Design and experiment of seed cleaning device of vegetable plug seedling seeder
-
摘要:目的
针对蔬菜穴盘育苗播种机现有清种装置清种效果不好，导致的充种合格率低、重播率高问题，设计集机械式、气吹式、电控式为一体的清种装置。
方法结合运动学及动力学理论对三级清种装置的结构进行设计；采用Ansys软件中Fluent模块对气吹式清种装置的不同进气口和出气口结构中的气流稳定性进行分析；在理论分析和仿真分析的基础上选取排种器转速、排种器负压、清种装置正压、种子直径为试验因素，结合农艺要求选取单粒充种合格率、重播率为试验指标开展四因素三水平二次回归正交试验。根据试验数据得出最佳参数组合。
结果由仿真分析得出，中间端进气圆弧式喷嘴气吹式清种结构清种效果最好。由台架试验得到排种最佳参数组合，即在排种器转速为0.17 r/s、种子直径为1.5 mm、排种器负压为0.6 kPa、气吹式清种装置正压为0.3 kPa时，平均单粒充种合格率为95.31%，平均重播率为0.2%。
结论本文设计的清种装置满足了蔬菜播种农艺要求，可以有效提升充种合格率、降低重播率，为生产实际提供理论指导。
Abstract:ObjectiveAiming at the problem that the existing seed cleaning device of the vegetable plug seedling seeder is not effective in cleaning seeds, resulting in low seed filling qualification rate and high reseeding rate, a seed cleaning device integrating mechanical type, air blowing and electric control is designed.
MethodCombined with kinematics and dynamics theory, the structure of the three-stage seed cleaning device was designed. The air flow stability in different air-inlet and air-outlet structures of the air-blown seed cleaning device was analyzed by using the fluent module in Ansys software. On the basis of theoretical analysis and simulation analysis, the speed of seeding device, negative pressure of seeding device, positive pressure of seed cleaning device and seed diameter were selected as the experimental factors. According to the agronomy requirements, qualified rate of single seed filling and reseeding rate were selected as test indexes to carry out four-factor and three-level quadratic regression orthogonal test. The best parameter combination was obtained based on the experimental data.
ResultAccording to the simulation analysis, it is concluded that the air blowing type structure with the air-inlet circular arc nozzle at the middle end had the best seed cleaning effect. The best parameter combination for seed metering was summarized from the bench test. When the speed of the seeding device was 0.17 r/s, and the seed diameter was 1.5 mm, the negative pressure of the seeding device was 0.6 kPa, and the positive pressure of the air blowing seed cleaning device was 0.3 kPa, the average qualified rate of single seed filling was 95.31%, and the average reseeding rate was 0.2%.
ConclusionThe design of the seed cleaning device meets the agronomic requirements of vegetable sowing, which can effectively improve the qualified rate of seed filling and reduce the reseeding rate, and provide theoretical guidance for production practice.
-
Keywords:
- Vegetable /
