• 《中国科学引文数据库(CSCD)》来源期刊
  • 中国科技期刊引证报告(核心版)期刊
  • 《中文核心期刊要目总览》核心期刊
  • RCCSE中国核心学术期刊

基于EDEM的皮带式推料机器人推料仿真与试验研究

兰望娇, 张希升, 任建华, 张姬, 杨庆璐, 于镇伟, 田富洋, 于素芳

兰望娇, 张希升, 任建华, 等. 基于EDEM的皮带式推料机器人推料仿真与试验研究[J]. 华南农业大学学报, 2024, 45(5): 685-693. DOI: 10.7671/j.issn.1001-411X.202404011
引用本文: 兰望娇, 张希升, 任建华, 等. 基于EDEM的皮带式推料机器人推料仿真与试验研究[J]. 华南农业大学学报, 2024, 45(5): 685-693. DOI: 10.7671/j.issn.1001-411X.202404011
LAN Wangjiao, ZHANG Xisheng, REN Jianhua, et al. Pushing simulation and experimental research of belt pusher robot based on EDEM[J]. Journal of South China Agricultural University, 2024, 45(5): 685-693. DOI: 10.7671/j.issn.1001-411X.202404011
Citation: LAN Wangjiao, ZHANG Xisheng, REN Jianhua, et al. Pushing simulation and experimental research of belt pusher robot based on EDEM[J]. Journal of South China Agricultural University, 2024, 45(5): 685-693. DOI: 10.7671/j.issn.1001-411X.202404011

基于EDEM的皮带式推料机器人推料仿真与试验研究

基金项目: 国家自然科学基金(32072786)
详细信息
    作者简介:

    兰望娇,硕士研究生,主要从事智慧畜牧养殖技术及装备研究,E-mail: 1287055726@qq.com

    通讯作者:

    于素芳,实验师,硕士,主要从事畜禽智慧养殖技术及智能装备研究,E-mail: sfyu@sdau.edu.cn

  • 中图分类号: S817.3;TP242

Pushing simulation and experimental research of belt pusher robot based on EDEM

  • 摘要:
    目的 

    推料机的推料效果是牧场推料机器人性能的一个重要指标,为得出皮带式推料机器人最佳作业参数,研究推料机器人作业参数对推送率和推送效率的影响,本文基于EDEM软件对推料机器人推料过程进行模拟仿真分析。

    方法 

    基于离散元法,通过试验与仿真标定得出TMR饲料间、饲料与接触装置间的接触参数;运用EDEM软件建立3种离散单元物料颗粒的Hertz-Mindlin接触模型,以皮带式推料机装置的推料角度、皮带速度、前进速度作为试验因素,以推送率和推送效率作为评价指标,采用三因素三水平的正交试验方法进行推料仿真试验研究。通过实际试验对仿真结果进行验证。以推料机的推送率和推料效率最大为目标值,通过响应面进行优化求解。

    结果 

    仿真试验结果表明:本文推料机理论最优作业参数组合为推料角度30°、皮带速度2.99 m/s、前进速度0.83 m/s时,推送率为94.6%,推送效率为724.5 kg/min。对于推送率而言,皮带速度和前进速度对其影响极显著(P<0.01),推料角度的影响显著(P<0.05);对于推送效率而言,皮带速度和前进速度对其影响极显著(P<0.01),推料角度对其影响不明显(P>0.05)。

    结论 

    本研究验证了推料机结构的合理性,为自动推料机器人推料作业参数组合提供了参考。

    Abstract:
    Purpose 

    The pushing effect of the pushing machine is an important indicator of the performance of the ranch pushing robot. In order to obtain the optimal operating parameters of the belt pushing robot and study the influence of the operating parameters of the pushing robot on the pushing rate and efficiency, this paper used EDEM software to simulate and analyze the pushing process of the pushing robot.

    Method 

    Based on the discrete element method, the contact parameters between TMR feed, as well as feed and contact device were obtained through experiment and simulation calibration. The EDEM software was used to establish Hertz- Mindlin contact models for three types of discrete unit material particles. The pushing angle, belt speed, and forward speed of the belt type pushing machine device were used as experimental factors, and the pushing rate and efficiency were used as evaluation indicators. A three-factor and three-level orthogonal experimental method was used to conduct pushing simulation experiments. The simulation results were verified through actual experiments. With the maximum pushing rate and efficiency of the pusher as the target values, optimization was carried out through response surface methodology.

