生态环境知识服务平台
首页>知识导航 > 森林环境 > 果树 > 苹果
资源种类 收起
年份 收起
展开更多
语种 收起
学科分类 展开
出版状态 展开
订阅
至 收起
  • [期刊论文] 《农业工程学报》 ISTIC EI SCI PKU CSSCI - 2026年1期
    针对苹果采摘任务中末端执行器主动柔性不足、控制精度较差的问题,该研究提出了一种采摘器力位混合控制方法.首先,基于3D打印技术设计了一款夹爪结构可调的柔性采摘器,以微型伺服电缸作为驱动机构,将连杆的平移运动转换为柔性夹爪的开合运动,为采摘器力/位混合控制提供了硬件支持;其次,将融合了位置速度解算模块和线性状态误差反馈模块的自抗扰控制(active disturbance rejection control,ADRC)与模型预测控制(model predictive control,MPC)结合作为采摘器的控制器,其中ADRC算法用于精准估计采摘器运行中存在的摩擦扰动并进行实时补偿,MPC算法通过多步预测机制优化ADRC控制策略,两者协同作用形成动态互补的控制架构;最后在现实场景中对控制策略进行验证,结果表明:该系统力跟踪响应时间达到0.85 s,接触力稳态建立时间为3.08 s,且动态力控误差能够稳定控制在±0.1 N的精度范围内.该研究成果为苹果采摘机器人柔性采摘提供了一种可行的技术方案.
    机器人苹果采摘末端执行器力位混合控制自抗扰控制模型预测控制
  • [期刊论文] 《农业机械学报》 ISTIC EI SCI PKU CSSCI - 2026年19期
    针对苹果的现场非破坏快检分选及品质检测需求,基于可见/近红外光谱检测分析技术,设计了链传动式苹果在线检测分选系统.该系统由动力机构、光谱采集单元、PLC 控制模块及分级执行机构等硬件组成.通过传感器协同定位触发光谱采集,搭载检测模型可以实现对苹果内部品质(SSC 和霉心病)的精准检测和判别.以富士苹果为对象,建立了霉心病判别和健康果 SSC 检测的双响应卷积神经网络(Convolutional neural network,CNN)模型,测试集的霉心病判别准确率为100%、健康果 SSC 预测决定系数 R2 达到0.97.最后将模型植入软件系统后对未参与训练的50 个苹果进行测试,霉心病分选准确率为98%,健康果 SSC 验证决定系数 R2为0.96,最佳分选速度0.47 m/s.结果表明,本文自主研发的链传动式苹果在线检测分选系统,建模精度高,稳定性强,具备快速实现苹果霉心病判别以及健康果 SSC 检测功能.
    苹果链传动式分选装置无损检测可见/近红外光谱卷积神经网络
  • [期刊论文] 《农业机械学报》 ISTIC EI SCI PKU CSSCI - 2026年9期
    土壤有机质(Soil organic matter,SOM)含量是衡量土壤肥力和生态质量的重要指标,然而国标规定的检测SOM含量的化学分析方法难以满足快速检测的需求.为了给SOM含量快速检测仪的研发提供基础,本研究采集了土壤类型复杂且空间差异显著的中国北方10个省区苹果园760份土壤样品.根据地理与气候特征,将样品划分为4个地区,即华北区、东北区、西北干旱区和西北边疆区.基于采集波长400~2 450 nm的土壤反射光谱以及根据国标方法测量的SOM含量,分析了SOM含量和地区差异对反射光谱的影响以及反射率与SOM含量的线性相关性,进而构建了检测SOM含量的偏最小二乘回归(Partial least squares regression,PLSR)、支持向量回归(Support vector regression,SVR)和最小二乘-支持向量机(Least squares-support vector machine,LS-SVM)模型.结果表明,东北区土壤的SOM平均含量最高(25.443 g/kg),西北边疆区最低(13.286 g/kg);光谱反射率与SOM含量总体呈负相关;LS-SVM模型对华北区和东北区SOM含量的检测性能最优,其剩余预测偏差(Residual prediction deviation,RPD)分别为2.814和2.475,PLSR模型对西北干旱区和西北边疆区SOM含量的检测效果最佳(RPD分别为2.888和3.572);LS-SVM模型对检测4个地区混合样本SOM含量的性能最好(RPD为2.864).本文研究结果表明,构建适用于中国北方10省区苹果园SOM含量检测的通用模型是可行的,而构建各个地区的专用模型可以提高大部分地区SOM含量的检测精度.
