摘要：茎流测量是研究植物耗水规律的重要手段,现有茎流传感器多基于热平衡法进行设计,但在低温天气时,植物蒸腾作用不明显,茎流瞬时变化响应不灵敏,导致测量结果不精确。针对上述问题,设计了一种热源自适应茎流检测与调控系统。综合考虑不同因素下茎流消耗在热源提供能量占比中变化趋势的建模需求,设计融合外界温度、茎流速率、横截面积等多环境因子茎流标定嵌套试验。在此基础上,利用支持向量机回归算法(Support vector regression,SVR)和遗传算法(Genetic algorithm,GA),建立热源功率自适应模型。结果表明所建模型的最优决定系数与均方根误差分别为0.989和0.015 W。基于LoRa无线传感网络构建茎流检测与调控系统,实现多组温度信息和热源功率的监测,系统调用移植到嵌入式设备的热源自适应模型动态获取热源功率调控目标值,并发送至执行控制器,控制功率调控模块,实现热源自适应融合的功率动态控制。精度验证试验显示:在低温段时,本系统比FLOW-32KS型传感器平均相对误差小2.64(6℃)、2.53(11℃)、3.68个百分点(16℃)。在高温段时,自适应模型修正对结果影响不大,双系统相对误差互有高低。证明本系统嵌入基于热平衡法的GA-SVR算法热源自适应模型后,能确保茎流消耗能量Q_(f)在输入总能量P_(in)中占比稳定,满足提高热平衡茎流测量精度的需求。

摘要：针对在现有温室光环境调控模型中,未考虑光质-光强的协同影响以及净光合速率与光能利用率双优化的问题。该研究面向温室黄瓜的高效补光,提出一种基于多目标优化思想的光质-光强协同调控方法。通过设计多因子耦合的净光合速率试验,获取叶片的净光合速率数据,建立净光合速率模型,并计算叶片尺度的光能利用率;构建光能利用率与净光合速率双优化的多目标优化模型,利用多目标粒子群算法获取非劣解集,基于理想解逼近算法得到光质-光强的调控单点,从而建立设施黄瓜红、蓝光模型。理论验证试验表明,与光合最大补光法相比,净光合速率降低21.39%,需光量降低59.40%;与固定光质0.5和0.8相比,在相同光强下净光合速率依次提升3.66%和9.69%。在此基础上开展实际验证试验,结果表明与固定光质法相比,在耗电量相近的前提下,生理指标均优于固定光质补光法,且在茎粗、干质量以及壮苗指数上存在显著差异;与光合最大补光法相比,生理指标不存在显著差异,且耗电量节省27.43%,表明该研究方法在保证生理指标高水平的前提下,有效节省了光电资源的消耗。该研究方法为设施农业调控提供了新型补光策略,保障了农业生产资源的高效利用。

摘要：不同植株叶位、叶龄和所处环境的导致单叶光合速率存在明显差异,使其在表征整株光合能力和物质积累效率等方面存在不足。本文以设施蔬菜为研究对象,基于透明同化箱设计基于碳同化过程的群体光合速率测量系统,系统通过高精度光辐射传感器和SCD30对同化箱内光照强度、CO_(2)浓度、温湿度进行采集,实现了同化箱光环境的精确控制、碳同化过程测量、温湿度控制等功能。试验与LI-6800型闭路碳同化测量系统同步进行,采用线性拟合计算CO_(2)浓度变化量进而获取群体光合速率,分析测量系统性能及不同光温条件和作物品种碳同化过程的检测精度。结果表明系统气密性和光调控精度良好,最大漏气速率为0.0473μmol/(mol·min),单次测量(6 min)最大漏气量为0.2838μmol/mol,光环境调控精度平均标准差为2.71μmol/(m^(2)·s),能够满足植株碳同化过程的检测要求。通过线性相关性分析,生菜单株/多株CO_(2)交换量拟合R^(2)分别为0.988、0.874,均方根误差分别为5.82、5.80μmol/mol,番茄线性拟合R^(2)为0.952,均方根误差为3.39μmol/mol,结果表明系统测量性能与LI6800型闭路碳同化测量系统性能接近,且在直立生长植株的检测性能更好;通过光响应曲线拟合计算,番茄和生菜在不同温度、光照条件下,系统与LI6800型闭路碳同化测量系统光响应曲线间平均绝对误差均值分别为0.45、0.35μmol/(m^(2)·s),拟合R^(2)均值不小于0.95,证明系统能实现群体光响应曲线的高精度稳定测量。

摘要：【目的】研究基于声波的非接触式手势控制方法,实现对圈舍智能设备的非接触式手势控制,为减少畜牧业传染病的接触式传播风险提供技术支持。【方法】设计并实现了基于声波的手势识别系统,该系统由2套商用扬声器和麦克风组成声学雷达,采用功率谱密度对手势移动产生的多普勒效应进行提取,然后建立手势、位置与多普勒效应的映射关系,并提出一种融合规则和机器学习的手势识别方法,通过手势移动时产生的多普勒效应实现感知范围内任意位置对4种常见手势(前推、后移、左移、右移)的准确识别。【结果】采用奇异值分解算法进行特征提取,并对支持向量机模型、BP神经网络模型、K最邻近算法3种机器学习算法进行比较,可以得到支持向量机模型整体优于BP神经网络和K最邻近算法,且线性支持向量机的识别准确率最高,该系统对15位测试者在不同位置手势的平均识别准确率可以达到91.50%,且成功应用于照明设备的开关和亮度调节以及换气扇的开关和转速调节。【结论】综合考虑手势执行位置、手势移动速度和幅度等因素,采用奇异值分解算法进行特征提取,线性支持向量机算法进行分类,可达到较高的手势识别准确率,有望应用于圈舍智能设备的非接触式手势控制。