    Result 

    The simulation test results showed that when the theoretical optimal operating parameter combination of the pusher in this paper was a pushing angle of 30°, a belt speed of 2.99 m/s, and a forward speed of 0.83 m/s, the pushing rate was 94.6%, and the pushing efficiency was 724.5 kg/min. For pushing rate index, the influence of belt speed and forward speed was extremely significant (P<0.01), and the influence of pushing angle was significant (P<0.05). For pushing efficiency, the influence of belt speed and forward speed was extremely significant (P<0.01), while the influence of pushing angle was not significant (P>0.05)

    Conclusion 

    The study verifies the rationality of the pushing machine structure, and provides a reference for the combination of pushing operation parameters of automatic pushing robots.

  • 萝卜在全国各地均有种植,具有较高的产量和较强的适应性,在我国是仅次于大白菜和马铃薯的第三大蔬菜,生长周期短且一年四季均可种植[1]。萝卜的可食用部位是其膨大的根系,由于根生长在土壤中,而土壤的不透明性使萝卜根原位观测和直接测量的难度较大[2]。根的大小、形状会因为品种、生长环境以及栽培条件的不同而存在很大差异[3]。因此,进行萝卜根系表型原位无损检测研究对农业育种以及基因组学的发展具有极为重要的科研价值和社会经济效益[4]

    根系表型的传统检测方法包括挖掘法、土钻法和剖面法等,采样费时费力,对植株造成严重破坏,且不可持续动态观测。因此,无损检测成为研究者关注的重点。李燕丽等[5]将微根管法与图像处理技术相结合,对根系进行定点可持续观测,获取到了小麦根系生长的相关参数。Zhao等[6]通过X射线计算机层析成像技术对玉米根系进行原位检测,建立了玉米根系三维几何模型,具有较高精度,但其产生的辐射会在一定程度上影响植物根系的生长。Pflugfelder等[7-8]采用核磁共振成像技术对大麦和小麦根系表型进行分析,获得较为清晰的影像,最小可检测根直径为400~500 µm,但核磁共振设备价格昂贵,不能得到广泛应用。为降低成本,徐汇等[9]基于探地雷达对果树的根系进行检测,准确地检测出果树根系的分布状况,得到三维分布和不同深度的密度图,但探测分辨率较低,分辨直径小于2 mm的细根存在困难。可见,现有的一些对植物根系进行原位检测的方法通常存在实验装置价格高昂、涉及核素或强磁场、操作复杂等问题。

    电阻层析成像技术(Electrical resistance tomography,ERT)是电学成像技术的一个分支,同样是一种非侵入式测量技术,它基于边界电压分布来重建敏感场域内电导率,通过测量边界电压获取投影数据,再通过图像重建算法解算出敏感场域内土壤与根系电导率分布状态[10]。由于其具有非侵入、无辐射、高速和低成本等优点,在工业与生物医学等领域具有广泛的应有前景[11-12]。目前,ERT主要用于树木断层检测[13-14]及土壤含水量的检测[15-16],运用在作物根系表型方面的研究较少。Weigand等[17]基于多频电阻抗断层成像等技术提出一种作物根系特征监测研究方法。Corona等[18]使用电阻抗层析成像技术对油菜根系进行非侵入式研究,提出了一种低成本植物根系表型检测方法,可用于生长中油菜根系表型检测。上述研究均说明了电学层析成像技术在根系结构研究中的可行性。但由于土壤根系敏感场内部电导率分布不均匀,而且土壤与根系之间水分、无机离子之间的流动对系统稳定性存在影响,使得现有的图像重建算法存在抗噪声性能较差、计算量大、成像速度慢、重建图像分辨率较低等问题。近年来,随着计算机技术的发展,神经网络算法发展迅猛,在实现图像重建方面具有良好的应用前景。敏感场电压分布与作物根系之间存在明显的非线性,而通过神经网络算法能够建立黑箱模型实现输入输出的非线性拟合[19]。深度残差神经网络(Deep residual network,ResNet)作为神经网络算法的一种,能够加快网络收敛速度,且随着网络层级的增加,并不会出现训练精度和测试精度下降的现象[20],因此,本文采用ResNet算法进行萝卜根系表型的图像重建。

    本文拟对萝卜横截面直径的ERT进行正向仿真,求出边界电压,再结合ResNet进行萝卜根系横截面直径的反向建模,结合图像处理进一步获得萝卜三维分布情况,并进行试验验证。本文所提方法可以对萝卜生长状态进行原位无损监测,且设备简单、成本低,具有良好的应用前景。

    敏感场域内不同研究对象具有不同的电导率,萝卜ERT检测的物理基础是通过检测琼脂与萝卜构成的敏感场域中的电导率分布,利用重构算法得到场域中萝卜的分布情况。萝卜ERT检测通过给萝卜−琼脂多相流施加激励来获得敏感场的响应电压,利用采集系统测得敏感场的边界电压,反推出敏感场域内琼脂与萝卜的电导率分布情况,进而得到琼脂中萝卜的生长状况与位置信息。