- Plug seedling /
- Seeder /
- Seed cleaning device /
- Quadratic regression orthogonal test
-
小麦产量占粮食作物总产的20%以上，是我国重要的粮食作物之一[1-2]，为了保持小麦粮食产业的稳定发展，需要对小麦有关生理信息进行准确快速的监测。植被覆盖度(Vegetation coverage，VC)是衡量陆地表面植被生长状态变化的一个重要指标，通常是指植被(叶、茎、枝)在地面垂直投影的总面积占统计区总面积的百分比，反映了植物光合作用的能力以及植物的生长状况，对土壤侵蚀和水土流失有重要的指示作用[3-5]。植被覆盖度测量方法主要有地表实测法与遥感监测法[6-7]。地表实测法主要包括目估法、采样法和仪器法等，但其人为主观性强、劳动强度大，受人力和物力等条件限制，难以在大面积范围应用[8-9]。遥感技术为大面积监测植被覆盖度提供了可能，其中，应用较早的是卫星遥感。佟斯琴等[10]在GIMMS NDVI3g数据基础上，通过强度分析方法和像元二分法，从植被覆盖度等级变化、转换和时间间隔3个方面分析了1982—2010年内蒙古植被覆盖度的变化；李苗苗等[11]基于TM遥感数据，在像元二分法原理基础上，改进模型参数计算方法，构建了多光谱植被指数(NDVI)植被覆盖度定量提取模型，实现了对密云水库上游植被覆盖度的提取。随着遥感技术的发展，无人机航空遥感逐渐进入人们的视野，无人机遥感信息技术具有操作简便、机动灵活、图像分辨率高和受大气层影响小等优点[12]，广泛应用于遥感监测中。汪小钦等[13]通过分析无人机图像中可见光波段植被与非植被的光谱差异，提出了用于获取植被覆盖度信息的差异植被指数(VDVI)；赵静等[14]利用无人机获取的玉米可见光图像提取多种植被指数，采用监督分类与植被指数统计直方图相结合的方式，提出了一种田间尺度夏季玉米覆盖度快速提取的方法。
亚像元分解法是近年被广泛使用的方法，其中像元二分法具有计算方便和精度较高等优点，运用比较广泛[9]。像元二分法多应用于卫星遥感中，且结合多光谱植被指数构建植被覆盖度提取模型较多，而在无人机遥感中，与可见光植被指数结合构建模型鲜有报道。基于上述问题，本文利用无人机获取可见光图像，在像元二分法原理基础上，分别结合可见光差异植被指数(VDVI)[13]、过绿指数(EXG)[15-16]、归一化绿蓝差异指数(NGBDI)[17]和归一化绿红差异指数(NGRDI)[18]构建4种新的植被覆盖度提取模型，寻求快速生成冬小麦返青期植被覆盖等级图的方法，为后期田间生产管理提供指导。
1. 材料与方法
1.1 试验区概况与数据采集
试验区位于山东省桓台县唐山镇，其地势南高北低，由西南向东北倾斜，略呈微波状，南部和北部皆为冲积平原。试验区地理位置为北纬36°58′38″—36°58′40″、东经118°3′44″—118°3′45″，地处温带，属于大陆性季风型气候，光热资源充足，年平均日照时数2 832 h，年平均温度12.5~14.5 ℃。
采用大疆精灵Phantom4 advanced型无人机采集数据，其相机的影像传感器是1英寸CMOS，有效像素为2 000万，有效载荷为2 kg，续航时间约30 min。为保证光照条件的一致性，选择晴朗无风天气，2019年3月13中午12：00左右采集冬小麦返青期图像数据。无人机采集图像时的飞行高度为40 m、飞行速度为4 m/s，航向和旁向重叠度均为85%，获取分辨率为5 472像素×3 648像素的图像245张，地面分辨率为1 cm。为提高图像拼接的几何精度，在试验区布置9个地面控制点，利用Pix4DMapper软件对无人机获取的图像进行拼接，生成冬小麦返青期试验区的全景正射影像(图1)。
1.2 冬小麦植被覆盖度提取方法
1.2.1 像元二分法
像元二分法[11,19-20]是一种简便实用的线性模型，它假设一个像元的地表信息由纯植被和纯土壤(非植被)2部分信息构成，所得到的光谱信息是由2种纯组分的面积比例加权的线性组合。具体可以表示为：
$$S = {\rm{FVC}} \times {S_{{\rm{veg}}}} + (1 - {\rm{FVC}}) \times {S_{{\rm{soil}}}},$$ (1) 对(1)式进行变换，得到植被覆盖度公式：
$${\rm{FVC}} = (S - {S_{{\rm{soil}}}})/({S_{{\rm{veg}}}} - {S_{{\rm{soil}}}}),$$ (2) 式中，
$\operatorname{FVC} $ 表示像元中纯植被所占的面积比例，即植被覆盖度；$S$ 为像元的光谱信息；${S_{{\rm{veg}}}}$ 和${S_{{\rm{soil}}}}$ 分别表示像元中的纯植被像元信息和纯土壤像元信息。1.2.2 植被覆盖度提取模型的构建
目前可见光植被指数较少，其主要基于红色波段的低反射率和绿色波段的高反射率构建，有差异植被指数(VDVI)、过绿指数(EXG)、归一化绿蓝差异指数(NGBDI)和归一化绿红差异指数(NGRDI)，各指数的计算见公式(3)~(6)：
$${\rm{VDVI}} = \frac{{2G - R - B}}{{2G + R + B}},$$ (3) $${\rm{EXG}} = 2G - R - B,$$ (4) $${\rm{NGBDI}} = \frac{{g - b}}{{g + b}},$$ (5) $${\rm{NGRDI}} = \frac{{g - r}}{{g + r}},$$ (6) 且
$g = \dfrac{G}{{R + G + B}}$ ，$b = \dfrac{B}{{R + G + B}}$ ，$r = \dfrac{R}{{R + G + B}}$ ，式中，G 为绿色波段像素值，B 为蓝色波段像素值，R为红色波段像素值，g、b、r分别为归一化处理后绿、蓝、红波段像素值。
