摘要：城市中压配电网规划是一个多目标组合优化问题。通过组件式地理信息系统(ComGIS)平台建立规划区域的网络数据集,在此基础上使用多目标遗传算法进行优化。利用ComGIS平台的网络分析功能优化单环最优路径,简化了遗传编码,并根据编码特点设计交叉、变异操作,提高了遗传算法的效率。利用基于Pareto秩的个体适应度函数引导多目标遗传算法的进化方向,最终得到接近多目标优化问题Pareto最优解集的一组两端供电网络方案。所得规划方案集便于决策人员选择,并且有效结合了规划区域的地理信息,有较强的实际意义。对某实际系统的应用结果表明了文中所提方法的有效性。

摘要：针对现存农用无人机变量喷雾系统响应时间较长、超调量较大、跟随效果不稳定等问题,设计一种基于单神经元PID控制的农用无人机变量喷雾系统。该系统采用传感器检测流量信息作为控制依据,运用单神经元自学习能力不断调整PID参数精确调控喷雾流量,实现变量调节快速稳定的目标。为验证本系统控制算法的实际变量控制效果,采用Matlab平台对传统PID和单神经元PID控制算法进行仿真分析;室内喷雾试验过程中,对比单神经元PID和传统PID的连续变量效果;田间试验过程中,使用流量传感器检测实际的变量喷雾效果,采用水敏纸获取雾滴沉积量分布。算法仿真结果表明单神经元PID控制算法在上升时间方面优于传统PID,延迟时间较短,无稳态误差。室内喷雾试验结果表明,采用单神经元PID进行变量控制时的喷雾变化过程稳定迅速,喷雾流量最大超调量3.88%,平均上升时间0.85 s,平均绝对误差7.13%;田间变量喷雾试验结果表明,系统平均上升时间0.87 s,喷雾量控制误差在5%以内;雾滴测试结果表明,雾滴沉积量随喷雾流量的增加呈相应增加趋势。研究结果可为变量喷雾技术的发展提供理论基础。

摘要：选定CIM模型中的核心、电线、拓扑、量测等包中的相关类和关系作为构建配电网GIS数据模型的CIM子集,并对空间数据交换模型进行了阐述。采用关系型数据库实现配电网GIS空间数据库的设计,将数据模型中的泛化、聚合和简单关联映射为关系型数据库的表间引用关系。提出的数据模型存储方法避免了类间关联全部下落于叶节点类,降低了叶节点对象之间关系的复杂度。通过对配电网GIS数据模型中的类进行适当扩展,为其添加数据维护操作和必要的属性扩展,进而生成数据维护命令,使数据和关系维护变成类对象自身的责任。通过为导电设备类增加Mount和Unmount操作来封装对导电设备的安装和拆除过程,生成拓扑维护命令,改变导电设备安装或拆除后的网络电气连接关系。实例研究表明,所提出的GIS数据模型存储与维护方法降低了配电网对象之间关系维护的复杂度。

摘要：为探究植保无人机所配套使用的多种典型扇形航空喷头的雾化特性,采用DP-02激光粒度仪分别对延长范围型喷头CFA11001、CFA110015、CFA11002、CFA11003和CFA11004,以及标准扇形喷头SF11002和TeeJet11002进行雾滴粒径测试及相关喷雾数据统计分析,并且就孔口尺寸和喷雾压力对各型号扇形航空喷头雾化特性的影响进行研究。试验结果表明,在固定喷雾压力(0.6MPa)条件下,CFA型喷头随着孔口尺寸的不断增大,雾滴粒径尺寸和粒径分布范围持续增大,其中,D_(V0.1)的极差最小,D_(V0.9)的极差最大。同时,对于具有相同孔口尺寸的3种不同类型喷头,TeeJet11002和SF11002型标准扇形喷头的喷雾性能表现较为稳定,二者的雾滴粒径尺寸和粒径分布范围均较小;CFA11002延长范围型喷头雾滴粒径尺寸则较大,雾滴粒径分级为粗(C),高达259.3μm,雾滴粒径分布也更广,主要集中于110~600μm。在0.2~0.8MPa,TeeJet11002、SF11002和CFA11002的喷头雾滴粒径呈现出随压力增大而变小的趋势。其中,TeeJet11002喷头在整体测试压力范围内表现较为稳定,SF11002喷头次之,而CFA11002喷头由于喷头结构设计的差异,在该压力范围内雾化性能表现出了一定的波动性,D_(V0.1)、D_(V0.5)和D_(V0.9)的极差分别达到4.8,24.8,84.4μm。研究还发现,孔口尺寸和喷雾压力均是影响扇形航空喷头雾滴粒径尺寸和雾滴粒径分布的重要因素,其中相较于标准扇形喷头,喷雾压力对CFA延长范围型喷头影响较大,该类型喷头喷施雾滴粒径尺寸也相对较大,粒径分布范围更广;标准扇形喷头雾滴粒径尺寸则较小,粒径分布更加均匀且稳定。研究结果可为航空喷头的设计与选择提供参考,对优化航空喷洒方案也有一定指导意义。

摘要：为实现番茄不同器官的快速、准确检测,提出一种基于深度卷积神经网络的番茄主要器官分类识别方法。在VGGNet基础上,通过结构优化调整,构建了10种番茄器官分类网络模型,在番茄器官图像数据集上,应用多种数据增广技术对网络进行训练,测试结果表明各网络的分类错误率均低于6.392%。综合考虑分类性能和速度,优选出一种8层网络用于番茄主要器官特征提取与表达。用筛选出的8层网络作为基本结构,设计了一种番茄主要器官检测器,结合Selective Search算法生成番茄器官候选检测区域。通过对番茄植株图像进行检测识别,试验结果表明,该检测器对果、花、茎的检测平均精度分别为81.64%、84.48%和53.94%,能够同时对不同成熟度的果和不同花龄的花进行有效识别,且在检测速度和精度上优于R-CNN和Fast R-CNN。