    ERT是根据敏感场域内部电导率分布与敏感场域边界电压的对应关系建立数学模型。假设ERT为恒定电流场模型,根据麦克斯韦方程以及似稳场假设,ERT萝卜−琼脂场域可描述为:

    $$ \nabla J{\text{ = }}0 \text{,} $$ (1)
    $$ J = \sigma E \text{,} $$ (2)

    式中: $ \nabla $ 为散度算子, $ J $ 为萝卜−琼脂场域中的电流密度, $ \sigma $ 为介质电导率, $ E $ 为电场强度。

    萝卜−琼脂场域中电场强度与电势分布( $ \phi $ )的关系可表示为:

    $$ E = - \nabla \phi \text{,} $$ (3)

    电势分布( $ \phi $ )满足如下关系式:

    $$ \nabla (\sigma \nabla \phi)=0 \text{,} $$ (4)
    $$ \nabla \sigma \nabla \phi+\sigma \nabla^2 \phi=0 \text{,} $$ (5)

    萝卜−琼脂场域满足均匀、线性、各向同性条件,则 $ \sigma $ 为常数,即 $ \nabla \sigma = 0 $ ,所以式(4)可以化简为:

    $$ {\nabla ^2}\phi = 0 , $$ (6)

    萝卜−琼脂ERT工作方式满足诺依曼(Neumann)边界条件,则有:

    $$ \sigma \nabla \phi {\boldsymbol{n}}\Bigg| _s = \sigma \dfrac{{\partial \phi }}{{\partial {\boldsymbol{n}}}}\Bigg| _s = j \text{,} $$ (7)

    式中:S为萝卜−琼脂所在场域; $ {\boldsymbol{n}} $ 为萝卜−琼脂场域边界的单位法向量; $ j $ 为边界电流密度。

    萝卜根系ERT正问题是已知萝卜−琼脂敏感场域内部电导率分布情况,给敏感场域施加激励信号,求解场域内的电势分布,从而获得场域边界电压的过程[21]。有限元法是目前求解ERT正问题常用的方法,不受待求解区域边界形状的限制。萝卜−琼脂场域ERT正问题求解主要过程如下。

    1)萝卜−琼脂场域剖分。将需要求解的萝卜−琼脂场域剖分为有限数目的单元,将边值问题转化为变分问题。其能量函数为:

    $$ \left\{ {\begin{array}{*{20}{c}} {F(\varphi ) = \displaystyle\int\limits_S {\dfrac{1}{2}\sigma \left[ {{{\left( {\dfrac{{\partial \varphi }}{{\partial x}}} \right)}^2} + {{\left( {\dfrac{{\partial \varphi }}{{\partial y}}} \right)}^2}} \right]{\rm{d}}x{\rm{d}}y = \min } } \\ {{{\left. \varphi \right|}_{\partial S }} = f(x,y)} \end{array}} \right. \text{,} $$ (8)

    式中: $ F(\varphi ) $ 为萝卜−琼脂场域内的能量; $ \sigma $ 为电导率;为求偏导; $ \varphi $ 为单元电位; $ f(x,y) $ 为边界电位。

    2)线性插值。萝卜−琼脂场域为圆形域,有限元划分后用线性插值多项式作为插值函数,其插值函数 $({\phi _e}) $ 为:

    $$ {\phi _e}(x,y) = \alpha + \beta x{\text{ + }}\gamma y \text{,} $$ (9)

    式中: $ \alpha $ $ \beta $ $ \gamma $ 根据网格单元三节点三角形顶点坐标和电位确定。

    3)变分求解:

    $$ \left[ K \right][ \varphi] = \left[ I \right] \text{,} $$ (10)

    式中: $ \left[ I \right] $ 为对应边界条件,[K]为整体系数矩阵,[ $ \varphi $ ]为单元电位矩阵,求解线性代数方程组,便可得萝卜−琼脂场域内有限元节点电位。

    萝卜根系ERT逆问题的求解是根据正问题求得萝卜−琼脂场域边界电压,结合图像重建算法求得敏感场域内部萝卜的分布情况。利用ResNet求解萝卜根系ERT逆问题,实质上是通过网络模型建立萝卜−琼脂场域内部电导率分布情况与场域边界电压之间的非线性映射关系[22]

    $$ Y = F(X,J,w,b) \text{,} $$ (11)

    式中:Y为电导率分布序列;F为映射; $X = \{ {x_1}, {x_2}, \cdots ,{x_n} \}$ ,表示边界电压序列, $ n $ 表示边界电压数量; $ J $ 表示边界电流激励条件; $ w $ $ b $ 分别表示神经元之间连接的权重和偏置。