根据像元二分法原理，各可见光植被指数也是由传感器接受地物光谱信息计算出反映地表信息的定量值，一个像元的VDVI值可以表达为纯植被像元信息
$({\rm{VDV}}{{\rm{I}}_{{\rm{veg}}}})$ 与纯土壤像元信息$({\rm{VDV}}{{\rm{I}}_{{\rm{soil}}}})$ 之和，故代入(2)式可以转化为：$${\rm{FV}}{{\rm{C}}_{{\rm{VDVI}}}} = ({\rm{VDVI}} - {\rm{VDV}}{{\rm{I}}_{{\rm{soil}}}})/({\rm{VDV}}{{\rm{I}}_{{\rm{veg}}}} - {\rm{VDV}}{{\rm{I}}_{{\rm{soil}}}}),$$ (7) 同理，将EXG、NGBDI和NGRDI代入(2)式可以分别转化为：
$$ {\rm{FV}}{{\rm{C}}_{{\rm{EXG}}}} = ({\rm{EXG}} - {\rm{EX}}{{\rm{G}}_{{\rm{soil}}}})/({\rm{EX}}{{\rm{G}}_{{\rm{veg}}}} - {\rm{EX}}{{\rm{G}}_{{\rm{soil}}}}), $$ (8) $$ \begin{aligned} {\rm{FV}}{{\rm{C}}_{{\rm{NGBDI}}}} =& ({\rm{NGBDI}} - {\rm{NGBD}}{{\rm{I}}_{{\rm{soil}}}})/({\rm{NGBD}}{{\rm{I}}_{{\rm{veg}}}} -\\ &{\rm{NGBD}}{{\rm{I}}_{{\rm{soil}}}}), \end{aligned}$$ (9) $$ \begin{aligned} {\rm{FV}}{{\rm{C}}_{{\rm{NGRDI}}}} = & ({\rm{NGRDI}} - {\rm{NGRD}}{{\rm{I}}_{{\rm{soil}}}})/({\rm{NGRD}}{{\rm{I}}_{{\rm{veg}}}} -\\ &{\rm{NGRD}}{{\rm{I}}_{{\rm{soil}}}}){\text{。}} \end{aligned}$$ (10) 公式(7)~(10)为可见光植被指数植被覆盖度提取模型，以下简称植被覆盖度提取模型。
1.2.3 冬小麦植被覆盖度提取
根据像元二分法和监督分类原理设计植被覆盖度提取流程(图2)。对获取的无人机可见光图像进行拼接、裁剪和掩膜等预处理，计算图像中4种可见光植被指数，参考李苗苗等[11]提出的TM遥感影像纯像元信息估算方法，以图像清晰度和图像大小作为依据，通过反复对比，取2%置信度作为各植被指数的纯像元信息(即植被指数像素值累计2%为纯土壤像元信息、98%为纯植被像元信息)，根据公式(7)~(10)植被覆盖度提取模型和纯像元信息提取植被覆盖度；通过目视判读对预处理图像进行小麦和土壤样本训练集和验证集选择，采用支持向量机(Support vector machine，SVM)监督分类结合公式(11)提取植被覆盖度，其结果作为真值对植被覆盖度提取模型结果进行精度验证。
目前监督分类评价训练样本和分类结果常用J-M距离优化法[21]和混淆矩阵法[14]。J-M距离优化法是通过计算不同类别间的J-M距离来确定不同类别间的差异程度；混淆矩阵法是通过实测像元样本所在的类别和位置与分类结果计算中相应的类别和位置来判别分类精度。
监督分类结果由下式得到：
$${\rm{FV}}{{\rm{C}}_{{\rm{SVM}}}} = \frac{{{N_{{\rm{wheat}}}}}}{{{N_{{\rm{wheat}}}} + {N_{{\rm{soil}}}}}},$$ (10) 式中，
${N_{{\rm{wheat}}}}$ 为小麦像元统计个数，${N_{{\rm{soil}}}}$ 为土壤像元统计个数。1.2.4 植被覆盖度精度评价
目前常采用照相法进行植被覆盖度精度评价，由于实地拍照受人力和物力等条件的限制，对大范围植被覆盖度精度评价较难。随着机器学习技术的发展，利用监督分类进行精度评价成为可能，其受人为等因素干扰少，提取植被覆盖度精度高。本文采用SVM监督分类将无人机可见光图像分为小麦和土壤2个部分，提取平均覆盖度，并分别对4种植被覆盖度提取模型获取的平均覆盖度进行整体精度验证，植被覆盖度提取误差(EF)按下式计算：
$${E_{\rm{F}}} = \frac{{\left| {{F_{\sup }} - } \right.\left. {{F_{{\rm{VI}}}}} \right|}}{{{F_{\sup }}}} \times 100{\text{%}}, $$ (11) 式中，
${F_{\sup }}$ 为通过监督分类法获得的冬小麦覆盖度，${F_{{\rm{VI}}}}$ 为通过像元二分法获得的冬小麦覆盖度。选取样本点，以监督分类结果作为真值，植被覆盖度提取模型结果作为预测值，建立线性回归模型，对植被覆盖度提取模型进一步验证。通过均方根误差(Root mean squared error，RMSE)验证线性回归模型的精度，RMSE越小，说明真值与预测值越接近；用决定系数(R2)评价线性回归模型的拟合优度，R2越大，说明真值与预测值拟合效果越好。
2. 结果与分析
2.1 监督分类结果与评价
通过目视判读结合野外调查，从可见光图像上分别选取80个典型的小麦植株样本和相对独立的裸土样本作为训练集，对训练集计算J-M距离，选取样本间分离性好的训练集进行SVM监督分类(图3)；同理，从图像上分别选取40个典型样本作为验证集，对分类结果计算混淆矩阵并进行验证。
图像经过验证计算后，训练集和验证集中小麦和土壤之间的J-M距离分别为1.999 9和1.998 7，均大于1.9，说明样本之间可分离性好，混淆矩阵总体分类精度为99.796 5%，Kappa系数为0.995 9，分类结果精度评价见表1。由表1可知，SVM监督分类对小麦和土壤的分类效果较好。计算得到冬小麦返青期的平均植被覆盖度为0.332 623，说明该时期整体植被覆盖度约为33%。
