碍物识别不准确,阻碍农机工作路径;工作区域面积遗漏,路径重复问题,造成资源浪费;单机器人工作效率较低,无法处理复杂的全覆盖作业问题。本文从全覆盖作业规划中存在的问题入手,从环境模型构建、机器人路径规划、多机器人协作任务分配3方面进行综述。其中,准确可靠的环境地图信息有助于规避静态障碍物、提高作业可靠性;高效优化路径信息有助于减少遗漏面积,提高作业效率;最佳的任务分配方案有助于减少作业时间和资源浪费。首先对环境建模方法进行了分析和对比,揭示其局限性并提出优化方法;在环境建模方法的基础之上,对国内外全覆盖路径规划算法现状进行综述,指出相关算法的特点;然后,针对多机器人协作全覆盖任务规划的研究,探讨了相关任务分配算法的研究进展;最后对移动机器人全覆盖作业规划未来的发展方向进行了展望。该研究将有助于进一步提高农业生产中全覆盖环节的工作效率和农业作业质量,减少资源浪费,为我国实现农业规模化生产提供重要依据。

基于多光谱图像的土壤有机质含量检测系统与APP研究

受到土壤种类、水分等客观因素的干扰,基于图像预测土壤有机质(Soil organic matter, SOM)含量与传统方法在检测精度上仍存在差距,限制了相关技术的推广和普及。为提升基于图像预测SOM含量的精度,本研究提出N_DenseNet网络模型,在DenseNet169基础上加入多尺度池化模块,通过获取更多的维度特征提升模型的性能,并结合Android端开发SOM实时检测应用程序(APP),通过内网透射实现PC端与手机端数据的及时传输。以黑龙江省友谊县、北京市昌平区、山东省泰安市3地的350份土样为基础,通过手机以及多光谱无人机获取原位土壤的高清图像,R波段、红边波段与近红外波段图像,以丰富数据信息,并通过室内胁迫的方式拍摄土壤样品在不同水分梯度下的图像缓解水分对图像造成的影响。对比不同深度学习模型,基于多光谱图像数据训练的N_DenseNet表现最好,整体表现优于DenseNet169,测试集R~2为0.833,RMSE为3.943 g/kg,R~2相比于可见光数据提升0.016,证明了训练过程加入R波段与红边和近红外波段图像后有助于提升模型的性能,证明了该方法的可行性。手机端APP与后台端数据相连实现数据实时传输,实现了田间土样SOM含量的实时预测,经田间试验验证,模型预测集R~2为0.805,检测时间为2.8 s,满足了田间SOM含量检测的需求,为SOM含量实时检测提供了新的思路。

拉曼光谱在精细农业土壤成分快速检测中的研究进展

拉曼光谱分析技术利用分子运动对入射光产生非弹性散射的原理对分子成分进行检测,具有受水分干扰小、样本预处理小、与红外光谱信息互补等特点,在土壤成分快速分析方面展现了很大的优势。但是拉曼光谱信号弱,受荧光干扰强,为土壤拉曼信号的有效获取带来困难。为了分析拉曼光谱在土壤成分检测中的应用潜力,该研究综述了移频激发差分拉曼光谱技术、共焦显微拉曼技术以及表面增强技术等基于拉曼光谱的土壤成分检测技术,分析了土壤成分拉曼光谱检测的研究进展,并提出进一步研究建议。结果表明:1)脂肪族化合物以及芳香族化合物都具有拉曼活性,为基于拉曼光谱的土壤有机质含量的定性、定量分析提供了理论依据。为了弥补拉曼光谱对有机质整体定量预测精度的不足,采用红外-拉曼光谱融合方式补偿单独拉曼光谱数据中缺失的土壤有机质信息,可显著改善预测精度。2)利用表面增强技术可以增强土壤溶液中可溶性氮与土壤有效氮拉曼特征波峰的强度,获得了良好的定量预测效果,回归模型决定系数R^(2)达到0.91~0.99。3)土壤中很多含磷的化合物都具有拉曼活性,拉曼光谱是识别土壤中不同磷酸盐形态的极其有效的工具,在土壤磷素含量的分析中,应用小波包分解的拉曼光谱对滤除有机质的磷酸盐参杂土壤中磷素浓度进行预测,回归模型精度R^(2)达到0.94。拉曼光谱检测的样本范围取决于激发光照射在样本上的光点尺寸,而土壤样本的空间变异性为聚焦目标物质带来困难。因此,实现现场高分辨率检测的关键是获取有效拉曼信号、同时降低背景信号的干扰。移频激发技术与显微拉曼技术为农田土壤养分的原位测量提供了技术保障。建议:1)采用光谱融合方法提升回归模型的预测精度。2)降低冗余变量,提升模型的可解读性与重现性。3)充分考虑土壤对拉曼光谱的影响,为开发农田现场土壤成分快速检测技术提供参考。

