检索结果-南通市图书馆

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

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2024年第5期55卷 368-378页

作者：吕欢欢牛源艺韩雨晓李顺达张漫李寒中国农业大学智慧农业系统集成研究教育部重点实验室北京100083

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... 详细信息

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。

关键词：日光温室光照强度空气温湿度时空变化 K-means 无线传感器网络

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于3D激光雷达的鸡舍通道中心线检测方法

农业工程学报 2024年第9期40卷 173-181页

作者：韩雨晓李帅王宁安娅军张漫李寒中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国农业大学农业农村部农业信息获取技术重点实验室北京100083

针对笼养鸡舍环境下光照强度弱、作业通道内狭小导致机器人巡检时通道中心线检测困难的问题,该研究利用3D激光雷达对鸡舍通道中心线进行获取。首先通过机器人搭载的3D激光雷达对鸡舍作业通道信息进行采集,利用直通滤波、地面点滤波、体... 详细信息

针对笼养鸡舍环境下光照强度弱、作业通道内狭小导致机器人巡检时通道中心线检测困难的问题,该研究利用3D激光雷达对鸡舍通道中心线进行获取。首先通过机器人搭载的3D激光雷达对鸡舍作业通道信息进行采集,利用直通滤波、地面点滤波、体素滤波、统计滤波和平面投影对获取的3D激光雷达点云数据进行预处理,获取XOY平面上的点云数据。通过改变K-means聚类初始点选择方式和聚类函数对预处理后的点云数据进行数据分类。利用改进RANSAC算法对分类后的数据进行处理,提取通道中心线。试验结果表明该研究提出的改进K-means聚类算法平均耗时6.98 ms,相较于传统的K-means聚类算法平均耗时减少了29.40 ms,准确率提高了82.41%。该研究提出的改进RANSAC算法中心线提取准确率为93.66%、平均误差角为0.89°、平均耗时为3.97 ms,比LSM算法得到的平均绝对误差角高0.14°,平均耗时减少6.15 ms。表明该研究提出的鸡舍通道中心线检测方法基本满足笼养鸡舍环境实时自主导航的需求,为巡检机器人在鸡舍作业通道内进行激光雷达导航提供了技术支撑。

关键词：导航机器人激光雷达鸡舍 K-means聚类随机抽样一致性算法中心线拟合

苹果早期瘀伤的近红外光谱和多波段相机成像检测

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2024年第5期44卷 1364-1371页

作者：杨增荣王怀彬田密密李军会赵龙莲中国农业大学信息与电气工程学院北京100083 现代精细农业系统集成研究教育部重点实验室北京100083

苹果早期轻微瘀伤是影响苹果品质的重要因素。早期轻微瘀伤在可见光下肉眼无法识别,为寻找一种高效的苹果早期轻微瘀伤识别方法,以红富士苹果为研究对象,通过倒立摆装置人为制造不同程度的苹果瘀伤。首先采用傅里叶变换近红外光谱仪采... 详细信息

苹果早期轻微瘀伤是影响苹果品质的重要因素。早期轻微瘀伤在可见光下肉眼无法识别,为寻找一种高效的苹果早期轻微瘀伤识别方法,以红富士苹果为研究对象,通过倒立摆装置人为制造不同程度的苹果瘀伤。首先采用傅里叶变换近红外光谱仪采集80个无损样品、60个轻度损伤样品以及60个重度损伤样品各自在损伤后0、10、20和30 min的近红外漫反射光谱;采用SNV作为光谱数据预处理方法,谱区范围选择4000~9000 cm^(-1);主成分个数为9,采用偏最小二乘法-判别分析(PLS-DA)和支持向量机(SVM)两种方法建立“无损-有损”二分类模型,预测集的平均识别率分别为85.00%和89.80%,模型识别效果有待提高。在以上实验结果的基础上,使用波段范围为1000~2350 nm的近红外相机采集无损、轻度瘀伤、中度瘀伤和重度瘀伤的100个苹果样品的近红外图像,相机加装1150和1400 nm的滤光片后分别再次采集这些苹果样品的近红外图像,所有图像均在瘀伤产生后立即采集。共采集3个波段、4种瘀伤程度的苹果样本图像共1200张。提取图像吸光度信息并分别建立KNN、SVM和DT分类模型,DT法“无损-损伤”二分类模型和“无损-轻度-重度”三分类模型的识别率最高,分别为99.00%和94.67%。相比基于近红外光谱的苹果早期外部瘀伤识别方法,近红外相机多波段成像法在苹果表面早期瘀伤和瘀伤程度分类的应用中都有更高的识别准确率。与此同时近红外相机成像方法方便确定瘀伤的位置,这为苹果表面瘀伤的实时在线检测与分类提供了一种快速高效的新思路。