表 1 冬小麦分类精度评价Table 1. Evaluation of classification accuracy of winter wheat类别
Category小麦/像素
Wheat土壤/像素
Soil样本总数/像素
Total sample size用户精度/%
User accuracy小麦/像素 Wheat 20 779 3 20 782 99.99 土壤/像素 Soil 92 25 806 25 898 99.64 样本总数/像素 Total sample size 20 871 25 809 46 680 用户精度/% User accuracy 99.56 99.99 2.2 植被覆盖度提取结果与分析
通过统计可见光植被指数图像的像素，选取累计像素2%为纯土壤像元信息，98%为纯植被像元信息。在计算植被覆盖度时，对低于纯土壤像元信息的噪音像素值归为0；高于纯植被像元信息的噪音像素值则归为1。统计得到差异植被指数(VDVI)的2个信息分别为
${\rm{VDV}}{{\rm{I}}_{{\rm{soil}}}} = - 0.041\;021$ 和${\rm{VDV}}{{\rm{I}}_{{\rm{veg}}}}{\rm{ = 0}}{\rm{.134\;076}}$ ，过绿指数(EXG)的2个信息分别为${\rm{EX}}{{\rm{G}}_{{\rm{soil}}}}{\rm{ = - 20}}{\rm{.478\;431}}$ 和${\rm{EX}}{{\rm{G}}_{{\rm{veg}}}}{\rm{ = 45}}{\rm{.835\;297}}$ ，归一化绿蓝差异指数(NGBDI)的2个信息分别为${\rm{NGBD}}{{\rm{I}}_{{\rm{soil}}}}{\rm{ = - 0}}{\rm{.049\;911}}$ 和${\rm{NGBD}}{{\rm{I}}_{{\rm{veg}}}}{\rm{ = 0}}{\rm{.139\;750}}$ ，归一化绿红差异指数(NGRDI)的2个信息分别为${\rm{NGRD}}{{\rm{I}}_{{\rm{soil}}}}{\rm{ = - 0}}{\rm{.048\;128}}$ 和${\rm{NGRD}}{{\rm{I}}_{{\rm{veg}}}}{\rm{ = 0}}{\rm{.137\;255}}$ 。根据植被覆盖度提取模型，计算得到冬小麦返青期植被覆盖图(图4)，由于各植被覆盖图目视差异较小，这里只给出VDVI植被覆盖度提取模型的植被覆盖图。统计得到平均植被覆盖度，对植被覆盖度进行精度评价(表2)，由表2可知，在4种模型中，VDVI植被覆盖度提取模型获取的植被覆盖度精度最高。表 2 植被覆盖度精度评价Table 2. Accuracy evaluation of vegetation coverage植被指数模型
Vegetation index model覆盖度 Vegetation coverage 提取误差/%
Extraction error像元二分法
Pixel dichotomy监督分类
Supervised classification差值
Difference valueVDVI 0.321 452 0.332 623 0.011 171 3.36 NGBDI 0.303 564 0.332 623 0.029 059 8.74 NGRDI 0.384 043 0.332 623 0.051 420 15.46 EXG 0.384 780 0.332 623 0.052 157 15.68 为进一步验证植被覆盖度提取模型的提取精度，从监督分类的图像上随机选取40个2 m×2 m的样本区，计算每个样本的植被覆盖度并作为真值；利用选定的40个样本区统计各植被覆盖度提取模型的植被覆盖图，取每个样本区的平均植被覆盖度作为预测值，然后进行线性拟合，结果如图5所示。由图5可知，4种植被覆盖度提取模型中VDVI和EXG的决定系数(R2)均高于0.9，NGBDI和NGRDI的R2均低于0.8，说明前者拟合优度较好，后者拟合优度较差；但EXG的RMSE大于0.05，在4种植被覆盖度提取模型中相对较大，说明其模型精度较差。综合可知，VDVI提取效果最好(R2为0.946 1，RMSE为0.021 9)，这与表2植被覆盖度精度评价结果相一致。
![]()
图 5 不同植被覆盖度提取模型的线性拟合结果Figure 5. The linear fitting results of different vegetation coverage extraction models根据陈虹兵等[9]对植被覆盖度等级的划分，选取VDVI植被覆盖度提取模型生成冬小麦返青期植被覆盖度等级分布图，等级分布为裸地(覆盖度0~0.10)、低覆盖度(0.10~0.30)、中低覆盖度(0.30~0.45)、中覆盖度(0.45~0.60)和高覆盖度(0.60~1.00)5个等级，并对各等级覆盖度进行统计，结果见表3和图6。
表 3 植被覆盖度等级分布统计结果Table 3. Statistical results of vegetation coverage grade distribution植被覆盖度
Vegetation coverage像元数
Pixel number百分比/%
Percentage0~0.10 1 960 500 8.15 0.10~0.30 12 265 775 51.01 0.30~0.45 4 166 478 17.33 0.45~0.60 2 460 841 10.23 0.60~1.00 3 192 675 13.28 总计 Total 24 046 269 100 3. 结论
