跨式油茶果收获机履带底盘行走液压系统设计与试验

跨式油茶果收获机在丘陵山地作业时需要较大的牵引力,且要求行走平稳。本文基于机液联合仿真技术对跨式油茶果收获机底盘行走液压系统进行设计,以达到动力匹配及行走性能较优的目的。在RecurDyn软件中建立了跨式收获机履带底盘虚拟样机模型,采用谐波叠加法构建了B级路面谱,仿真分析了跨式履带底盘直线行驶和差速转向的动力学特性。通过AMESim与RecurDyn软件对收获机行走系统进行机液联合仿真,研究底盘在直线行驶与差速转向工况时行走马达液压特性。研制了全液压驱动的跨式油茶果收获机,进行了地面直线行驶与差速转向测试,结果表明:底盘直线行驶偏移率为1.7%;直线行驶时,行走马达流量稳定在23 L/min,压力稳定在1.5 MPa;差速转向时,行走马达流量稳定在22 L/min,压力在2~12 MPa范围内波动,验证了跨式履带底盘行走液压系统的稳定性。

基于空间注意力和可变形卷积的无人机田间障碍物检测

为了解决植保无人机作业时,传统田间障碍物识别方法依赖人工提取特征,计算耗时较长,难以实现在非结构化田间环境下实时作业识别的问题,提出一种优化的Mask R-CNN模型的非结构化农田障碍物实例分割方法。以ResNet-50残差网络为基础,将空间注意力(Spatial attention,SA)引入残差结构,聚焦跟踪目标的显著性表观特征并主动抑制噪声等无用特征的影响;引入可变形卷积(Deformable convolution,DCN),通过加入偏移量,增大感受野,提高模型的鲁棒性。构建包含农田典型障碍物的数据集,通过对比试验研究在ResNet残差网络结构中的不同阶段中加入空间注意力和可变形卷积时的模型性能差异。结果表明,与Mask R-CNN原型网络相比,在ResNet的阶段2、阶段3、阶段5加入空间注意力和可变形卷积后,改进Mask R-CNN的边界框(Bbox)和掩膜(Mask)的平均精度均值(mAP)分别从64.5%、56.9%提高到71.3%、62.3%。本文提出的改进Mask R-CNN可以很好地实现农田障碍物检测,可为植保无人机在非结构化农田环境下安全高效工作提供技术支撑。