机载式谷物水分近红外光谱检测系统原理样机开发与试验研究

发布时间：2020-10-24 07:14

　　 谷物在人类的生存发展中占有重要的地位,是解决温饱问题的重要物质。田间谷物产量的正确估算在实现精细农业生产管理中至关重要,而净产量数据的正确估算主要受谷物水分含量的影响,在联合收获机上实现谷物水分含量的在线实时检测是解决该问题的有效方法。同时,在收获谷物时实时检测其含水率,对联合收获机的喂入量进行实时控制、降低机械工作负载、保证收获谷物的脱粒质量,减少谷物损失具有重要的作用。因而,在联合收获机收获谷物时有效地实现水分含量的实时检测具有重要的实用价值。本文主要基于碧浪4LZ-2.8型全喂入式联合收获机,开展了机载式谷物水分近红外光谱检测系统原理样机的开发及其试验研究,包括实验室谷物水分含量的静态检测与谷物厚度对检测精度的影响研究、机载式谷物水分实时检测系统原理样机的设计以及谷物水分含量的动态检测研究等。主要的研究内容和研究结论为:(1)研究了谷物厚度对水分近红外光谱检测精度的影响并确定了最小检测厚度。首先,以两优688品种水稻为研究对象,对样本进行水分梯度的设置,使其变化区间控制在14～25%左右,并对所有样本进行了 6个不同检测厚度梯度下(φ100 mm器皿下的厚度分别为2 mm,5 mm,10 mm,15 mm,20 mm和50 mm,每个厚度梯度样本各100个)的近红外光谱检测。偏最小二乘回归(Partialleast squares regression,PLSR)建模分析结果表明,各个厚度梯度下水稻样本的水分含量预测效果均较满意,其预测相关系数rp分别为0.9838,0.9849,0.9845,0.9855,0.9896 和 0.9896;预测均方根误差(Root meansquare error of prediction,RMSE)分别为 0.5183%,0.4524%,0.4277%,0.4186%和 0.3836%。然后,开展了不同检测厚度梯度间的相互预测分析研究,确定了最小检测厚度。以2mm厚度(单层致密覆盖)的光谱数据作为PLSR建模分析的训练集,其余5个厚度梯度的光谱数据分别作为预测集进行预测分析,预测效果均较满意,rp分别为0.9754,0.9779,0.9748,0.9799 和 0.9782;AMSEP分别为 0.6502%,0.6312%,0.6386%,0.5738%和0.5777%;相对分析误差(Relative predictive deviation,RPD 分别为 4.0470,4.1709,4.1227,4.5859和4.4414。即当谷物厚度≥ 2 mm时,可满足谷物水分含量的近红外光谱检测分析,该厚度可作为谷物水分近红外光谱实时检测的最小厚度。(2)设计开发了机载式谷物品质实时检测系统原理样机。基于碧浪4LZ-2.8型全喂入式联合收获机,开发了可安装于联合收获机粮箱出口并作为卸粮装置的机载式谷物水分近红外光谱实时检测系统原理样机。根据谷物近红外光谱漫反射检测方法设计了倾斜式自清洁的谷物检测通道,并通过谷物籽粒的受力分析确定了谷物检测通道的倾斜角度,开发了基于悬臂梁传感器的光谱仪采集触发单元以及控制系统单元等,完成了样机整体结构的设计与试制。(3)研究了谷物水分的近红外光谱实时检测分析。在机载式谷物品质实时检测系统原理样机上完成了两次独立的谷物水分含量动态检测实验。首先,以两优688品种水稻为研究对象,设置样本水分含量梯度(共100个样本,分33个水分含量梯度,每3个样本为1个水分含量梯度,其中49～52#这四个样本为1个水分含量梯度),在样机上完成样本的动态近红外光谱检测,结合样本水分含量的理化参考值进行PLSR建模分析,模型的预测效果较好,其结果为rp=0.9783,RMSEP= 0.8278%,RPD= 4.3509;然后,将该模型导入光谱仪操作软件中进行验证测试,设置样本水分含量梯度(共97个样本,分32个水分含量梯度,每3个样本为1个水分含量梯度,其中46～49#这四个样本为1个水分含量梯度),完成样本水分含量的在线近红外光谱实时验证实验,与理化参考值进行误差分析,结果表明预测值的均方根误差为RMSE= 0.5663%,相对误差的平均值为2.3%,满足谷物水分在线检测的精度要求。证明了该检测系统与建模方法的可靠性以及模型的有效性,可应用于两优688品种水稻水分含量的在线近红外光谱实时检测。
【学位单位】：浙江大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：O657.33;S225.3
【文章目录】：
致谢
摘要
Abstract
符号列表
第一章 绪论
    1.1 课题研究背景与意义
        1.1.1 我国谷物的发展现状
        1.1.2 谷物水分含量检测的意义
    1.2 无损检测技术在谷物品质检测上的应用
        1.2.1 常见的无损检测技术
        1.2.2 近红外光谱检测技术的基本原理与分析流程
    1.3 谷物品质检测的国内外研究现状
        1.3.1 介电特性检测技术的应用研究现状
        1.3.2 近红外光谱检测技术的应用研究现状
    1.4 课题来源和主要研究内容
        1.4.1 课题来源
        1.4.2 课题主要研究内容
        1.4.3 技术路线图
    1.5 本章小结
第二章 实验仪器、材料和方法
    2.1 主要实验仪器
        2.1.1 光谱仪简介
        2.1.2 理化分析仪简介
    2.2 软件介绍
        2.2.1 InProcess软件介绍
        2.2.2 GRAMS Suite软件介绍
        2.2.3 TQ Analyst软件介绍
        2.2.4 MATLAB软件介绍
    2.3 实验材料
    2.4 数据处理分析方法
        2.4.1 光谱预处理方法
        2.4.2 异常样本判别方法
        2.4.3 样本集划分方法
        2.4.4 定量模型评价方法
    2.5 本章小结
第三章 谷物厚度对水分近红外光谱检测精度的影响研究
    3.1 引言
    3.2 谷物水分含量静态检测实验研究
        3.2.1 样本预处理
        3.2.2 近红外光谱采集与理化实验
        3.2.3 异常样本剔除
        3.2.4 光谱预处理
        3.2.5 样本集划分
        3.2.6 谷物水分含量的PLSR建模分析
    3.3 谷物水分含量最小检测厚度研究
        3.3.1 实验方法
        3.3.2 谷物水分含量最小检测厚度的确定及结果讨论
    3.4 本章小结
第四章 机载式谷物品质实时检测系统原理样机的设计
    4.1 引言
    4.2 机载式谷物品质实时检测系统原理样机的结构设计
        4.2.1 机载式谷物品质实时检测系统原理样机的整体结构
        4.2.2 谷物检测通道
        4.2.3 光谱仪采集触发单元
        4.2.4 光谱仪检测单元
        4.2.5 控制系统单元
        4.2.6 粮箱单元
    4.3 机载式谷物品质实时动态检测方法
    4.4 本章小结
第五章 谷物水分含量动态检测模型研究
    5.1 引言
    5.2 谷物水分含量动态检测模型的建立
        5.2.1 样本预处理
        5.2.2 近红外光谱采集与理化实验
        5.2.3 建模预处理
        5.2.4 谷物水分含量的PLSR建模分析
    5.3 谷物水分含量动态检测模型的验证分析
        5.3.1 样本预处理
        5.3.2 谷物水分含量动态检测验证与理化实验
        5.3.3 谷物水分含量动态检测模型验证
    5.4 本章小结
第六章 总结与展望
    6.1 主要研究结论
    6.2 主要创新点
    6.3 进一步研究展望
参考文献
作者简历