基于可将光植被指数的植被覆盖度提取模型技术简单、可操作性强，无需对信息进行繁琐的推导，实现了冬小麦返青期植被覆盖度准确快速提取：1)利用VDVI、EXG、NGBDI和NGRDI这4种可见光植被指数结合像元二分法原理构建的植被覆盖度提取模型可以有效地提取冬小麦返青期植被覆盖度信息；2)与EXG、NGBDI和NGRDI相比，VDVI构建冬小麦返青期植被覆盖度提取模型精度最高，提取误差(EF)为3.36%，R2为0.946 1，RMSE为0.021 9；3)采用VDVI植被覆盖度提取模型，生成了冬小麦返青期植被覆盖度等级分布图，为小麦后期的田间管理提供了参考。
-
![]()
图 1 清种装置结构示意图
1：机架；2：滤轴；3：滑轨；4：气嘴；5：凸台；6：凸轮；7：齿轮；8：步进电机
Figure 1. Schematic diagram of seed cleaning device
1: Frame; 2: Filter shaft; 3: Slide; 4: Air nozzle; 5: Boss; 6: Cam; 7: Gear; 8: Stepper motor
![]()
图 2 滤轴结构模型图
Lp：排种器轴向长度；Lh：配气盘外壁厚度；Lc：固接齿轮厚度；LJ：固定补偿；LL：滤轴总长
Figure 2. Structural model of filter shaft
Lp: Axial length of seeding device; Lh: Outer wall thickness of valve disc; Lc: Thickness of solid gear; LJ: Fixed compensation; LL: Total length of filter shaft
![]()
图 3 种子刚吸附时受力平衡图
Fb1：种箱对种子的支持力；Fb2：排种器对种子的支持力；FX：负压吸附力；Fn：种群力；α：休止角；G：单粒种子重力
Figure 3. Force balance map of the seed just adsorbed
Fb1: Supporting force of the seed box on the seed; Fb2: Supporting force of the seeding device on the seed; FX: Negative pressure adsorption force; Fn: Seed group force; α: Angle of repose; G: Gravity of a single seed
![]()
图 4 气吹式清种区左(C1)右(C2)种子受力图
fa2：C1种子抵抗C2种子作用力后与排种器间的摩擦力；Fn3：C1种子对C2种子的作用力；γ2：气吹式清种区起点与水平面的夹角；δ2：C1种子中心与排种器轴线的垂直连线和排种器气孔径间的夹角；Fb4：C1种子的理论支持力；fa1：C2种子抵抗C1种子作用力后与排种器间的摩擦力；Fn2：C2种子对C1种子的作用力；δ1：C2种子中心与排种器轴线的垂直连线和排种器气孔径间的夹角；Fb5：C2种子的理论支持力；FX：负压吸附力
Figure 4. Stress map of left (C1) and right (C2) seeds in air blowing seed cleaning area
fa2: Friction force between C1 seed and seeding device after resisting the force of C2 seed; Fn3: Force of C1 seed on C2 seed; γ2: Angle between the starting point of the gas-blown seed cleaning area and the horizontal plane; δ2: Angle between the vertical line connecting the C1 seed center and the axis of the seeding device and the gas aperture of the seeding device; Fb4: Theoretical support of C1 seed; fa1: Friction force between C2 seed and seeding device after resisting C1 seed force; Fn2: Force of C2 seed on C1 seed; δ1: Angle between the vertical line connecting C2 seed center and the axis of the seeding device and the gas aperture of the seeding device; Fb5: Theoretical support of C2 seed; FX: Negative pressure adsorption force
![]()
图 5 电控式清种装置结构示意图
Figure 5. Schematic diagram of the structure of the electronically controlled seed cleaning device
![]()
图 8 各因素交互作用于单粒充种合格率的响应曲面
Figure 8. Response surface of the interactive effects of different factors on qualified rate of single seed filling
![]()
图 9 各因素交互作用于重播率的响应曲面
Figure 9. Response surface of the interactive effects of different factors on reseeding rate