    残差网络的基本构建块是残差单元,残差单元由卷积层(Conv)、批量处理归一化层(BN)和非线性激活函数层(ReLU)堆叠而成。图1a给出了1个残差单元,残差网络框架如图1b所示。残差网络先将给定输入数据1次传入卷积层、非线性激活函数层及批量处理归一化层,将处理结果送入多个残差单元,然后经过批量处理归一化层和多个全链接层(FC),最后得到输出结果。

    图  1  残差单元(a)和残差网络结构(b)
    Figure  1.  Residual unit (a) and framework of residual network (b)

    采用ResNet对基于ERT的萝卜−琼脂场域进行逆问题求解,ResNet结构如图2所示。本文ResNet架构中采用了17个卷积层。网络结构由1个主要分支组成,其中主要包含:输入层的初始部分,具有激活函数的第1卷积层;4个卷积块,每个块包含2个卷积单元,后面跟着1个附加层和激活函数;最后一部分包括二维全局平均池化层、全连接层和回归输出层。每个卷积单元包含2个具有批量归一化的卷积层和1个激活函数。最后的架构中,在卷积单元周围添加了剩余连接。对于一些剩余的块,使用跳跃层(由卷积层和批量处理归一化组成)在添加层之前调整特征维度。每个卷积块中使用批量处理归一化作为正则化算子。在完成网络架构后定义选择训练选项,共进行12轮迭代,最大迭代次数为360次。

    图  2  残差网络结构
    Figure  2.  Structure diagram of residual network

    在网络训练过程中,初始学习率为0.001,每5个阶段学习率降低20%,为加快网络模型的收敛速度,采用非线性激活函数。图3为残差网络训练过程图,展示了损失函数随迭代次数的变化。经过50次迭代后均方根误差(RMSE)以及网络模型的损失值(Loss)趋于平缓,最终在第360次时达到收敛。

    图  3  残差网络训练过程图
    Figure  3.  Training process diagram of residual network

    本试验选取不同大小、粗细均匀、无机械损伤、无病虫害的‘春白二号’白萝卜为研究对象,产自南京市。为控制萝卜生长环境的湿度与电导率等试验参数,使用可供给萝卜生长所需营养的琼脂溶液进行试验研究,便于试验中对萝卜进行直接观察。为配制与土壤电导率一致的琼脂溶液,采用电极法测量土壤以及萝卜电导率,选用康培斯生物强度为1 400 g/cm2的琼脂粉和史丹利农业集团有限公司家庭园艺肥,按照琼脂粉∶家庭园艺肥∶水为3 g∶1 g∶1 L的比例配置。土壤电导率约1.85 S/cm,萝卜电导率约0.45 S/cm。

    萝卜培养钵选用直径20 cm、深20 cm、厚3 mm的亚克力板容器,顶部放置厚5 mm、内径18 cm、外径20 cm的圆环,并等间距打16个7 mm直径的孔,用于插入测量电极。采用AD9850信号发生器施加激励,电极采用均匀分布8个电极的16块电路板,对16块电路板进行1~16编号,将萝卜分成8层分别进行数据采集。通过STM32f103zet6单片机和高精度16通道模拟多位复用器将电压信号通过串口传送至电脑进行信号采集。ERT萝卜根系表型检测流程如图4所示。

    图  4  ERT萝卜根系表型检测流程图
    Figure  4.  Flow chart of radish root phenotype detection by ERT

    本文采用16电极ERT系统进行试验,对萝卜根系进行三维检测,试验装置共设8层电极阵列,每层16个电极,自下向上依次采集各层电压数据。萝卜根系表型检测实物如图5所示。

    图  5  萝卜根系表型检测实物图
    a:变压器;b:STM32f103zet6系统板;c:数据测量系统电路板;d:电极阵列;e:琼脂;f:萝卜
    Figure  5.  Image of radish root phenotype detection by ERT
    a: Transformer; b: STM32f103zet6 system board; c: Circuit board of data measurement system; d: Electrode array; e: Agar; f: Radish

    首先在容器中加入配制好的琼脂溶液,再将萝卜放入溶液中,待溶液完全凝固。ERT系统采用相邻激励−相邻测量模式。由AD9850信号发生器产生激励信号,通过16选1模拟开关进行激励电极以及测量电极的选通。测量16组相邻电压数据后,由数据采集单元进行信号处理,并将信号转变为数字信号后送至计算机;然后切换到下一组相邻2个电极传感器上施加电流激励,并采集相邻电极上的电压。重复上述过程直到所有相邻2个电极传感器都充当了激励电极,收集到了所有的电压数据后,切换至下一层重复上述操作。

