摘要：针对荒漠化治理对草方格固沙机的需求,提出了一种集底盘、开沟机构、草箱机构、插草机构、覆压沙机构、播种及洒水机构、升降机构与一体的多功能草方格固沙机。分析了“T+一”式草方格种植模式的优势,提出了自动巡航草方格固沙机整体结构方案,并对开沟机构、草箱机构、插草机构、覆压沙机构、播种及洒水机构、升降机构等关键组件的功能和结构进行了详细分析。应用三维建模软件建立虚拟机构模型,对推草和插草机构进行了运动仿真分析,并对整机进行了作业性能试验。结果表明:各机构构件间无干涉,构件运动仿真轨迹符合功能要求,杆件尺寸参数设计合理,机器作业效率高,可有效保证草方格铺设的准确性和有效性,满足机械化固沙的要求,具有良好的通用性和适应性。

摘要：为了实现草方格固沙机的智能化工作,提出了一种基于GNSS+IMU的草方格固沙机自动巡航控制系统。系统以STM32F407VGT6作为主控芯片,将GNSS(全球导航卫星系统)和IMU(惯性测量单元)的位置、速度和航向角数据通过卡尔曼滤波算法融合,得到最优估计数据;然后,将最优估计数据输入增量式PID算法,以实现草方格固沙机在预定义区域内稳定的导航工作。同时,设计了Android APP终端,实现了用户终端对草方格固沙机的智能监控。研究结果表明:系统导航工作直线航向角偏差RMS不超过0.45,最大偏差不超过1.5°,满足草方格固沙机自动巡航工作的基本需求,体现了草方格固沙机在智能化定位导航方面的可行性与稳定性,可为草方格固沙机实现荒漠化治理提供依据。

摘要：无人机补播是草地修复的有效手段之一。针对无人机作业过程中,空斑定位精度不高导致的效率低下、工作量大等问题,该研究提出一种基于无人机图像超分辨率重建和Transformer的退化草地空斑定位方法YOLOFG(YOLO for Gap)。首先基于YOLOv5s网络框架,在模型颈部设计联级特征纹理选择模块,强化模型特征纹理细节聚焦力,解决无人机空斑影像尺度变化大、纹理模糊问题;其次,以ShuffleNetV2构建主干网络,嵌入信息交互Transformer自注意力结构,提取像素间更多差异化特征,以提升模型对空斑边缘像素的精确捕获能力;最后,基于空斑锚框信息建立无人机位姿信息和空间平面的成像模型,实现目标空斑的精准定位。试验结果表明,YOLOFG模型平均精度均值为96.57%,相较于原始YOLOv5s模型提升3.84个百分点;参数量约为6.24 M,比原始模型降低约11.2%。与YOLOv4、YOLOv7、YOLOv8模型相比,检测精度分别提高11.86、9.65、6.82个百分点。空斑定位的平均误差为0.4404 m,满足无人机作业对草地空斑精准定位的需求,可为开展退化草地植被恢复与重建工作提供技术支持。

摘要：设计一种基于Arm Cortex-M0的视频处理系统,旨在满足视频处理在各个应用领域的需求。系统基于EG4S20现场可编程逻辑门阵列(Field Programmable Gate Array,FPGA)开发板进行开发,搭建基于Arm Cortex-M0的系统级芯片(System on Chip,SoC)架构,实现了多种图像信号处理(Image Signal Processing,ISP)算法。系统通过安全数字(Secure Digital,SD)存储卡读取原始视频数据,经过ISP硬件加速处理,通过高清多媒体接口(High Definition Multimedia Interface,HDMI)实时显示处理后的图像。系统集成了键盘、数码管和蜂鸣器模块,实现了智能化的视频处理和控制,极大地提高了处理效率和效果。

摘要：给出一种直线式滑轨往复式拍打器控制设计,该系统由Arduino控制器、电机、电机驱动模块、滑轨和红外探测模块组成。Arduino控制器负责接收来自触摸屏界面的指令,通过控制电机驱动模块L298N控制电机转动,执行拍打器的拍打功能。通过控制TB6600模块控制42步进电机带动滑轨传动平台,实现传动平台上拍打器的往复移动。用户可以通过触摸屏界面自定义按摩的功能,如位置、时长等,整个系统使用两个12 V可充电电池供电,使其成为一个移动式拍打器。

摘要：介绍一种电动圆转台位置调整控制系统,实现将转台中放置物体转到指定方向。该系统主要由Arduino UNO微处理器和OpenMV视觉模块以及步进电机驱动组成,使用Python作为编程语言和JSON数据格式,实现转台上图像识别和驱动信号输出。测试表明:电动转台系统可以实现较好的定位。