表 1 清种试验因素水平
Table 1 Factor and level of seed cleaning test
水平
Level排种器转速/(r·s−1)
Speed of seeding
device (A)种子直径/mm
Seed diameter
(B)排种器负压/kPa
Negative pressure of
seeding device (C)清种装置正压/kPa
Positive pressure of seed
cleaning device (D)−1 0.11 1.5 0.2 0.1 0 0.14 2.0 0.6 0.3 1 0.17 2.5 1.0 0.5 
下载: 导出CSV
表 2 清种试验方案与结果
Table 2 Seed cleaning test design and result
试验方案
Testing
program排种器转速/(r·s−1)
Speed of seeding
device
(A)种子直径/mm
Seed
diameter
(B)排种器负压/kPa
Negative pressure of
seeding device
(C)清种装置正压/kPa
Positive pressure of
seed cleaning device
(D)单粒充种合格率/%
Qualified rate
of single seed filling
(Y1)重播率/%
Reseeding
rate
(Y2)1 0.11 1.5 0.6 0.3 87.04 0.10 2 0.17 1.5 0.6 0.3 95.31 0.20 3 0.11 2.5 0.6 0.3 86.89 0.13 4 0.17 2.5 0.6 0.3 89.70 0.30 5 0.14 2.0 0.2 0.1 87.84 0.20 6 0.14 2.0 1.0 0.1 95.14 0.77 7 0.14 2.0 0.2 0.5 87.70 0.10 8 0.14 2.0 1.0 0.5 87.37 0.20 9 0.11 2.0 0.6 0.1 86.62 0.10 10 0.17 2.0 0.6 0.1 90.76 0.60 11 0.11 2.0 0.6 0.5 86.41 0.10 12 0.17 2.0 0.6 0.5 85.36 0.20 13 0.14 1.5 0.2 0.3 87.74 0.07 14 0.14 2.5 0.2 0.3 94.64 0.70 15 0.14 1.5 1.0 0.3 93.73 0.60 16 0.14 2.5 1.0 0.3 90.27 0.37 17 0.11 2.0 0.2 0.3 86.75 0.07 18 0.17 2.0 0.2 0.3 90.59 0.40 19 0.11 2.0 1.0 0.3 93.38 0.57 20 0.17 2.0 1.0 0.3 88.19 0.20 21 0.14 1.5 0.6 0.1 88.39 0.17 22 0.14 2.5 0.6 0.1 92.21 0.57 23 0.14 1.5 0.6 0.5 88.57 0.30 24 0.14 2.5 0.6 0.5 86.72 0.10 25 0.14 2.0 0.6 0.3 93.76 0.60 26 0.14 2.0 0.6 0.3 92.73 0.60 27 0.14 2.0 0.6 0.3 93.56 0.53 28 0.14 2.0 0.6 0.3 92.97 0.60 29 0.14 2.0 0.6 0.3 94.70 0.83
下载: 导出CSV
表 3 清种试验的方差分析1)
Table 3 Analysis of variance of seed filling test
方差来源
Source单粒充种合格率 Qualified rate of single seed filling 重播率 Reseeding rate 平方和 SS 均方 MS F P 平方和 SS 均方 MS F P 模型 Model 247.92 17.71 6.30 0.0007** 1.45 0.10 7.46 0.0003** A 13.70 13.70 4.88 0.0444* 0.06 0.06 4.14 0.0612 B 0.01 0.01 3.63×10−3 0.9528 0.04 0.04 3.20 0.0951 C 13.70 13.70 4.88 0.0444* 0.11 0.11 8.23 0.0124* D 29.55 29.55 10.52 0.0059** 0.17 0.17 11.95 0.0038** A×B 7.45 7.45 2.65 0.1256 1.23×10−3 1.23×10−3 0.09 0.7706 A×C 20.39 20.39 7.26 0.0175* 0.12 0.12 8.84 0.0101* A×D 6.73 6.73 2.40 0.1439 0.04 0.04 2.89 0.1115 B×C 26.83 26.83 9.55 0.0080** 0.18 0.18 13.34 0.0026** B×D 8.04 8.04 2.86 0.1129 0.09 0.09 6.49 0.0232* C×D 14.55 14.55 5.18 0.0391* 0.06 0.06 3.98 0.0658 A2 53.38 53.38 19.00 0.0007** 0.38 0.38 27.28 0.0001** B2 7.74 7.74 2.76 0.1191 0.17 0.17 12.19 0.0036** C2 4.43 4.43 1.58 0.2299 0.04 0.04 3.10 0.1000 D2 73.12 73.12 26.03 0.0002** 0.23 0.23 16.26 0.0012** 残差 Residual 39.33 2.81 0.19 0.01 失拟项 Lack of fit 36.95 3.70 6.22 0.0465* 0.14 0.01 1.07 0.5162 误差 Error 2.38 0.59 0.05 0.01 总和 Total 287.24 1.64 1) A：排种器转速；B：种子直径；C：排种器负压；D：清种装置正压；“*”和“**”分别表示0.05和0.01的显著水平