摘要：深度信息获取是温室移动机器人实现自主作业的关键。该研究提出一种基于稠密卷积自编码器的无监督植株图像深度估计模型。针对因视角差异和遮挡而产生的像素消失问题,引入视差置信度预测,抑制图像重构损失产生的问题梯度,设计了基于可分卷积的稠密自编码器作为模型的深度神经网络。以深度估计误差、阈值精度等为判据,在番茄植株双目图像上开展训练和测试试验,结果表明,抑制问题梯度回传可显著提高深度估计精度,与问题梯度抑制前相比,估计深度的平均绝对误差和均方根误差分别降低了55.2%和33.0%,将网络预测的多尺度视差图接入编码器并将其上采样到输入图像尺寸后参与图像重构和损失计算的处理方式对提高预测精度是有效的,2种误差进一步降低了23.7%和27.5%;深度估计误差随空间点深度的减小而显著降低,当深度在9 m以内时,估计深度的平均绝对误差<14.1 cm,在3 m以内时,则<7 cm。与已有研究相比,该研究估计深度的平均相对误差和平均绝对误差分别降低了46.0%和26.0%。该研究可为温室移动机器人视觉系统设计提供参考。

摘要：深度估计是智能农机视觉系统实现三维场景重建和目标定位的关键。该文提出一种基于自监督学习的番茄植株图像深度估计网络模型,该模型直接应用双目图像作为输入来估计每个像素的深度。设计了3种面向通道分组卷积模块,并利用其构建卷积自编码器作为深度估计网络的主体结构。针对手工特征衡量2幅图像相似度不足的问题,引入卷积特征近似性损失作为损失函数的组成部分。结果表明:基于分组卷积模块的卷积自编码器能够有效提高深度估计网络的视差图精度;卷积特征近似性损失函数对提高番茄植株图像深度估计的精度具有显著作用,精度随着参与损失函数计算的卷积模块层数的增加而升高,但超过4层后,其对精度的进一步提升作用不再明显;当双目图像采样距离在9.0 m以内时,该文方法所估计的棋盘格角点距离均方根误差和平均绝对误差分别小于2.5和1.8 cm,在3.0 m以内时,则分别小于0.7和0.5 cm,模型计算速度为28.0帧/s,与已有研究相比,2种误差分别降低了33.1%和35.6%,计算速度提高了52.2%。该研究可为智能农机视觉系统设计提供参考。

摘要：小麦苗生长状况与后期的长势及产量关系密切,且小麦生长过程经历的环境复杂多变,所以对小麦苗期生长状况进行监测与诊断具有重要意义,该文基于远程监控、遥感和WebGIS技术,初步设计构建了小麦苗情远程监测与智能诊断管理系统。该系统通过远程监控技术获取田间现场环境信息,遥感影像数据获取小麦生长信息,并结合专家知识数据库,可对小麦长势、干旱、冻害进行监测与综合分析,并给出诊断方案,进而为小麦的调控管理提供决策和支持。

摘要：为实现温室环境下机器人行进过程中的位置及姿态跟踪,该研究提出一种基于时序一致性约束的自监督位姿变换估计模型。模型用软遮罩,处理视频帧间静止造成的位姿预测值收缩现象,进一步用归一化遮罩,解决非刚体场景和目标遮挡问题。设计了一种星型扩张卷积,并基于该卷积,为模型构建自编码器。在采集自种植作物为番茄的日光温室视频数据上开展训练和测试试验。结果表明,与不采用遮罩处理的模型相比,采用软遮罩的模型,位置和姿态估计相对误差分别减少5.06个百分点和11.05个百分点,采用归一化遮罩的模型,这2项误差则分别减少4.15个百分点和3.86个百分点,2种遮罩均可显著提高模型精度;星型扩张卷积对降低模型误差是有效的,在网络参数不变的前提下,该卷积使姿态估计相对误差减少7.54个百分点;时序一致性约束使姿态估计均方根误差下降36.48%,每百帧累积姿态角误差降低54.75%,该约束可用于提高模型精度及稳定性;该研究的位置及姿态估计相对误差分别为8.29%和5.71%,与Monodepth2相比,减少了8.61%和6.83%。该研究可为温室移动机器人导航系统设计提供参考。

摘要：为解决文本特征提取不准确和因网络层次加深而导致模型分类性能变差等问题,提出基于深度卷积神经网络的水稻知识文本分类方法。针对水稻知识文本的特点,采用Word2Vec方法进行文本向量化处理,并与OneHot、TF-IDF和Hashing方法进行对比分析,得出Word2Vec方法具有较高的分类精度,正确率为86.44%,能够有效解决文本向量表示稀疏和信息不完整等问题。通过调整残差网络(Residual network,Res Net)结构,分析残差模块结构和网络层次对分类网络的影响,构建了9种分类网络结构,测试结果表明,具有4层残差模块结构的网络具有较好的特征提取精度,Top-1准确率为99.79%。采用优选出的4层残差模块结构作为基本结构,使用胶囊网络(Capsule network,Caps Net)替代其池化层,设计了水稻知识文本分类模型。与Fast Text、Bi LSTM、Atten-Bi GRU、RCNN、DPCNN和Text CNN等6种文本分类模型的对比分析表明,本文设计的文本分类模型能够较好地对不同样本量和不同复杂程度的水稻知识文本进行精准分类,模型的精准率、召回率和F1值分别不小于95.17%、95.83%和95.50%,正确率为98.62%。本文模型能够实现准确、高效的水稻知识文本分类,满足实际应用需求。