    本文图像重建质量评价标准为萝卜直径的相对误差(Relative image error,RIE),计算公式如式(12)。

    $$ {\text{RIE}} = \dfrac{{\left| {{d^*} - d} \right|}}{d} \times 100{\text{%}} \text{,} $$ (12)

    式中: $ {d^*} $ 为图像重建萝卜直径, $ d $ 为COMSOL仿真萝卜直径。

    本文采用COMSOL Multiphysics 5.5软件对 ERT正问题进行求解。采用相邻激励模式,对2个相邻的激励电极分别施加输入、输出电流,测量相邻电极之间电压差。分别对空场、单根、多根进行正问题建模,求解得到的电场线和电势分布图如图6所示。本文采用16电极的ERT系统,对16个电极进行编号,依次给相邻2个激励电极施加电压激励,同时测量各相邻电极之间的电压,在1次激励下可以获得16个电压,最终可获得256 (16×16)个电压。

    图  6  空场(a、d)及混合场(b、c、e、f)仿真
    Figure  6.  Empty field (a, d) and mixed field (b, c, e, f) simulation

    对比空场与混合场的电流密度及电势分布图可知,当敏感场中为同一电导率时,电场线为圆弧状,电势分布均匀;当有2种及以上电导率时,电场线在电导率变化处发生弯曲,电导率大处偏角小,电势分布在电导率变化处表现出明显差异。

    构建用于萝卜根系ERT的残差神经网络模型需要大量样本数据进行监督学习,本文利用COMSOL与MATLAB联合仿真对萝卜根系ERT正问题求解获得仿真数据集。每组样本包括256个边界电压与16 384 (128×128)个电导率分布值。为加快网络训练收敛速度,将边界电压进行归一化处理,使其映射到[0, 1]之间。针对萝卜−琼脂场域中的不同情况,分别对单根不同位置与双根不同位置的情况进行了仿真求解。图像重建结果如图7所示。

    图  7  单根(a、b)及双根 (c、d) 不同位置仿真图像重建
    Figure  7.  Simulation image reconstruction of single root (a, b) and double root (c, d) at different positions

    通过对大量萝卜进行直径测量,得出萝卜直径范围为1~8 cm;因此在仿真研究中萝卜根系直径范围选择1~8 cm。由表1可以发现,ResNet算法可以对不同情况下的萝卜根系表型进行图像重建,且成像效果良好,能够有效地还原萝卜−琼脂场域中内部电导率分布情况。根据成像结果可以较清晰地观察到场域内萝卜的位置以及直径大小。不同情况下,当萝卜直径等于1 cm时,相对误差大于10%,当直径大于1 cm时相对误差均在5%以内,成像效果较好。

    表  1  仿真图像重建相对误差
    Table  1.  Relative image error (RIE) of simulated image reconstruction
    仿真直径/cm Simulation diameter 单根中心 Single root center 单根非中心 Single root non-center 双根 Double root
    重建直径/cm Reconstruction diameter 相对误差/% RIE 重建直径/cm Reconstruction diameter 相对误差/% RIE 重建直径/cm Reconstruction diameter 相对误差/% RIE
    1 0.86 14.00 0.84 16.00 0.88 12.00
    2 2.06 3.00 1.92 4.00 1.92 4.00
    3 3.14 4.67 3.11 3.67 3.07 2.33
    4 3.90 2.50 3.84 4.00 3.88 3.00
    5 4.84 3.20 4.86 2.80 5.14 2.80
    6 5.78 3.67 6.19 3.17 6.12 2.00
    7 7.30 4.29 7.16 2.29 6.77 3.29
    8 7.80 2.50 7.82 2.25 7.82 2.25
    下载: 导出CSV 
    | 显示表格

    利用萝卜根系表型检测系统对单个萝卜与2个萝卜的情况进行数据采集和图像重建。通过16选1多路模拟开关控制数据采集层的选择、信号激励电极和数据采集电极的选通,取最底层为第1层,自下而上进行数据采集,每层共获得256 (16×16)个边界电压,共8层数据。为减少数据采集所产生的误差,采集5组边界电压数据,取平均值作为边界电压代入图像重建算法中进行图像重建。分别将每一层边界电压带入训练好的ResNet中进行图像重建,获得每层萝卜根系表型情况,最后通过对各层二维图像叠加进行三维建模,获得萝卜三维根系图。

    完成整个系统电压数据采集后将萝卜取出,测量每层相应位置萝卜实际直径。为减小测量误差,用游标卡尺进行5次测量后取平均值,作为萝卜实际直径。与重建图像所得直径进行对比,根据式(12)计算各层萝卜重建结果的相对误差。