摘要：为高效、精确地对单株作物进行三维重建,以点云方式无损测量作物表型信息,该研究提出一种基于Kinect V3深度相机的三维重建系统。使用步进电机搭建了一个旋转台,并将旋转台面设计成多颜色同心圆,利用同心圆计算平面法向量及圆心两特征信息,用于点云水平校准以及获取点云间的旋转平移矩阵;将Kinect V3采集的多视角点云变换到同一坐标系下,并结合裁剪迭代最近点(Trimmed Iterative Closest Point,TrICP)算法实现了多视角点云的粗配准与精配准,完成了作物三维重建。为检验该研究的三维重建效果,选取菜心、黄瓜苗为试验对象,与多视图立体视觉-运动恢复结构(Multi-View Stereo and Structure From Motion,MVS-SFM)算法重建点云进行对比,并提取叶面积参数与人工测量值进行比较。结果表明,两种方法下重建后的菜心点云间平均距离误差为0.59 cm,黄瓜苗点云间平均距离误差为0.67 cm,具有较高的相似度,而相较于MVS-SFM算法,该研究提出的方法的重建速度提高了约90%;该研究提出的方法所重建点云,菜心叶面积提取与标准参考值相对误差均值为5.88%,均方根误差为3.83 cm^(2),黄瓜苗叶面积提取与标准参考值相对误差均值别为6.50%,均方根误差为2.08 cm^(2),都显现出较高的准确性。该研究提出的方法能对单株作物进行快速三维重建,能有效提取叶面积参数,可为作物育种、栽培和农业生产提供高效技术手段和数据支持。

摘要：为解决高校电子信息类专业通信类课程教学实验时长受限、地点受限等问题,帮助学生更好地理解频谱分析原理,开发基于小程序的信号发生器与频谱分析仪,利用互联网的优势,实现随时开展实验教学的效果。信号发生器可产生一定频率范围内的正弦波、方波、三角波、随机噪声、洛伦兹脉冲以及辛普森脉冲共6种常用的信号,并通过手机扬声器或耳机孔输出;频谱分析仪可对手机麦克风接收到的语音进行加窗频谱分析,并把频谱结果展现在屏幕上。使用固定型号手机进行测试,结果表明,信号发生器在产生100 Hz~10 kHz的正弦波时频率相对误差为0%,产生其它波形的频率相对误差≤1%;频谱分析仪在对正弦波音频输入做频谱分析时,峰值频率测量误差在5 Hz以内,具有良好的实验教学指导意义与现场应用适用性。

摘要：针对光学条纹分析技术在镜头畸变检测校正中的拓展应用教学,设计一套镜头畸变校正实验检测与分析系统。方案在Matlab环境下实现对实验数值仿真及处理,并对镜头畸变模型及参数、畸变条纹基频、畸变中心等参量展开定量讨论分析。系统采用液晶平板显示器展示载频条纹图像作为校正模板,通过相机广角镜头进行拍摄获得畸变条纹图像,根据条纹分析方法获得各个畸变参量,实现对畸变图像的校正。方案将理论分析、数值仿真和实验测量三者相结合,帮助学生综合掌握条纹分析技术与镜头畸变校正的相关知识与应用,有利学生的实践动手能力和创新设计能力的培养。

摘要：为实时准确地检测到自然环境下背景复杂的荔枝病虫害,本研究构建荔枝病虫害图像数据集并提出荔枝病虫害检测模型以提供诊断防治。以YOLO v4为基础,使用更轻、更快的轻量化网络GhostNet作为主干网络提取特征,并结合GhostNet中的核心设计引入更低成本的卷积Ghost Module代替颈部结构中的传统卷积,得到轻量化后的YOLO v4-G模型。在此基础上使用新特征融合方法和注意力机制CBAM对YOLO v4-G进行改进,在不失检测速度和模型轻量化程度的情况下提高检测精度,提出YOLO v4-GCF荔枝病虫害检测模型。构建的数据集包含荔枝病虫害图像3725幅,其中病害种类包括煤烟病、炭疽病和藻斑病3种,虫害种类包括毛毡病和叶瘿蚊2种。试验结果表明,基于YOLO v4-GCF的荔枝病虫害检测模型,对于5种病虫害目标在训练集、验证集和测试集上的平均精度分别为95.31%、90.42%和89.76%,单幅图像检测用时0.1671 s,模型内存占用量为39.574 MB,相比改进前的YOLO v4模型缩小84%,检测速度提升38%,在测试集中检测平均精度提升4.13个百分点,同时平均精度比常用模型YOLO v4-tiny、EfficientDet-d2和Faster R-CNN分别高17.67、12.78、25.94个百分点。所提出的YOLO v4-GCF荔枝病虫害检测模型能够有效抑制复杂背景的干扰,准确且快速检测图像中荔枝病虫害目标,可为自然环境下复杂、非结构背景的农作物病虫害实时检测研究提供参考。