关键词：近红外光谱近红外相机成像苹果早期瘀伤

基于YOLOv5m和CBAM-CPN的单分蘖水稻表型参数提取

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2024年第2期40卷 307-314页

作者：陈慧颖宋青峰常天根郑立华朱新广张漫王敏娟中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国科学院分子植物科学卓越创新中心植物分子遗传国家重点实验室上海200032 中国农业大学烟台研究院烟台264670

为快速获取单分蘖水稻植株的形态结构和表型参数,该研究提出了一种基于目标检测和关键点检测模型相结合的骨架提取和表型参数获取方法。该方法基于目标检测模型生成穗、茎秆、叶片的边界框和类别,将所得数据分别输入到关键点检测模型检... 详细信息

为快速获取单分蘖水稻植株的形态结构和表型参数,该研究提出了一种基于目标检测和关键点检测模型相结合的骨架提取和表型参数获取方法。该方法基于目标检测模型生成穗、茎秆、叶片的边界框和类别,将所得数据分别输入到关键点检测模型检测各部位关键点,按照语义信息依次连接关键点形成植株骨架,依据关键点坐标计算穗长度、茎秆长度、叶片长度、叶片-茎秆夹角4种表型参数。首先,构建单分蘖水稻的关键点检测和目标检测数据集;其次,训练Faster R-CNN、YOLOv3、YOLOv5s、YOLOv5m目标检测模型,经过对比,YOLOv5m的检测效果最好,平均精度均值(mean average precision,mAP)达到91.17%;然后,应用人体姿态估计的级联金字塔网络(cascaded pyramid network,CPN)提取植株骨架,并引入注意力机制CBAM(convolutional block attention module)进行改进,与沙漏网络(hourglass networks,HN)、堆叠沙漏网络模型(stacked hourglass networks,SHN)和CPN模型相比,CBAM-CPN模型的预测准确率分别提高了9.68、8.83和1.06个百分点,达到94.75%,4种表型参数的均方根误差分别为1.06 cm、0.81 cm、1.25 cm和2.94°。最后,结合YOLOv5m和CBAM-CPN进行预测,4种表型参数的均方根误差分别为1.48、1.05、1.74cm和2.39°,与SHN模型相比,误差分别减小1.65 cm、3.43 cm、2.65 cm和4.75°,生成的骨架基本能够拟合单分蘖水稻植株的形态结构。所提方法可以提高单分蘖水稻植株的关键点检测准确率,更准确地获取植株骨架和表型参数,有助于加快水稻的育种和改良。

关键词：目标检测注意力机制水稻关键点检测骨架提取表型参数单分蘖植株

利用CARS-CNN模型的土壤有机质含量高光谱预测

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2024年第8期44卷 2303-2309页

作者：李浩于滈曹永研郝子源杨玮李民赞中国农业大学“智慧农业系统集成研究”教育部重点实验室北京100083 中国农业大学农业农村部农业信息获取技术重点实验室北京100083

卷积神经网络(CNN)在数据特征提取方面具有巨大优势,能充分获取数据特征,相较于传统模型具有更好的泛化性。基于CNN开展了土壤有机质(SOM)含量高光谱预测方法及模型研究。以北京市昌平区上庄实验站的320个土壤样本为研究对象,提取可见光... 详细信息

卷积神经网络(CNN)在数据特征提取方面具有巨大优势,能充分获取数据特征,相较于传统模型具有更好的泛化性。基于CNN开展了土壤有机质(SOM)含量高光谱预测方法及模型研究。以北京市昌平区上庄实验站的320个土壤样本为研究对象,提取可见光-近红外(VIS-NIR)350~1700 nm内的807个光谱波段,通过多元散射校正(MSC)和一阶微分变换进行光谱数据去噪和变换。分别使用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)筛选敏感波长实现光谱数据降维。为解决传统手段泛化性差以及深层CNN网络复杂且负载过大的问题,基于CARS与SPA算法,提出一种基于6层卷积层的浅层CNN模型预测,并对比具有不同卷积尺寸和卷积数量的1D-CNN1、1D-CNN2以寻找最优网络参数。通过对比VGG16、支持向量回归(SVR)、最小二乘回归(PLSR)、随机森林(RF)建立预测模型在特征波长以及全波段的表现确定最佳模型。结果表明,相比于全谱波段和SPA筛选算法,基于CARS筛选特征波长建立的模型整体表现更好,波段数量被压缩至全波段的8%,有效实现了光谱数据的降维。对比全波段数据,基于CARS筛选波长的1D-CNN1、1D-CNN2的表现更好,模型预测R2分别提升了0.028,0.018;RMSE分别降低了0.150和0.107 g·kg^(-1)。整体上,基于CARS的1D-CNN1模型表现最好,预测R2=0.846,RMSE=3.145 g·kg^(-1),降低了网络负载的同时提高了模型精度,同时也证明了小尺寸卷积的表现优于更多数量的大尺寸卷积,能够更好的获取数据特征。通过CARS筛选特征波长结合浅层CNN建立SOM含量预测模型,为建立高精度的SOM含量预测模型提供了方法与参考。