    图8黄色区域表示萝卜所在区域,红色部分表示琼脂所在区域。由图8表2可以发现,对不同情况萝卜根系进行试验研究与图像重建,可以很好地获得萝卜的分布情况,且成像精度高。各层萝卜重建图像的相对误差较小,与仿真结果基本一致,其中单个萝卜各层检测相对误差均不高于4.12%,2个萝卜检测的相对误差均不高于4.53%。结果证明基于ERT结合ResNet对萝卜−琼脂场域中不同情况萝卜根系表型进行无损检测,具有较好的检测效果,也说明对二维图像进行三维重建可以更加直观地对萝卜分布情况进行观察研究,对实现优势根性状筛选和培育具有重要意义。

    图  8  萝卜图像重建
    Figure  8.  Reconstruction of radish image
    表  2  萝卜图像重建相对误差
    Table  2.  Relative image error (RIE) of radish image reconstruction
    层 Tier 1个萝卜 One radish 2个萝卜 Two radishes 2个萝卜 Two radishes
    实测直径/cm Measured diameter 重建直径/cm Reconstruction diameter 相对误 差/% RIE 实测直径1/cm Measured diameter1 重建直径1/cm Reconstruction diameter1 相对误 差/% RIE 实测直径2/cm Measured diameter2 重建直径2/cm Reconstruction diameter2 相对误 差/% RIE
    1 2.18 2.25 3.49 1.47 1.41 3.75 2.05 2.12 3.21
    2 4.51 4.33 4.12 2.89 3.00 3.73 4.45 4.28 3.69
    3 6.23 6.00 3.91 4.44 4.59 3.52 5.41 5.21 3.77
    4 6.85 6.62 3.30 5.44 5.56 2.24 6.22 6.05 2.70
    5 7.50 7.28 2.91 5.96 5.87 1.48 6.51 6.36 2.33
    6 7.80 7.64 2.13 6.03 6.18 2.55 6.69 6.53 2.39
    7 7.90 7.64 3.34 6.36 6.53 2.80 6.90 6.80 1.48
    8 7.71 7.46 3.27 6.55 6.67 1.80 6.84 6.53 4.53
    下载: 导出CSV 
    | 显示表格

    1)现有根系表型检测方法的检测装置存在价格昂贵、涉及核素、需专人操作等问题,提出基于ERT的萝卜根系表型检测方法。该方法成像精度高、成本低,可以实现对萝卜表型的无损连续检测。

    2)针对传统ERT图像重建算法精度低、成像效果差的问题,结合ResNet建立萝卜−琼脂边界电压与内部电导率非线性映射。对单个萝卜和2个萝卜的情况分别进行仿真研究和试验研究。结果表明:采用ResNet算法进行萝卜表型图像重建,可以获得较高的成像质量,能够很好地重建出场域内萝卜和琼脂的分布情况,且相对误差小于5%。

    3)该方法可以用于萝卜根系表型检测,在后续研究中可以进行不同作物根系的表型研究。

  • 图  1   推料机器人结构简图

    1:机器人主体部分,2:控制系统,3:精料抛撒装置,4:TMR饲料搅拌装置,5:RGB相机和IMU,6:激光雷达,7:皮带式推料机

    Figure  1.   Structure sketch of pushing robot

    1: The main part of the robot, 2: Control system, 3: Concentrate throwing device, 4: TMR feed stirring device, 5: RGB camera and IMU, 6: LiDAR, 7: Belt type pusher

    图  2   皮带式推料机结构图

    1:滚筒,2:皮带,3:伺服电机,4:张紧装置,5:皮带机支撑架

    Figure  2.   Structure sketch of belt pusher

    1: Roller, 2: Belt, 3: Servo motor, 4: Tensioning device, 5: Belt conveyor support frame

