融合远端深度学习识别模型的白菜株心精准对靶喷雾系统OACSTPCD

[目的/意义]针对白菜株心及其内叶叶缘对靶喷施钙素等药剂时,喷雾前进速度的提升导致单位时间内覆盖的有效喷施面积和农药喷雾量的变化这一问题,设计了一套基于深度学习的对靶喷雾控制系统。[方法]首先,阐述了对靶喷雾控制系统的结构及工作原理。其次,对通用YOLOv8模型进行了改进,提出了一种融合远端识别、喷雾机前进速度和喷雾响应频率的YOLOv8-Ghost-Backbone轻量化模型。通过Jetson Xavier NX控制器,搭载轻量化YOLOv8-Ghost-Backbone模型,设计了稳压执行单元和对靶控制单元,并通过间歇喷雾试验对系统性能进行测试。试验期间,逐步提高喷雾平台前进速度,根据电磁阀响应频率得到对应喷嘴的喷雾量。[结果/结论]记录了对靶喷雾系统3个主要部分的响应时间:图像处理平均耗时为29.50 ms,决策信号传递耗时为6.40 ms,喷雾过程耗时为88.83 ms,综合分析表明,对靶喷雾的总响应时间相较于电信号滞后约124.73 ms。通过补偿电磁阀响应滞后时间与获取试验,得出电磁喷雾响应补偿后的实际喷雾与需求的差异值,确定速度为7.2 km/h的条件下,对应的实际与需求差值为0.01 L/min,其差值最小,符合对靶喷雾的作业要求。[结论]本研究可为对靶施药机器人在喷雾系统中的应用和参数选择提供参考。