关键词：土壤有机质卷积神经网络高光谱精细农业

利用改进YOLOv5s模型检测番茄果实成熟度及外观品质

在线全文

学校读者我要写书评

暂无评论

园艺学报 2024年第2期51卷 396-410页

作者：孙宇朝李守豪夏秀波杨玮李民赞张焕春山东省烟台市农业科学研究院山东烟台265500 中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 烟台市智慧农业研究中心山东烟台265500

以粉果番茄为试验材料,基于深度学习方法开展了番茄果实成熟度和外观品质的检测研究。试验中共采集番茄图片数据2036张,通过处理扩增至5316张,然后将数据进行标注和文件转换,构建了试验用数据集;通过在YOLOv5s模型中加入CA注意力机制、... 详细信息

以粉果番茄为试验材料,基于深度学习方法开展了番茄果实成熟度和外观品质的检测研究。试验中共采集番茄图片数据2036张,通过处理扩增至5316张,然后将数据进行标注和文件转换,构建了试验用数据集;通过在YOLOv5s模型中加入CA注意力机制、替换Stem block结构、结合识别需求优化检测层尺度、替换K-means++聚类算法来实现SC-YOLOv5s识别精度提升,提高模型的特征表达能力;通过在SC-YOLOv5s模型中加入Fire module结构进行轻量化卷积、降低Bottleneck模块的参数量来实现SC-YOLOv5s-lite轻量化设计,提升模型在硬件上的检测速度;将SC-YOLOv5s-lite模型在训练集上进行训练优化、消融试验和性能对比,结果表明,SC-YOLOv5s-lite模型内存大小为7.73 M,其准确率为89.04%,召回率83.35%,平均精度91.34%,检测时间为143 ms,相比于YOLOv5s,模型参数量降低了45.57%,模型大小压缩了44.86%,平均精度提升3.98%,检测时间减少20.99%,优势明显,更适合于硬件上部署。

关键词：番茄成熟度外观品质检测深度学习计算机视觉

离心式高速玉米精量排种器T形槽型孔设计与试验

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2024年第7期40卷 50-60页

作者：杨丽李治民张东兴李川崔涛和贤桃中国农业大学工学院北京100083 农业农村部土壤-机器-植物系统技术重点实验室北京100083

针对离心式高速玉米精量排种器双粒种子并排填充导致重播严重的问题,该研究提出利用型孔槽对称凸台结构降低玉米种子并排填充概率的方法,设计了一种T形槽型孔。通过构建充种阶段玉米种子的力学模型,并结合玉米种子的形状特征确定了T形... 详细信息

针对离心式高速玉米精量排种器双粒种子并排填充导致重播严重的问题,该研究提出利用型孔槽对称凸台结构降低玉米种子并排填充概率的方法,设计了一种T形槽型孔。通过构建充种阶段玉米种子的力学模型,并结合玉米种子的形状特征确定了T形槽型孔基本结构参数。借助EDEM离散元仿真软件,以型孔槽前端长度、型孔槽后端面倾斜角以及型孔槽底部倾斜角为因素,以合格指数、重播指数与漏播指数为评价指标,设计二次正交旋转回归组合仿真试验。仿真试验结果表明:在作业速度18 km/h条件下,型孔槽前端长度为9.31 mm,型孔槽后端面倾斜角为43.37°与型孔槽底部倾斜角为70.5°时,排种质量最优,排种合格指数、重播指数与漏播指数分别为94.03%、1.72%与4.25%。台架验证试验结果表明:作业速度为15 km/h时,T形槽型孔的合格指数最高为95.16%,在此作业速度下,排种器的重播指数为1.42%,漏播指数为3.42%,满足高速精量播种要求;作业速度在12~21 km/h内时,T形槽型孔的平均合格指数为94.77%,相较于矩形槽型孔提升了3.13个百分点,相较于蹄型槽型孔提升了1.80个百分点,T形槽型孔的平均重播指数为2.06%,相较于矩形槽型孔降低了3.41个百分点,相较于蹄型槽型孔降低了2.49个百分点。该研究可为离心式高速玉米精量排种器优化提供参考。

