基于CR下界无偏能量估计的高炉料面点云锐化成像

高炉雷达获取的料面信息是钢铁冶炼中布料控制的重要参数.但高炉内部环境复杂, 料面具有非均匀流态化特性, 传统信号处理方法难以准确稳定提取料面有效信息, 会导致高炉布料误操作.本文借鉴遥感SAR雷达成像原理, 设计了工业SAR扫描式雷达, 多倍增加料面采样点密度, 提出一种新的料面点云锐化成像算法. 分析了高炉雷达料面回波信号干扰信号特征, 从图像处理角度, 设计多级滤波器对2D频谱图进行去噪处理分离出一条带状的料面回波信号区域. 对料面距离估计问题, 基于克拉美罗下界(Cramer-Rao lower bound, CRLB)提出一种先加权采样锐化料带峰脊再利用能量重心法估测料面距离频率的方法, 生成3D料面点云模型, 并利用CRLB评价本文算法性能.在恶劣条件下, 实测高炉雷达料面回波信号的点云成像验证显示, 本文方法优于传统寻峰法, 能有效处理低信噪比信号, 准确提取料面有效信息.同时料面距离频率估计精度更高, 且相较于其他方法频率估计误差更接近CRLB下界.     

基于机器视觉几何特征参数的大蒜根部尺寸预测

在出口大蒜的深加工工序中,如何精确快速地获取大蒜根部位置形状尺寸信息是实现自动化精准切须作业的关键步骤.以大蒜根部蒜胡的形状尺寸预测为研究目标,利用机器视觉技术提取大蒜的12个绝对形状特征建立大蒜特征训练集,通过建立回归预测模型,实现大蒜蒜胡周长的预测,并完成实验测试.测试结果表明,所建立的BP神经网络模型的预测值与实际值之间的平均绝对百分比误差为3.59%, SVR模型得到的平均绝对百分比误差为4.62%,两类预测模型均可实现对大蒜根部蒜胡周长的预测.     

LoRa的智能农业系统设计与实现

现阶段,我国农业智能化普遍采用ZigBee技术,但ZigBee由于通信频率较高、容易受到外界信号的干扰、传输距离短、网络结构复杂,无法保证传输的完整性、准确性、实用性和便捷性。针对ZigBee技术的短板,基于LoRa技术以及LoRa开放协议的智能农业系统设计成为农业生产者的理想选择。文章以LoRa技术作为支撑,设计了集低耗、高效、绿色于一体的智能化农业物联网系统。