农田生态系统碳通量遥感估算方法研究

为实现农田生态系统碳通量动态监测,提出一种基于Landsat系列多源遥感数据的农田生态系统碳通量估算方法。以美国东北部内布拉斯加州大学农业研发中心的3块试验田地为研究区域,并结合AmeriFlux公开的对应通量站点数据进行后续建模分析。从气候变量、土壤性质、植物性状3方面综合出发,优选与农田生态系统碳通量密切相关的遥感因子,构建覆盖农田生态过程关键环节的全遥感要素数据集。随后,构建基于随机森林(Random forest,RF)的农田碳通量回归预测模型,相比于岭回归模型和套索模型,该模型在农田生态系统碳通量估算方面效果更优,其决定系数(Coefficient of determination,R^(2))达到0.94,均方根误差(RMSE)为4.281 g/(m^(2)·d)。基于随机森林模型进行因子的重要性分析可知,DVI、NDWI、MSAVI、NRI、NDVI对碳通量估算的贡献度分别为35.6%、25.8%、12.2%、7.8%、5.2%。在以上研究基础上,通过农田生态系统碳收支时空演变特性分析可知,内布拉斯加州2013年作物生育期内的7、8月时农田碳汇能力最强,在种植初期大豆和玉米均呈现弱碳源,且玉米的碳源能力更强,在生长高峰期时玉米和大豆均呈碳汇,且玉米碳汇能力更强。本研究为农田生态系统碳收支精准估算,进而指导农业生产提供理论支持。

融合多光谱成像与深度学习的作物植株叶绿素检测系统研究

为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared,NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实现玉米植株智能识别与叶绿素指标一体化检测。首先,采集玉米苗期和拔节期冠层图像数据集,比较了植株冠层实例分割与株心目标检测两种深度学习模型,构建了基于MobileDet+SSDLite(Single shot multibox detector lite)轻量化网络的玉米植株定位检测模型,实现玉米植株识别。其次,提取被识别的植株株心RGB-NIR图像,开展RGB和NIR图像匹配与分割,提取R、G、B和NIR灰度值计算植被指数,使用SPXY算法(Sample set portioning based on joint X-Y distances)和连续投影算法(Successive projections algorithm,SPA)分别对数据集进行样本划分及特征变量筛选,选择高斯过程回归(Gaussian process regression,GPR)算法建立叶绿素指标检测模型。结果显示,玉米株心目标检测模型在遮挡重叠的复杂环境下识别率达到88.7%,在不交叉重叠时识别精度达到90%以上;叶绿素含量指标检测模型建模集的模型决定系数R^(2)为0.62,测试集模型决定系数R^(2)为0.61。对开发系统进行田间测试,结果显示,系统检测速率可达14.6 f/s,平均精度为92.9%。研究结果能够有效解决大田环境下玉米营养状态的检测问题,满足大田环境实时检测需求,为作物生产智慧感知提供解决思路和技术支持。