1) A: Rotation speed of seed feeder; B: Seed diameter; C: Negative pressure of seed feeder; D: Positive pressure of seed cleaning device; “*” and “**” indicate 0.05 and 0.01 significance levels respectively
下载: 导出CSV
表 4 单级清种装置试验数据表
Table 4 Data sheet for single stage cleaning device test
清种装置类型
Type of seed
cleaning device单圈充种穴数
No. of seed
filling holes per circle单圈单粒充种穴数
No. of single seed
filling holes per circle单粒充种合格率/%
Qualified rate of
single seed filling重播率/%
Reseeding
rate机械式 Mechanical 51.1 48.3 89.50 5.19 气吹式 Air blown 51.3 50.2 92.96 2.10 电控式 Electrically controlled 50.8 49.3 91.23 2.53
下载: 导出CSV
表 5 三级清种装置清种性能验证试验结果
Table 5 Validation test result of seed cleaning performance of the three level seed cleaning device
项目
Itern单粒充种合格率/%
Qualified rate of single seed filling重播率/%
Reseeding rate台架试验
Bench test95.31 0.2 最优参数验证试验
Optimal parameter verification test94.86 0.5 误差 Error 0.45 0.3
下载: 导出CSV
-
[1] 人民资讯. 云南“牛年”交出“牛气答卷” [EB/OL]. [2022-01-26]. https://baijiahao.baidu.com/s?id=1722859648213784805&wfr=spider& for=pc. [2] 云南省统计局. 2021年云南经济运行情况南省统计局 [EB/OL].(2022-01-26)[2022-08-26]. http://stats.yn.gov.cn/tjsj/jjxx/202201/t20220126_1073014.html. [3] 刘云强, 赵郑斌, 刘立晶, 等. 蔬菜穴盘育苗播种机研究现状及发展趋势[J]. 农业工程, 2018, 8(1): 6-12. [4] 王牧野, 李建平, 李俊杰. 成本收益视角下中国设施蔬菜生产效率研究: 以黄瓜、番茄栽培为例[J]. 中国农业资源与区划, 2021, 42(12): 170-183. [5] 张立舒, 刘燕, 张雄基, 等. 蔬菜工厂化播种育苗技术优势及发展措施探究[J]. 种子科技, 2021, 39(21): 135-136. doi: 10.19904/j.cnki.cn14-1160/s.2021.21.067 [6] 李建忠. 蔬菜工厂化播种育苗技术优势及发展措施探究[J]. 南方农业, 2019, 13(26): 1-2. [7] 李晓冉, 张银平, 刁培松, 等. 我国蔬菜生产概况及精量播种机研究现状[J]. 农机化研究, 2021, 43(5): 263-268. [8] 王计新. 斜面重力清种型孔式小籽粒(谷子)精少量排种器设计研究[J]. 当代农机, 2020(3): 61-64. [9] 许健, 蔡宗寿, 甘义权, 等. 基于EDEM的倾斜圆盘勺式大豆排种器清种过程优化研究[J]. 东北农业大学学报, 2018, 49(10): 79-88. doi: 10.3969/j.issn.1005-9369.2018.10.010 [10] BRAUNACK M V, JOHNSTON D B, PRICE J, et al. Soil temperature and soil water potential under thin oxodegradable plastic film impact on cotton crop establishment and yield[J]. Field Crops Research, 2015, 184: 91-103. doi: 10.1016/j.fcr.2015.09.009
[11] 刘云强, 刘立晶, 赵郑斌, 等. 蔬菜育苗播种机清种装置设计与试验[J]. 农业机械学报, 2018, 49(S1): 83-91. [12] 康施为, 倪向东, 齐庆征, 等. 气吸滚筒式棉花精密排种器的设计与试验[J]. 农机化研究, 2020, 42(6): 136-141. [13] YAZGI A, DEGIRMENCIOGLU A. Optimisation of the seed spacing uniformity performance of a vacuum-type precision seeder using response surface methodology[J]. Biosystems Engineering, 2007, 97(3): 347-356.