【相似文献】

相关期刊论文 前10条

1 牛红兵;;无线机载式甲烷断电仪在司马煤矿的应用[J];煤;2016年10期

2 李剑锋;矿用机载式瓦斯报警断电仪诞生[J];工业安全与防尘;1999年05期

3 薛峰;徐锁庚;;机载式除尘风机的研究与探讨[J];能源技术与管理;2007年06期

4 杨希培;朱连杰;;机载式液压前探梁在综掘巷道的应用[J];神华科技;2015年05期

5 曾永;刘超;;采煤机机载式变频器的谐波干扰与抑制[J];内蒙古煤炭经济;2013年08期

6 杜贻晶;顾颖诗;苏显明;;机载式临时支护装置在济宁二号煤矿的应用[J];煤矿现代化;2010年02期

7 ;AJWD-A型矿用机载式瓦斯报警断电仪[J];徐煤科技;1997年04期

8 邢李涛;;综掘机载式临时护顶装置在煤矿的应用[J];科技情报开发与经济;2009年34期

9 徐锁庚;;综掘工作面机载式临时护顶机的设计研究[J];煤矿机械;2008年05期

10 张庆栋;;锚杆钻车机载式临时支护在成庄矿的应用探讨[J];机械研究与应用;2017年03期

相关硕士学位论文 前3条

1 杨盛杰;机载式谷物水分近红外光谱检测系统原理样机开发与试验研究[D];浙江大学;2018年

2 周康韵;基于光谱与视觉图像的机载式油菜生长信息检测统研究[D];浙江大学;2011年

3 王波;无人机机载式冠层反射光谱测量平台的设计与实现[D];南京农业大学;2016年

本文编号：2854175