日光温室作物冠层夏季光照强度与空气温湿度时空变化规律研究

针对温室内不同时间、位置的环境参数存在变异性,且随天气与季节变化,日光温室冠层光照强度、空气温度和空气相对湿度的分布差异性问题,构建了基于无线传感器网络的环境监测系统。环境感知节点部署在作物冠层位置,集成了光照强度、空气温湿度等传感器。首先,基于实时采集的温室环境数据,采用反距离加权算法进行插值分析,得到环境参数的离散曲面;其次,通过基于质心坐标的K-means聚类算法,得到了温室内连通及非连通区域的代表性特征点;最后,采用半变异函数与变异系数方法对温室环境的空间变异性与时间变异性进行分析。实验结果表明,夏季日光温室在下午表现为高温与高光照,08:00、16:00的光照强度分别为12:00的24.2%、72.9%,08:00的空气温度(27.7℃)较12:00、16:00低约6.0℃,对应的空气湿度(90%)高约30%。晴天最大光照强度分别为阴天、雨天的1.4倍和4.6倍,晴天、阴天最高空气温度高于雨天(29.5℃)约6℃,最小空气相对湿度远低于雨天(84%)。夏季日光温室晴天与阴天表现为高温和低湿,雨天表现为高湿和低光照。各环境参数中,光照强度的空间变异性最强,变程为10.34 m。空气温湿度的空间变异性较弱,整体分布均匀。光照强度、空气温度和空气相对湿度的时间变异性均为中等变异程度。环境参数的特征点及时空变化规律有助于日光温室传感器的高效部署,为揭示作物与环境的交互作用提供了基础。

基于计算机视觉的奶牛跛行识别技术研究进展

奶牛跛行严重降低奶牛福利及潜在产奶量,影响养殖场经济效益。准确高效识别奶牛跛行,有助于奶牛肢蹄病的及早发现与治疗,促进奶业的健康和可持续发展。人工观察法识别奶牛跛行存在识别效率低、成本高、主观性强等问题。计算机视觉技术可以通过无应激、无接触地采集奶牛行走视频数据,准确高效识别奶牛跛行。该研究从可见光相机、深度相机以及热红外相机3种视频采集手段出发,概述了当前奶牛跛行自动识别的主要研究方法、关键技术以及未来发展方向等,对比分析了各研究方法的优势和不足,指出个体差异性、跛行特征的优选以及早期跛行识别等需要重点关注的技术问题。同时,该研究从数据获取、技术研发和试验验证等方面,分析了奶牛跛行识别技术研究领域存在的主要问题及挑战,展望了未来奶牛跛行识别技术的研究重点和发展方向,为奶牛跛行的精准高效识别提供相关理论依据和技术参考。

中国大田作物智慧种植目标、关键技术与区域模式

大田作物智慧种植业是智慧农业的重要内容。本文通过分析智慧农业发展历程,明确了大田作物智慧种植业发展战略总体目标和重点任务,凝练出关键技术,有针对性地提出适宜中国区域特征的发展模式。大田作物智慧种植的关键技术面临的主要挑战有:缺乏原位精准测量技术与农业专用传感器,作物模拟模型与实际生产有较大差别,信息传输技术的实时性、可靠性、通用性和稳定性有待改进,智能农业装备还需要进一步解决好农机/农艺相结合问题。在以上分析基础上,提出了大田作物智慧种植关键技术的5个一级技术以及相应的18个二级技术。5个一级技术包括环境与生物信息感知技术、信息移动互联与农业物联网技术、云计算与云服务技术、大数据分析与决策技术、智能农机装备与农业机器人技术。根据中国种植业区域特色提出了相应的6种智慧农业发展区,即东北与内蒙古规模化智慧生产发展区,京津冀鲁智慧都市农业与节水农业发展区,西北旱区棉花规模化智慧种植和旱作智慧农业绿色发展综合试验区,东南沿海循环型水稻智慧种植业综合发展试验区,长江中下游平原智慧粮油优化发展区,以及西南山区智慧特色农业发展区。最后从基础设施建设、技术、人才和政策角度给出了发展建议。

