由于虎杖根茎离散元模型缺乏准确的物料特性参数,对其机械化收获过程的理论研究和相关收获机具设计与优化造成很大困难。为此,以虎杖根茎为研究对象,结合试验方法测定了其物理参数、关键接触参数和弯曲断裂力学参数,对其离散元模型接触...由于虎杖根茎离散元模型缺乏准确的物料特性参数,对其机械化收获过程的理论研究和相关收获机具设计与优化造成很大困难。为此,以虎杖根茎为研究对象,结合试验方法测定了其物理参数、关键接触参数和弯曲断裂力学参数,对其离散元模型接触参数进行了标定。分别采用Hertz-Mindlin(no slip)模型和Hertz-Mindlin with Bonding V2模型建立虎杖根茎堆积角仿真模型和弯曲仿真模型,通过设计响应面试验完成对虎杖根茎离散元仿真模型接触参数和粘结参数的标定。通过碰撞弹跳试验测得虎杖根茎与作业设备间的碰撞恢复系数为0.665;通过响应面试验得到虎杖根茎之间滚动摩擦因数、碰撞恢复系数、静摩擦因数的最优参数组合为0.027、0.650、0.414,虎杖根茎与作业设备间的滚动摩擦因数、静摩擦因数分别为0.035、0.400,虎杖根茎法向接触刚度、切向接触刚度、临界法向应力、临界切向应力的最优值分别为2.02×10^(11)N/m、1.56×10^(11)N/m、1.49×10^(7)Pa、1.33×10^(7)Pa。结果表明:堆积角仿真试验和弯曲仿真试验结果与实际试验结果的相对误差分别为2.59%、1.50%,仿真与试验一致性较好,为虎杖根茎基于离散元方法的数值仿真奠定了理论基础。展开更多
切段式机收甘蔗含杂率的自动测量可以客观评估机收甘蔗到糖厂入榨前的质量。针对现有抽样称重估算杂质方式效率低且主观性强的问题,以及因田间环境较为复杂使得检测目标蔗段存在运动状态变换导致的模糊、光照强度变化和蔗叶遮挡等技术难...切段式机收甘蔗含杂率的自动测量可以客观评估机收甘蔗到糖厂入榨前的质量。针对现有抽样称重估算杂质方式效率低且主观性强的问题,以及因田间环境较为复杂使得检测目标蔗段存在运动状态变换导致的模糊、光照强度变化和蔗叶遮挡等技术难点,提出了一种基于改进YOLOv5安装在切段式甘蔗机上的机收蔗含杂率检测的方法。首先,针对工业相机拍摄的蔗段目标为小目标的应用场景,增加小目标检测层,增强网络模型对其的专注;其次,将C3模块替换成C2f模块,提高网络模型对小物体、低对比度目标的检测速度和检测精度;最后,加入加权交并比WIoU(Weighted Intersection over Union)损失函数,提升预测框的回归精度,增强数据集训练效果。试验结果表明:基于改进YOLOv5的机收蔗含杂率检测模型,蔗段识别准确率达95.2%、mAP(mean Average Precision)值为62.5%,相较于原始YOLOv5模型分别提高了15.3、13.5个百分点,性能优于YOLOv7、YOLOv8等模型。在台架试验中,改进后模型检测的含杂率平均相对误差为19.58%,比改进前模型降低了38.12个百分点;含杂率平均值为7.31%,比人工测量的实际含杂率高出0.05个百分点。因此,此方法是一种实时性强、效率高、准确性高且能全量检测机收蔗含杂率的方法,能够为田间甘蔗收获作业质量提供技术支撑。展开更多
文摘由于虎杖根茎离散元模型缺乏准确的物料特性参数,对其机械化收获过程的理论研究和相关收获机具设计与优化造成很大困难。为此,以虎杖根茎为研究对象,结合试验方法测定了其物理参数、关键接触参数和弯曲断裂力学参数,对其离散元模型接触参数进行了标定。分别采用Hertz-Mindlin(no slip)模型和Hertz-Mindlin with Bonding V2模型建立虎杖根茎堆积角仿真模型和弯曲仿真模型,通过设计响应面试验完成对虎杖根茎离散元仿真模型接触参数和粘结参数的标定。通过碰撞弹跳试验测得虎杖根茎与作业设备间的碰撞恢复系数为0.665;通过响应面试验得到虎杖根茎之间滚动摩擦因数、碰撞恢复系数、静摩擦因数的最优参数组合为0.027、0.650、0.414,虎杖根茎与作业设备间的滚动摩擦因数、静摩擦因数分别为0.035、0.400,虎杖根茎法向接触刚度、切向接触刚度、临界法向应力、临界切向应力的最优值分别为2.02×10^(11)N/m、1.56×10^(11)N/m、1.49×10^(7)Pa、1.33×10^(7)Pa。结果表明:堆积角仿真试验和弯曲仿真试验结果与实际试验结果的相对误差分别为2.59%、1.50%,仿真与试验一致性较好,为虎杖根茎基于离散元方法的数值仿真奠定了理论基础。
文摘切段式机收甘蔗含杂率的自动测量可以客观评估机收甘蔗到糖厂入榨前的质量。针对现有抽样称重估算杂质方式效率低且主观性强的问题,以及因田间环境较为复杂使得检测目标蔗段存在运动状态变换导致的模糊、光照强度变化和蔗叶遮挡等技术难点,提出了一种基于改进YOLOv5安装在切段式甘蔗机上的机收蔗含杂率检测的方法。首先,针对工业相机拍摄的蔗段目标为小目标的应用场景,增加小目标检测层,增强网络模型对其的专注;其次,将C3模块替换成C2f模块,提高网络模型对小物体、低对比度目标的检测速度和检测精度;最后,加入加权交并比WIoU(Weighted Intersection over Union)损失函数,提升预测框的回归精度,增强数据集训练效果。试验结果表明:基于改进YOLOv5的机收蔗含杂率检测模型,蔗段识别准确率达95.2%、mAP(mean Average Precision)值为62.5%,相较于原始YOLOv5模型分别提高了15.3、13.5个百分点,性能优于YOLOv7、YOLOv8等模型。在台架试验中,改进后模型检测的含杂率平均相对误差为19.58%,比改进前模型降低了38.12个百分点;含杂率平均值为7.31%,比人工测量的实际含杂率高出0.05个百分点。因此,此方法是一种实时性强、效率高、准确性高且能全量检测机收蔗含杂率的方法,能够为田间甘蔗收获作业质量提供技术支撑。