    苹果园土壤有机质可见/近红外光谱检测
  • [期刊论文] 《农药学学报》 ISTIC EI SCI PKU CSSCI - 2026年2期
    为实现苹果树杀虫剂的对靶高效利用,通过测定表面张力、接触角、黏附张力和最大稳定持留量(Rm)等指标,评价了新型 EO/PO 嵌段聚醚改性有机硅助剂对 22%氟啶虫胺腈悬浮剂(SC)药液在苹果叶片润湿持留行为的影响,并进行了田间药效试验验证.结果显示:EO/PO 嵌段聚醚改性有机硅助剂临界胶束浓度(CMC)为 0.027%;当添加浓度高于 CMC时(0.05%),22%氟啶虫胺腈 SC 药液表面张力降低 69.61%,在苹果叶片近轴面和远轴面的接触角分别降低 82.55%和 100%,黏附张力分别由-11.96 和-44.86 mN/m 增大至约 21 mN/m.添加浓度低于 CMC 时,药液最大稳定持留量随助剂添加浓度增加表现为先升后降的趋势,在添加浓度为 0.01%时达到最高,为 19.05 mg/cm2;助剂添加浓度高于 CMC 后则出现一定程度下降并进入平台期,但均显著高于未添加助剂的处理.田间验证结果显示,药后 3 和 7 d,添加 0.05%EO/PO 嵌段聚醚改性有机硅助剂并减少用药量 20%后,22%氟啶虫胺腈 SC 对苹果黄蚜的防效分别比未添加助剂且未减少药量时提高了 17.73%和 10.51%,差异显著(P<0.05).研究表明,EO/PO 嵌段聚醚改性有机硅助剂可显著降低药液表面张力,提高药液在苹果叶片表面的润湿、黏附和沉积性能,实现减量增效作用.
    EO/PO嵌段聚醚改性有机硅喷雾助剂苹果叶片润湿黏附持留量
  • [期刊论文] 《农业工程学报》 ISTIC EI SCI PKU CSSCI - 2026年2期
    针对苹果树冠内果实多臂协同高效采摘需要,该研究设计了模块化构型的苹果采摘机械臂,提出机械臂关键几何参数的优化设计方法.综合考虑操作可达性、结构紧凑性、速度平稳性和负载平稳性等设计要求,采用改进河马优化算法对机械臂几何参数进行优化,得到俯仰关节连杆长度、水平关节连杆长度、伸缩关节连杆长度、末端旋转关节连杆长度、伸缩关节连杆偏移量、末端旋转关节连杆偏移量、末端移动关节连杆偏移量、旋拧关节连杆偏移量、下采摘机械臂安装高度和上采摘机械臂安装高度分别为 122.02、138.00、101.45、103.12、855.00、166.67、189.95、126.63、1 344.59和2 460.00 mm.通过仿真试验对优化结果进行评价,试验结果表明,所提方法的操作可达性指标F1、结构紧凑性指标F2、全域速度波动性能指标F3和全域负载波动性能指标F4分别为97.05%、2 882.74 mm、0.20 m/s和0.15 N·m.田间试验表明,在对边界点处苹果的采摘过程中,俯仰关节、平移运动关节驱动电机1和2以及末端旋转关节的驱动力矩最值的最大增量分别为0.51、0.87、0.80和0.79 N·m,速度最值的最大增量分别为0.03、0.17、0.17和0.01 m/s,采摘机械臂关节驱动力矩和关节速度稳定.在距离树干890.25~1 035.47 mm范围内,机械臂能够到达苹果采摘区域的边界位置.研究结果可为模块化苹果采摘机械臂设计提供参考.