[14] 贾洪雷, 陈玉龙, 赵佳乐, 等. 气吸机械复合式大豆精密排种器设计与试验[J]. 农业机械学报, 2018, 49(4): 75-86. [15] 杨铭. 气振精密播种机自适应清种装置设计及试验研究[D]. 镇江: 江苏大学, 2020. [16] 曾山, 文智强, 刘伟健, 等. 气吸式小粒蔬菜种子精量穴播排种器优化设计与试验[J]. 华南农业大学学报, 2021, 42(6): 52-59. [17] 杨文彩, 阚成龙, 张效伟, 等. 气吸式三七育苗播种精密排种器设计与试验[J]. 农业机械学报, 2021, 52(6): 95-105. [18] 佚名. 播种机械设计原理[M]. 张波屏, 编译. 北京: 机械工业出版社, 1982. [19] 谢海军, 李志伟, 张静. 气力滚筒式小粒圆形种子排种器孔口结构仿真分析[J]. 农机化研究, 2018, 40(7): 31-35. [20] 霍增辉, 董成, 俞经虎, 等. 基于FLUENT的三偏心蝶阀数值仿真及结构优化[J]. 轻工机械, 2021, 39(1): 47-51. [21] 秀洲区政府网站. 蔬菜育苗穴盘的选择[EB/OL]. (2022-11-03)[2023-12-08].http://www.xiuzhou.gov.cn/art/2022/11/3/art_1229406499_5020421.html.
-
期刊类型引用(10)
1. 曹琳，吴风华. 唐山市植被覆盖度时空演变及地形因子的响应. 华北理工大学学报(自然科学版). 2025(01): 88-95 . 
百度学术
2. 薛心悦，郭小平，薛东明，马原，杨帆. 基于GF-2影像的西北干旱荒漠低扰动区植被覆盖度提取方法研究（英文）. Journal of Resources and Ecology. 2023(04): 833-846 . 百度学术
3. 韦惟，荆降龙，葛晓颖，孙磊，卢正. 长-短NDVI时序检测植被局部突变特征方法研究. 环境监测管理与技术. 2023(06): 28-34 . 百度学术
4. 李金朋，冯帅，杨鑫，李光明，赵冬雪，于丰华，许童羽. 融合CLAHE-SV增强Lab颜色特征的水稻覆盖度提取. 农业工程学报. 2023(24): 195-206 . 百度学术
5. 马吉刚，汤宇婷，张立民，吴忠胜，崔子腾，窦智. 引黄济青工程沿线生态因子1990-2020年时空变化特征. 水土保持通报. 2022(01): 283-289 . 百度学术
6. 赵鸿飞，路钊，伊洋，赵加正，王大庆，时玥，陈阳. 基于GF-6的植被覆盖度遥感估测研究. 测绘与空间地理信息. 2022(03): 19-23 . 百度学术
7. 何海清，严椰丽，凌梦云，杨勤锐，陈婷，李麟. 结合三维密集点云的无人机影像大豆覆盖度提取. 农业工程学报. 2022(02): 201-209 . 百度学术
8. 李菲菲，汤军，高贤君，杨元维，占杨英. 基于GEE的气候变化对豫北地区冬小麦播种面积与产量影响研究. 河南农业科学. 2022(08): 150-165 . 百度学术
9. 王泽，赵良军，牛凯，张芸，杨号. 基于遥感影像的植被覆盖度提取方法研究综述. 农业与技术. 2021(14): 25-29 . 百度学术
10. 许宏健，郎博宇，张雪，李鹏伟. 基于landsat8数据的植被覆盖度遥感估算. 现代化农业. 2020(11): 43-45 . 百度学术
其他类型引用(14)
计量
- 文章访问数: 179
- HTML全文浏览量: 22
- PDF下载量: 24
- 被引次数: 24
