为解决利用离散元法对艾草机械化收割、脱叶和切碎等关键作业环节进行仿真分析时缺乏准确模型的问题,采用物理试验与仿真试验相结合的方法,以成熟期新鲜艾草茎秆为研究对象,基于EDEM仿真软件中的Hertz-Mindlin(no slip)模型和Hertz-Mind...为解决利用离散元法对艾草机械化收割、脱叶和切碎等关键作业环节进行仿真分析时缺乏准确模型的问题,采用物理试验与仿真试验相结合的方法,以成熟期新鲜艾草茎秆为研究对象,基于EDEM仿真软件中的Hertz-Mindlin(no slip)模型和Hertz-Mindlin with bonding模型对茎秆物理参数和黏结参数进行标定。通过Plackett-Burman试验、最陡爬坡试验和Central-Composite试验确定艾草茎秆接触参数和黏结参数,并利用艾草茎秆堆积角台架试验和剪切物理试验验证参数值的准确性。结果表明:艾草茎秆间的碰撞恢复系数、静摩擦因数和动摩擦因数分别为0.13、1.09和0.026;艾草茎秆与作业装备间的碰撞恢复系数、静摩擦因数和动摩擦因数分别为0.43、0.73和0.0156;艾草茎秆法向接触刚度、切向接触刚度、临界法向应力和临界切向应力分别为3.91×10^(9)N/m、2.43×10^(9)N/m、4.35×10^(6)Pa和6.14×10^(6)Pa;堆积角台架试验和剪切物理试验验证出的相对误差分别为0.96%、2.89%,误差较小。艾草茎秆离散元模型及标定的仿真参数准确可靠,能够真实反映其物理和力学特性,为艾草茎秆离散元仿真研究提供参考。展开更多
为解决采茶机器人对茶叶的精准检测和采摘问题,提出一种基于双层路由动态稀疏注意力机制和FasterNet改进的YOLOv7算法,以实现对茶叶鲜叶的分类检测。该算法通过PConv和FasterNet替换原有网络结构,减少浮点运算的数量、提升浮点运算效率;...为解决采茶机器人对茶叶的精准检测和采摘问题,提出一种基于双层路由动态稀疏注意力机制和FasterNet改进的YOLOv7算法,以实现对茶叶鲜叶的分类检测。该算法通过PConv和FasterNet替换原有网络结构,减少浮点运算的数量、提升浮点运算效率;在neck层加入基于双层路由的动态稀疏注意力机制,使计算分配和内容感知更灵活;将损失函数替换为EIoU(efficient intersection over union),加速收敛提高回归精度,减少检测过程中的误检。结果表明,改进算法生成的模型比YOLOv7在精确度上提升4.8个百分点,召回率提升5.3个百分点,平衡分数提高5.0个百分点,平均精度均值(mean average precision,mAP)提升2.6个百分点;且在外部验证中浮点运算数量降低15.1 G,每秒传输帧数提升5.52%,mAP提升2.4个百分点。改进后的模型不仅可以高效准确地对茶叶鲜叶进行分类检测,同时具备高识别率、低运算量和快速检测的特点。研究结果为云南高原山地采茶机器人的实现奠定了基础。展开更多
文摘为解决利用离散元法对艾草机械化收割、脱叶和切碎等关键作业环节进行仿真分析时缺乏准确模型的问题,采用物理试验与仿真试验相结合的方法,以成熟期新鲜艾草茎秆为研究对象,基于EDEM仿真软件中的Hertz-Mindlin(no slip)模型和Hertz-Mindlin with bonding模型对茎秆物理参数和黏结参数进行标定。通过Plackett-Burman试验、最陡爬坡试验和Central-Composite试验确定艾草茎秆接触参数和黏结参数,并利用艾草茎秆堆积角台架试验和剪切物理试验验证参数值的准确性。结果表明:艾草茎秆间的碰撞恢复系数、静摩擦因数和动摩擦因数分别为0.13、1.09和0.026;艾草茎秆与作业装备间的碰撞恢复系数、静摩擦因数和动摩擦因数分别为0.43、0.73和0.0156;艾草茎秆法向接触刚度、切向接触刚度、临界法向应力和临界切向应力分别为3.91×10^(9)N/m、2.43×10^(9)N/m、4.35×10^(6)Pa和6.14×10^(6)Pa;堆积角台架试验和剪切物理试验验证出的相对误差分别为0.96%、2.89%,误差较小。艾草茎秆离散元模型及标定的仿真参数准确可靠,能够真实反映其物理和力学特性,为艾草茎秆离散元仿真研究提供参考。
文摘为解决采茶机器人对茶叶的精准检测和采摘问题,提出一种基于双层路由动态稀疏注意力机制和FasterNet改进的YOLOv7算法,以实现对茶叶鲜叶的分类检测。该算法通过PConv和FasterNet替换原有网络结构,减少浮点运算的数量、提升浮点运算效率;在neck层加入基于双层路由的动态稀疏注意力机制,使计算分配和内容感知更灵活;将损失函数替换为EIoU(efficient intersection over union),加速收敛提高回归精度,减少检测过程中的误检。结果表明,改进算法生成的模型比YOLOv7在精确度上提升4.8个百分点,召回率提升5.3个百分点,平衡分数提高5.0个百分点,平均精度均值(mean average precision,mAP)提升2.6个百分点;且在外部验证中浮点运算数量降低15.1 G,每秒传输帧数提升5.52%,mAP提升2.4个百分点。改进后的模型不仅可以高效准确地对茶叶鲜叶进行分类检测,同时具备高识别率、低运算量和快速检测的特点。研究结果为云南高原山地采茶机器人的实现奠定了基础。