    图  3   滚筒结构图

    Figure  3.   Roller structure diagram

    图  4   休止角测定

    h:料堆竖直高度,d:料堆底面直径

    Figure  4.   Determination of rest angle

    h: Vertical height of feed pile, d: Basal diameter of feed pile

    图  5   滑动摩擦角测量

    θ:饲料滑动摩擦角

    Figure  5.   Measurement of sliding friction angle

    θ: Sliding friction angle of feed

    图  6   摩擦系数测定

    Figure  6.   Determination of friction coefficient

    图  7   物料颗粒离散元模型

    Figure  7.   Discrete element models of material particles

    图  8   TMR饲料堆积过程模拟

    Figure  8.   Simulation of TMR feed stacking process

    图  9   TMR饲料滑动摩擦角测定过程模拟

    θ:饲料滑动摩擦角

    Figure  9.   Simulation of TMR feed sliding friction angle measurement process

    θ: Sliding friction angle of feed

    图  10   皮带式推料机仿真模型

    Figure  10.   Simulation model of belt type grass pusher

    图  11   三因素定义图

    Figure  11.   Three-factor definition diagram

    图  12   物料颗粒在各个角度的运动方向

    各小图中的箭头指饲料运动方向

    Figure  12.   Movement direction of the material particles at various angles

    The arrows in each figure indicate the movement direction of feed

    图  13   试验设计示意图

    Figure  13.   Schematic diagram of experiment design

    图  14   各因素对推送率的响应面图

    Figure  14.   Response surface graph of various factors to pushing rate

    图  15   各因素对推送效率的响应面图

    Figure  15.   Response surface graph of various factors to pushing efficiency

    图  16   试验设备与环境

    Figure  16.   Test equipment and environment

    表  1   试验测定摩擦系数

    Table  1   Determination of friction coefficient by tests

    参数
    Parameter
    饲料与饲料
    Feed and
    feed
    饲料与皮带
    Feed and
    belt
    饲料与地面
    Feed and
    ground
    静摩擦系数
    Static friction
    coefficient
    0.54 0.75 0.80
    滚动摩擦系数
    Rolling friction
    coefficient
    0.85 0.40 0.48
    下载: 导出CSV

    表  2   物料特性参数

    Table  2   Property parameters of materials

    材料
    Material
    密度/(kg·m−3)
    Density
    泊松比
    Poisson’s ratio
    剪切模量/Pa
    Shear modulus
    饲料 Feed 700 0.30 2.30×107
    皮带 Belt 1 380 0.45 2.40×108
    地面 Ground 1 500 0.20 1.25×1010
    下载: 导出CSV

    表  3   试验因素水平表1)

    Table  3   Table of test factor and level

    水平
    Level
    x1/(°) x2/(m·s−1) x3/(m·s−1)
    −1 0 1 0.5
    0 15 2 1.0
    1 30 3 1.5
     1)x1:推料角度,x2:皮带速度,x3:前进速度
     1) x1: Pushing angle, x2: Belt speed, x3: Forward speed
    下载: 导出CSV

    表  4   推料仿真试验设计与结果1)

    Table  4   Design and results of pushing simulation experiment

    序号
    Serial number
    x1 x2 x3 Y1/% Y2/(kg·min−1)
    1 0 1 1 92.6 833.4
    2 1 1 0 96.5 579.0
    3 −1 0 1 91.8 826.2
    4 1 −1 0 93.3 559.8
    5 1 0 1 92.0 828.0
    6 −1 1 0 94.8 568.8
    7 0 0 0 93.5 561.0
    8 0 −1 −1 93.9 281.7
    9 −1 −1 0 91.1 546.6
    10 1 0 −1 95.8 287.4
    11 0 0 0 94.0 564.0
    12 −1 0 −1 95.1 285.3
    13 0 −1 1 89.7 807.3
    14 0 0 0 93.9 563.4
    15 0 0 0 94.3 565.8
    16 0 1 −1 98.1 294.3
    17 0 0 0 95.0 570.0
     1) x1:推料角度,x2:皮带速度,x3:前进速度,Y1:推送率,Y2:推送效率
     1) x1: Pushing angle, x2: Belt speed, x3: Forward speed, Y1: Pushing rate, Y2: Pushing efficiency
    下载: 导出CSV

    表  5   推料仿真试验推送率响应面方差分析

    Table  5   Variance analysis of response surface of pushing rate in material pushing simulation test

    来源
    Source
    平方和
    Square
    sum
    自由度
    Freedom
    degree
    均方
    Mean
    square
    F P1)
    模型
    Model
    64.08 9 7.12 15.44 0.000 8**
    x1 2.88 1 2.88 6.25 0.042 0*
    x2 24.50 1 24.50 53.15 0.000 2**
    x3 35.28 1 35.28 76.53 <0.000 1**
    x1x2 0.06 1 0.06 0.14 0.723 6
    x1x3 0.06 1 0.06 0.14 0.723 6
    x2x3 0.42 1 0.42 0.92 0.370 3
    x12 0.01 1 0.01 0.03 0.867 0
    x22 0.10 1 0.10 0.23 0.648 6
    x32 0.70 1 0.70 1.52 0.257 9
    残差
    Residual error
    3.23 7 0.46
    失拟项
    Misfit term
    1.98 3 0.66 2.10 0.240 0
    纯误差
    Pure error
    1.30 4 0.31
    总和
    Sum
    67.30 16
     1)“*”“**”分别表示在P<0.05和P<0.01水平影响显著(方差分析)
     1) “*” and “**” indicate significant effects at P<0.05 and P<0.01 levels, respectively (Analysis of variance)
    下载: 导出CSV

    表  6   推料仿真试验推送效率响应面方差分析

    Table  6   Variance analysis of response surface of pushing efficiency in material pushing simulation test