基于GWO-GRNN的双变量施肥系统排肥量预测模型构建

双变量施肥系统排肥量预测模型的构建主要以数学统计和机器学习方法为主。针对机器学习建模方法中普遍存在的运算过程耗时较长问题,基于灰狼算法(gray wolf optimizer,GWO)和广义回归神经网络(general regression neural network,GRNN),提出一种排肥量预测模型构建方法(GWO-GRNN),并对其有效性进行了验证。首先,基于双变量施肥试验平台进行3种不同固体颗粒肥的定时排肥试验,获得试验数据集;其次,提出GWO-GRNN算法对GRNN的平滑因子进行优化,并将寻优过程与现有算法(DE-GRNN)进行对比,结果表明GWO-GRNN算法整体上具有较快的收敛速度和较短的运行时间;最后,基于获得的最佳平滑因子构建3种颗粒肥的排肥量预测模型,并分别选取3种颗粒肥未参加训练的18个样本作为测试集,对模型精度进行验证。结果表明,构建的3种颗粒肥排肥量预测模型决定系数均在0.99以上,平均相对误差均在2%左右。该方法能够在保证排肥量预测模型精度的同时提升运算效率,具有较好的适应性。

基于计算机视觉的奶牛生理参数监测与疾病诊断研究进展及挑战

利用先进的信息技术推动智能养殖业发展已经成为奶牛养殖研究领域的重要目标和任务。计算机视觉技术具有非接触、免应激、低成本及高通量等优点,在畜牧生产中应用前景广阔。本文在阐述了计算机视觉技术在智能化养殖业发展中重要性的基础上,首先介绍了基于计算机视觉的奶牛生理参数监测进展,包括体尺、体温、体重的前沿监测设备、技术和模型参数。然后阐述了奶牛跛行及乳腺炎等疾病诊断的前沿技术发展过程和研究现状。目前,相关技术研究和应用推广存在检测准确性不高,受环境因素影响较大,非标准化养殖场结构制约检测系统普及,以及检测系统成本较高等问题和挑战。最后,本文结合中国养殖业发展现状,针对保证检测准确性、减少环境干扰等问题,就如何提高计算机视觉技术在智能化养殖业中的准确性和普适性提出了相关建议,旨在为中国奶牛养殖业的科学管理和现代化生产提供新方法和新思路。

柔性电导率芯片设计与营养液监测试验研究

设计并制备了一种基于喷墨打印的纳米银/单壁碳纳米管柔性电导率传感芯片。通过交流阻抗法对传感芯片进行建模标定,系统测试了该传感芯片的响应时间、稳定性、重复性、弯折及封装影响等性能,并与商用EC电极进行了性能对比,验证了该柔性芯片在无土栽培生菜营养液EC在线监测中的可行性。试验结果表明,叉指柔性EC芯片的电导率测定范围为25.8~3098μS/cm,标准电导率溶液的测定相对误差小于8.02%,芯片响应时间为10 s,12 h测定数据漂移小于3.91μS/(cm·h),稳定性和重复性与商用EC电极相当,0°~90°范围内弯折、PDMS封装对其性能无影响。水培生菜EC监测中,柔性EC传感芯片可准确获取营养液EC波动,检测结果与商用EC电极的最大绝对误差小于46μS/cm,最大相对误差小于3.2%,两种传感器测量结果均方根误差为28.29μS/cm。自制柔性电导率传感芯片与商用EC电极的性能相近,具有微小且可弯折等独特农业应用优势。