关键词：农业机械仿真玉米高速播种型孔 EDEM

以粪污水热资源化为核心的高效种养结合系统分析与展望

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2024年第12期40卷 1-12页

作者：徐永洞刘志丹中国农业大学水利与土木工程学院农业农村部设施农业工程重点实验室环境增值能源实验室北京100083

种养结合系统是实现养殖业和种植业可持续发展的重要途径。水热技术可以将畜禽粪污快速直接转化生产生物原油、水热炭、水相产物和气体产物,生成物分别具有燃料、土壤改良、农用杀菌剂和气体肥料应用潜力,以粪污水热资源化为核心构建的... 详细信息

种养结合系统是实现养殖业和种植业可持续发展的重要途径。水热技术可以将畜禽粪污快速直接转化生产生物原油、水热炭、水相产物和气体产物,生成物分别具有燃料、土壤改良、农用杀菌剂和气体肥料应用潜力,以粪污水热资源化为核心构建的高效种养结合系统有助于提升畜禽粪污的无害化资源化水平和消纳能力、构建生态可持续的绿色循环农业,实现畜禽粪污资源化利用、种植业和养殖的协同高效发展。该研究基于国内外近十余年的研究,系统综述了粪污水热资源化产物在种养结合生态循环农业模式中的作用和应用潜力,论述了畜禽粪污水热转化生物原油在农业内燃机中作为燃料的研究现状,阐述了水相产物作为潜在的农用杀菌剂在作物病害防控中的作用,梳理了畜禽粪污源水热炭在转化机理、理化特性和还田应用中的研究进展,分析了气相产物中的组分和用于温室种植的潜力。在此基础上总结了以粪污水热资源化为核心的高效种养结合系统面临的主要挑战,并对水热资源化产物农业循环应用的研究方向进行展望。研究为畜禽粪污水热资源化和高效种养结合系统研究提供理论参考。

关键词：畜禽粪污水热炭生物炭水热转化生物原油种养结合系统农作物病害防控

基于高光谱和深度学习的水稻秸秆覆盖度遥感估算

在线全文

学校读者我要写书评

暂无评论

河南农业大学学报 2024年

作者：岳继博李婷田庆久刘杨冯海宽河南农业大学信息与管理科学学院南京大学国际地球科学系统研究所中国农业大学智慧农业系统集成研究教育部重点实验室北京市农林科学院信息技术研究中心农业农村部农业遥感机理与定量遥感重点实验室

【目的】设计一种结合高光谱遥感、卷积神经网络和迁移学习技术的田间水稻秸秆覆盖度（RRC）信息提取方法。【方法】主要包含3部分：（1）实验室测量了多种土壤含水量、水稻秸秆含水量和RRC的“土壤-水稻秸秆”混合光谱；（2）基于视觉... 详细信息

【目的】设计一种结合高光谱遥感、卷积神经网络和迁移学习技术的田间水稻秸秆覆盖度（RRC）信息提取方法。【方法】主要包含3部分：（1）实验室测量了多种土壤含水量、水稻秸秆含水量和RRC的“土壤-水稻秸秆”混合光谱；（2）基于视觉几何组网络设计了水稻秸秆覆盖度高光谱网络（RRChyperNet）模型，该模型融合深层和浅层网络特征开展RRC估算；（3）基于实验室实测和田间实测“土壤-水稻秸秆”混合光谱评估了使用RRChyperNet模型开展田间RRC估算的可行性。使用决定系数(R2)和均方根误差（RMSE）评估田间RRC信息提取的准确性。【结果】（1）RRChyperNet可用于开展田间RRC信息高精度估算(R2=0.953，RMSE=0.085)。（2）基于预训练的RRChyperNet结合迁移学习方法能够实现对研究区RRC高精度估算(R2=0.867，RMSE=0.093)，其精度明显高于广泛使用的随机森林和支持向量机回归模型(R2=0.686～0.691，RMSE=0.122～0.128)。（3）研究仅基于水稻秸秆开展了RRChyperNet模型训练和性能测试，其针对小麦、玉米等秸秆覆盖度信息提取精度仍需要未来更多的试验来验证。【结论】RRChyperNet能够提供高精度的田间水稻秸秆覆盖度信息，为动态掌握农田保护性耕作实施进度和落实农业生态环境保护建设提供技术支持。

关键词：卷积神经网络水稻秸秆覆盖度深度学习迁移学习