    农业机械采摘机械臂目标优化苹果
  • [期刊论文] 《农业机械学报》 ISTIC EI SCI PKU CSSCI - 2026年21期
    苹果树枝条实例分割既是苹果采摘机器人实现机械臂采摘路径规划与无损避障采摘的重要前提,又是信息采集机器人逐树逐枝感知果树表型信息的重要基础.本研究针对矮化密植苹果园非结构化环境下,光照剧变及背景干扰导致的枝条分割边界模糊,且末端细微枝条在深度学习网络的下采样过程中特征易丢失的难题,提出一种面向果园的跨模态注意力与边缘感知的苹果树枝条实例分割模型CAROL-YOLO(Cross-modal attention and refinement for orchard localization YOLO).首先,设计了一种可见光图像辅助的"特征仿射-非刚性变换"图像级联配准流程,构建了宽波段近红外(Visible-near infrared,Vis-NIR)图像-深度图像配准的苹果树枝条多模态数据集;在此基础上,以YOLO v8为基础,设计了伪孪生双流空间几何门控骨干网络,通过该骨干网络,设计了空间几何门控模块(Spatial-geometry aware gating encoder,S-Gate)提取深度图像中的前景枝条空间位置,并自适应增强宽波段近红外图像中前景枝条的空间位置特征;同时设计了一种边缘感知模块(Edge-aware module,EAM),显式增强细微枝条高频边界信息,以增强深度学习网络下采样后果树枝条的分割精度.实验结果表明:CAROL-YOLO模型在不同的参数量级(Nano/Small/Large)上均取得一致性的性能提升.以CAROL-YOLO-s为例,模型mAP50-95达(39.6±0.1)%,参数量仅为2.03 × 107;与基线模型YOLO v8m-seg相比,在参数量减少25.6%的情况下,mAP50-95仍提升了 1.4个百分点;与YOLO 11m-seg及YOLO 26m-seg模型相比,在参数量分别减少8.9%和24.5%的情况下,mAP50-95仍分别提升了 0.8个百分点和1.4个百分点.该方法有效解决了果园非结构化复杂环境下的枝条漏检问题,同一模型不同大小下的一致性能提升可为不同类型果园机器人精细化作业提供可靠的感知算法支撑.
    苹果枝条实例分割多模态融合YOLO农业机器人
  • [期刊论文] 《食品工业科技》 ISTIC EI SCI PKU CSSCI - 2026年21期
    针对红富士苹果机械损伤早期皮下"暗伤"无法用肉眼和 RGB图像识别问题,本文提出一种应用透射高光谱技术的机械损伤识别方法.利用透射高光谱系统采集苹果感兴趣区域(隐性机械损伤区域、健康无伤区域)400~1000 nm内的光谱信息,对原始光谱数据进行基准线校正等五种预处理后,采用连续投影算法(Successive Projections Algorithm,SPA)和竞争自适应重加权采样(Competitive Adaptive Reweighted Sampling,CARS)开展特征波长筛选.结合主成分分析与最小噪声分离变换(Minimum Noise Fraction Separation,MNF)对特征波段图像进行降维,通过阈值分割、形态学算法等分割出机械损伤区域,提取感兴趣区域全像素点光谱信息,分别建立基于全波段和特征选择的支持向量机和 BP 神经网络苹果皮下隐性机械损伤识别模型.结果表明,透射模式下机械损伤识别的最佳预处理方法为 BC基准线校正,整体准确率为 81.67%,较原始光谱模型提高了 8.9%,特征波段709 nm 下的第一主成分 MN1和第三主成分 MN3图像可有效分割出样本皮下隐性机械损伤区域;在所有构建模型中,BC-CARS-BP预测模型性能最优,预测集准确率达到 97.50%,可有效区分苹果健康组织与不同程度的早期皮下隐性机械损伤.研究表明,透射高光谱成像技术可精准捕捉苹果早期未褐变皮下暗伤的光学特征,为苹果采后贮运环节的早期机械损伤无损检测提供技术支撑与方法参考.