基于LightGBM的温室番茄冠层CWSI预测模型研究

为研究温室内番茄冠层作物水分胁迫指数(CWSI)问题,通过布设多参数传感器,实时获取温室内外各环境参数。利用灰度关联分析,计算各环境参数与番茄冠层CWSI的关联度,根据关联度对环境参数进行排序,同时考虑对模型精度的影响,最终从9个环境参数中选取7个作为模型输入,建立基于LightGBM的温室番茄冠层CWSI预测模型。结合贝叶斯算法优化其中的关键参数,将模型预测结果与通过Jones经验公式计算出的CWSI做相关性分析,在相同的运算环境下,分别与GBRT和SVR模型对比。试验结果表明,基于贝叶斯优化LightGBM模型的决定系数(R^(2))、平均绝对误差(MAE)、均方根误差(RMSE)和运算时间分别为0.9601、0.0218、0.0314和0.0518 s,与GBRT和SVR模型相比,其R^(2)分别提高2.14%和14.05%,MAE分别降低0.0093和0.0612,RMSE分别降低0.0097和0.0591,时间分别缩短0.0459 s和0.0612 s。表明本研究提出的LightGBM模型性能更有效地提高了温室番茄冠层CWSI的预测精度,为实现温室番茄按需灌溉提供了参考。

家畜体尺自动测量技术研究进展

家畜体尺参数是评价家畜生产性能的关键指标之一,可为选取优良品种提供重要参考依据。人工测量家畜体尺费时费力、主观性强、有损动物福利。随着计算机技术的应用普及,家畜体尺自动测量技术发展较快,取得了较好的研究成果。该研究从家畜数据采集与预处理、家畜直线体尺测量、家畜围度体尺测量3个方面,阐述了家畜体尺自动测量技术的一般流程、常见技术、研究现状及方法优劣。首先,数据采集与预处理是家畜体尺自动测量的重要步骤,包括家畜图像数据的采集、分析与处理,输出便于体尺测点定位的数据,为家畜直线与围度体尺测量奠定基础;其次,家畜直线体尺测量技术基于数字图像处理和计算机视觉等方法,提取直线体尺测点并计算体尺测量值,是目前家畜体尺自动测量领域的主要研究内容;最后,因家畜围度体尺测量难度较大,其测量方法也是近年来相关领域研究的难点,胸围、腹围等体尺参数是家畜体质量和肉产量的重要参考指标,围度体尺测量主要包括体尺测点定位、围度体尺曲线拟合与尺寸计算。该研究还探讨了目前家畜体尺自动测量领域存在的成本高、自动化程度低、实时性与普适性差等问题,展望了未来该领域发展趋势,以期为开展家畜体尺自动测量技术与方法研究提供参考。

半主动悬架山地拖拉机姿态控制系统设计与仿真

为提高山地拖拉机在复杂农田环境中的作业平稳性,基于Matlab/Simulink仿真平台,搭建了半主动悬架拖拉机七自由度时域仿真模型,包括四轮路面激励模型、半主动悬架振动模型、半主动悬架拖拉机车体受力分析模型、车身姿态分析模型以及半主动悬架拖拉机时域仿真模型,以车身垂向位移、车身倾斜角和车身俯仰角作为拖拉机的姿态变化参数进行仿真试验。通过构建增量式比例积分微分(Proportion integration differentiation,PID)控制器和反向传播(Back propagation,BP)神经网络PID控制器仿真模型实现对半主动悬架拖拉机车身姿态的自动控制,并分别对两种控制器的控制性能进行测试与评价。利用车身垂直向加速度和车轮相对动载作为半主动悬架系统性能的评价指标,对两种控制方式下的半主动悬架性能进行了评价。仿真结果表明:基于传统增量式PID控制算法的半主动悬架拖拉机,其车身垂直位移均方根减少42.17%、侧倾角均方根减少36.76%、俯仰角均方根减少57.85%,其车身垂向加速度为0.0177 m/s^(2),4个车轮的动载荷均方根分别为0.0284、0.0346、0.0239、0.0304 N。基于BP神经网络PID控制算法的半主动悬架拖拉机,其车身垂直位移均方根减少74.54%、侧倾角均方根减少74.66%、俯仰角均方根减少75.03%,其车身垂向加速度为7.5758×10^(-5)m/s^(2),4个车轮的动载荷均方根值分别为0.0197、0.0235、0.0166、0.0198 N。相比增量式PID控制的半主动悬架拖拉机,基于BP神经网络PID控制的半主动悬架拖拉机,其车体平稳性得到了较好的提高。