    来源
    Source
    平方和
    Square
    sum
    自由度
    Freedom
    degree
    均方
    Mean
    square
    F P1)
    模型
    Model
    5.77×105 9 64 117 3 484 <0.000 1**
    x1 93.16 1 93.16 5.06 0.060 0
    x2 802.00 1 802.00 43.60 0.000 3**
    x3 5.76×105 1 5.76×105 31 293 <0.000 1**
    x1x2 2.25 1 2.25 0.12 0.736 9
    x1x3 0.02 1 0.02 0.00 0.973 1
    x2x3 45.56 1 45.56 2.48 0.159 6
    x12 1.67 1 1.67 0.09 0.771 9
    x22 15.52 1 15.52 0.84 0.388 9
    x32 322.00 1 322.00 17.50 0.004 1**
    残差
    Residual error
    128.79 7 18.40
    失拟项
    Misfit term
    83.72 3 27.91 2.48 0.200 8
    纯误差
    Pure error
    45.07 4 11.27
    总和
    Sum
    5.77×105 16
     1)“**”表示在P<0.01水平影响显著(方差分析)
     1) “**” indicates significant effect at P<0.01 level (Analysis of variance)
    下载: 导出CSV
  • [1] 张国锋, 肖宛昂. 智慧畜牧业发展现状及趋势[J]. 中国国情国力, 2019(12): 33-35.
    [2] 范国强, 滕翔, 姜军鹏, 等. 奶牛卧床垫料抛撒机锤式抛撒机构设计与试验[J]. 农业机械学报, 2021, 52(5): 120-128. doi: 10.6041/j.issn.1000-1298.2021.05.013
    [3] 袁玉昊, 田玉辉, 李澳, 等. 牛场精料撒料及推草机器人设计[J]. 机电工程技术, 2020, 49(12): 101-103. doi: 10.3969/j.issn.1009-9492.2020.12.031
    [4] 赵丽萍, 赵清来, 孟祥雨, 等. 奶牛饲喂装备现状分析[J]. 农业与技术, 2016, 36(9): 69-71.
    [5] 刘猛. 姿态可调牛羊养殖推料机器人的设计与试验[D]. 泰安: 山东农业大学, 2023.
    [6] 杨亮, 熊本海, 王辉, 等. 家畜饲喂机器人研究进展与发展展望[J]. 智慧农业(中英文), 2022, 4(2): 86-98.
    [7] 吕占民, 金红伟, 王明磊. 奶牛规模养殖机械化先进适用装备概述(一)[J]. 中国奶牛, 2021(10): 39-43.
    [8] 焦盼德, 贺成柱, 杨军平. 奶牛智能推料机器人的研制[J]. 中国农机化学报, 2018, 39(1): 74-77.
    [9] 张勤, 任海林, 胡嘉辉. 基于信息融合的智能推料机器人设计与试验[J]. 农业机械学报, 2023, 54(6): 78-84. doi: 10.6041/j.issn.1000-1298.2023.06.008
    [10] 霍丽丽, 孟海波, 田宜水, 等. 粉碎秸秆类生物质原料物理特性试验[J]. 农业工程学报, 2012, 28(11): 189-195. doi: 10.3969/j.issn.1002-6819.2012.11.031
    [11] 廖庆喜, 张朋玲, 廖宜涛, 等. 基于EDEM的离心式排种器排种性能数值模拟[J]. 农业机械学报, 2014, 45(2): 109-114. doi: 10.6041/j.issn.1000-1298.2014.02.019
    [12] 戴飞, 宋学锋, 赵武云, 等. 全膜双垄沟覆膜土壤离散元接触参数仿真标定[J]. 农业机械学报, 2019, 50(2): 49-56. doi: 10.6041/j.issn.1000-1298.2019.02.006
    [13]

    COMBARROS M, FEISE H J, ZETZENER H, et al. Segregation of particulate solids: Experiments and DEM simulations[J]. Particuology, 2014, 12(1): 25-32.

    [14] 董创. 牧场智能推料机器人关键技术研究与样机研发[D]. 天津: 天津农学院, 2021.
    [15] 戴恩亮. 基于离散元法的双螺旋输送机性能研究及优化[D]. 武汉: 武汉大学, 2018.
  • 期刊类型引用(0)

    其他类型引用(1)

图(16)  /  表(6)
计量
  • 文章访问数:  501
  • HTML全文浏览量:  22
  • PDF下载量:  30
  • 被引次数: 1
出版历程
  • 收稿日期:  2024-04-04
  • 网络出版日期:  2024-07-09
  • 发布日期:  2024-07-04
  • 刊出日期:  2024-08-07

目录

/

返回文章
返回