    无损检测图像处理苹果高光谱成像隐性机械损伤早期皮下暗伤
  • [期刊论文] 《农业机械学报》 ISTIC EI SCI PKU CSSCI - 2026年2期
    针对人工检测苹果病害效率低、成本高且准确性差的问题,本文以Swin Transformer作为基础模型,在核心模块中引入DenseNet思想,增强特征传递和梯度流动;使用Outlook Attention捕捉图像中细节特征,提升模型细粒度信息提取能力.为了进一步优化模型性能,引入了深度可分离卷积和膨胀卷积,实现在较小参数量前提下捕捉不同尺度的特征;在模型中引入Non-Local,以整合全局上下文信息,进一步提高模型的综合性能.以上改进共同作用,使得本文模型在多个任务上表现出了优异的性能和鲁棒性.实验结果显示,苹果叶部病害分类识别准确率达到95.8%,精确率、召回率和 F1 分数分别达到 95.80%、95.74%、95.76%,均超过基线模型.基于改进 Swin Transformer的苹果叶部病害分类模型能够有效实现苹果叶部病害的种类识别及其严重程度分类,为大规模作物病害监测提供了理论支持和研究基础,助力精准防控与绿色农业.
    苹果叶部病害深度可分离卷积细粒度信息全局上下文信息特征传递
  • [期刊论文] 《农业工程学报》 ISTIC EI SCI PKU CSSCI - 2026年16期
    针对苹果叶片病害检测后依赖人工治疗,以及大型推理模型(large reasoning model,LRM)存在推理路径单一、计算开销大及过度思考等问题,该研究构建了一种基于大型推理模型的苹果叶片病害管理智能体ALDMA(apple leaf disease management agents).首先,基于标准操作程序(standard operating procedures,SOP)构建了包含图像预处理、病害检测、病害分析和治疗方案生成4个专家角色的智能体框架.其次,提出步骤级偏好优化(stepwise preference optimization,SPO)方法,利用思维树(tree of thoughts,ToT)生成的候选思维构建数据集,并通过直接偏好优化(direct preference optimization,DPO)算法训练LRM,使其推理路径与ToT偏好对齐.最后,引入序列化衰减奖励(serialized decaying rewards,SDR)方法,利用基于规则的结果奖励调节中间推理过程,使模型更早生成高质量路径并实现提前退出.试验表明,ALDMA在参数量大小为1.5B、7B和14B的DeepSeek-R1-Distill-Qwen模型上对3种常见苹果叶片病害的Resolved指标分别达到86.21、88.32和89.89,优于主流方法.ALDMA成功实现了推理效果与计算效率的协同优化,为苹果叶片病害的智能诊断与治理提供了高效的一体化解决方案.
    苹果病害智能体大语言模型步骤级偏好优化序列化衰减奖励
  • [期刊论文] 《农业机械学报》 ISTIC EI SCI PKU CSSCI - 2026年11期
    针对不同光照下苹果成熟度识别困难,不同成熟度苹果使用同一采摘模式损伤率较高的问题,提出了一种改进YOLO 11n 不同光照下苹果成熟度识别模型 YOLO 11n-LDA,并与柔性夹爪结合实现不同成熟度苹果低损采摘的方法.首先,在 YOLO 11n 网络中的 SPPF 模块中加入具有大型可分离内核注意力(Large separable kernel attention,LASK)模块,增大模型感受野;然后在 C3k2 模块中加入动态蛇形卷积(Dynamic snake convolution,DySnakeConv),提高模型多尺度特征感知能力;其次将 Neck 网络替换为渐进式特征金字塔(Asymptotic feature pyramid network,AFPN)网络,可以减少语义间隙,提高模型特征融合的稳定性.最后使用 ANSYS 仿真分析出不同成熟度苹果的最大安全采摘力,融合到柔性夹爪中实现低损采摘.在PApple_RGB-D-Size 数据集中苹果分为食用成熟、采摘成熟、未成熟3 类,改进后模型整体的平均精度均值(mAP@0.5)为87.7%;食用成熟、采摘成熟和未成熟的平均精度均值(AP@0.5)分别为86.6%、89.0%和87.5%;整体的 mAP@0.5 和3 类成熟度的 AP@0.5 相较于 YOLO 11n 分别提高3.9、8.0、1.6、2.1 个百分点.在 Orchard apple maturity 数据集中改进模型的 mAP@0.5 为95.5%,相较于 YOLO 11n 提高0.9 个百分点.采摘实验中检测率、采摘成功率和损伤率分别为99.0%、84.0%和4.8%.
    苹果成熟度识别低损采摘柔性夹爪YOLO 11n-LDA
1 2 3 4 5 下一页 GO
回到顶部
选择了条数据