基于多源信息和深度学习的多作物叶面积指数预测模型研究

叶面积指数(LAI)是评价作物长势的重要参数,快速、准确、低成本地获取作物LAI对于指导作物田间管理有重要的意义。为了低成本获取多种作物的LAI,基于多源信息和深度学习构建了通用的LAI预测模型。在大豆、小麦、花生、玉米四种作物的六个生长时期进行了大田实验,以获取用于建模的多源信息。使用航拍无人机获取作物低空可见光图像、红边图像和近红外图像等多光谱图像信息,此外还采集相关的一维数据信息,包括无人机飞行姿态、拍摄高度、作物生长状态和环境光照。借助深度学习出色的图像和数据处理能力建立基于复杂输入信息的LAI预测模型,考虑到一维数据也要参与模型的训练过程,在设计模型时,采用了组合型网络架构。在卷积神经网络(CNN)算法提取图像深度特征的基础上加入了LightGBM算法用于结合图像特征和一维数据实现作物LAI的最终预测。CNN模型部分使用了VGG19, ResNet50, Inception V3和DenseNet201四种常见的结构。为了更好地说明CNN模型提取图像特征的能力,分析了不同图像输入下四种模型的作物分类情况。结果表明,以可见光、红边和近红外图像为输入时,四种模型的分类准确度均相较于仅有可见光图像时有所提高,尤其是基于Inception V3和DenseNet201的两种模型分类准确率均达到99%以上,证明了CNN模型提取多光谱图像特征的有效性。将图像特征作为LightGBM模型的输入信息预测LAI时,实测值与预测值的R2最大为0.819 2,而在输入中加入一维数据信息后,模型的R2均可达到0.9以上,说明多源信息输入对于提高LAI预测模型的准确度有重要作用。该研究建立的模型可以针对不同的作物进行LAI的预测,不需要对多光谱图像进行复杂的处理,因此,该研究可以实现LAI的低成本、快速预测,同时可以获得较高的预测准确度。

奶牛乳房炎自动检测技术研究进展

奶牛乳房炎是影响奶牛健康的主要疾病之一,发病率高、发病范围广、经济损失严重。目前奶牛乳房炎的检测大多是采集奶牛乳汁进行理化性质检测,该方法对检测环境有着较高要求,且检测周期长。随着信息技术的迅速发展,奶牛乳房炎的自动检测技术取得了较好的研究成果。该研究根据数据的传感器类型,从视觉传感器、自动挤奶系统与其他传感器3个方面阐述了奶牛乳房炎自动检测的研究进展。基于视觉传感器的奶牛乳房炎自动检测方法包括基于乳房热红外图像和基于乳汁图像的检测方法,该方法较大程度上保障了动物福利,但检测精度有待提升;基于自动挤奶系统(automatic milking systems,AMS)的奶牛乳房炎自动检测方法利用AMS获取乳汁信息,然后构建乳房炎检测模型,该方法检测误差较小,但成本较高;基于其他传感器的奶牛乳房炎检测方法采用独立研发的传感器获取乳汁数据,预测乳房炎发病情况,该方法操作简便,但使用不同传感器构建的检测模型精度差异较大。该文还探讨了目前奶牛乳房炎自动检测领域存在的精度低、实时性差、自动化不足等问题,并展望了该领域未来的发展趋势,以期为开展奶牛乳房炎自动检测技术与方法研究提供参考。

基于近红外光谱信息的土壤电导率预测模型研究

利用土壤含水率与近红外光谱土壤反射率和土壤电导率三者之间的关系,以土壤含水率为中间变量,间接表达土壤光谱反射率和土壤电导率之间的关系。土壤含水率与土壤光谱反射率存在指数关系,土壤含水率与土壤电导率存在线性关系,消除中间变量(土壤含水率),得到土壤光谱反射率和土壤电导率之间的关系。以土壤水分敏感波段1450 nm作为研究对象,研究土壤电导率的预测模型,分别建立指数预测模型和对数预测模型,并分别对两种模型进行验证。本文实验建模集样本72个,验证集样本48个,土壤电导率对数预测模型R^(2)达0.80,土壤电导率指数预测模型R^(2)达0.85,预测效果均可满足农田电导率估算,但对数模型在土壤电导率较低区间预测效果不理想,因此土壤电导率指数预测模型预测效果优于对数模型的预测效果。研究结果表明,土壤光谱反射率预测土壤电导率的方案可行,并为光谱信息预测土壤电导率提供了新思路。

基于特征波长优化的便携式作物叶绿素检测仪研究

为了满足田间作物长势快速检测与指导变量管理的需求,基于作物叶绿素光谱响应特征波长筛选与优化,开发了一款便携式作物叶绿素检测仪。首先,采用高光谱仪采集玉米冠层325~1075 nm反射光谱,并采样萃取叶片叶绿素含量真值,开展叶绿素敏感响应波长筛选。经蒙特卡洛无信息变量消除(MC-UVE)算法在10~100个特征波长范围内进行变量筛选,表明采用50个特征波长时具有最优的叶绿素含量检测能力。其次,选择AS7265x型光谱传感器,以半峰宽20 nm的12个区间覆盖筛选的50个波长,设计的叶绿素检测仪包括传感器、主控制器、显示和控制等模块,实现作物冠层反射光数据采集、处理、显示和存储功能。开展传感器反射率标定与田间应用测试,基于传感器获取的反射率构建叶绿素含量偏最小二乘检测模型验证集决定系数为0.628;进一步组合归一化红边植被指数(NDRE:730、900 nm)和绿光归一化差值植被指数(GNDVI:535、900 nm),检测模型精度提高到0.69,模型嵌入系统最终实现了田间叶绿素含量快速检测,为作物长势高效分析提供了技术支持。

基于GWO-MPC的联合收获机喂入量控制方法与仿真实验

收获机作为农业生产的重要生产工具,其喂入量控制一直是自动控制领域研究的热点问题。本文通过分析收获机工作方式,建立收获时收获机喂入量变化模型。设计开发收获机作业参数监测系统,以小麦作为实验对象,在我国华北地区开展田间实验,验证系统喂入量监测精度并同步采集产量、含水率和作业速度等参数,系统喂入量监测平均相对误差为8.55%。以收获机在割台高度不变条件下保持额定喂入量为控制目标状态,收获机作业速度作为控制量,采用模型预测的方法对收获机喂入量进行仿真控制。采用灰狼优化算法优化二次规划的权值矩阵,仿真结果表明,权值矩阵优化后,喂入量控制平均绝对误差小于0.1 kg/s,平均降低38.1%。喂入量控制误差与收获区域的产量成反比,与含水率成正比。在相邻时域内产量、含水率变化较小的收获区域效果更好。

温室樱桃番茄果实深度学习识别模型研究

【目的】选取樱桃番茄果实深度学习识别模型,实现对温室樱桃番茄果实快速、准确的检测。【方法】采集樱桃番茄果实样本,标注数据,构建数据集,对YOLOv4和YOLOv4-Tiny算法模型进行训练,并对训练得到的模型进行精确率、召回率、平均准确率、综合评价指标F1值的分析。【结果】在训练好的YOLOv4和YOLOv4-Tiny算法模型上,樱桃番茄果实识别预测准确率分别为100%和96.84%、召回率分别为91.12%和90.53%、平均精确率分别为96.32%和94.18%、综合评价指标F1值分别为0.95和0.94。【结论】YOLOv4算法模型明显优于YOLOv4-Tiny,能够实现对樱桃番茄果实目标的准确检测。