✨ 长期致力于大蒜、在线切根、切割高度控制、收获、目标检测研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅ 如需沟通交流，点击《获取方式》

（1）双光谱融合的鳞茎边界检测与切割线动态回归：

针对田间大蒜鳞茎与蒜秧颜色相近导致传统RGB图像分割困难的问题，设计了一种近红外-可见光双光谱融合检测网络，命名为IR-RGB-FusionYOLO。该网络采用双流结构，可见光分支使用MobileNetV3作为骨干提取纹理特征，近红外分支使用ShuffleNetV2提取反射强度特征，两分支的特征图经过注意力融合模块（包含通道注意力与空间注意力）进行加权融合。融合后的特征输入到三个检测头，分别负责鳞茎中心点、鳞茎宽度以及切割参考线的偏移量回归。训练数据集包含5600张标注图像，其中3000张来自晴天自然光照，2600张来自阴天或弱光条件，所有图像均配准了对应的近红外通道数据。标签定义中，切割线位置为鳞茎底部向上6mm处，标注为关键点坐标。损失函数采用CIoU损失与关键点偏移L1损失加权组合，权重系数分别为0.7和0.3。在测试集上的平均精度AP@0.5达到94.2%，切割线位置预测的平均绝对误差仅为1.24像素（对应实际距离0.31mm）。相比单可见光YOLOv5，误检率降低了41%，特别是在蒜秧缠绕严重的情况下，IR通道能有效穿透遮挡。在Jetson Xavier NX平台上，模型推理速度为28帧/秒，满足在线切根的实时性要求。

（2）自适应切割高度模糊PID控制器与夹持速比优化：

为实现切根过程中圆盘刀随鳞茎底部轮廓起伏而动态调整高度，设计了一种基于模糊PID的自适应切割高度控制器，命名为Fuzzy-Height-PID。控制器的输入量包括目标切割线与实际切割线之间的误差e（单位mm）以及误差变化率ec（mm/s），输出量为步进电机的位置修正值Δu。模糊规则表共49条，采用三角形隶属函数，e的论域为[-5,5]mm，ec的论域为[-3,3]mm/s。模糊推理采用Mamdani法，解模糊用重心法。传统PID的初始参数经Ziegler-Nichols法整定为Kp=2.5，Ki=0.3，Kd=0.8，模糊控制器动态调整这三个参数的增量因子。此外，对输送系统进行了运动学建模：夹持输送链速比为1:1.2（主动轮与从动轮线速度差），拨指链速比设为1:0.85。建立输送速比计算方程v_clamp = ω_c * r_c，v_finger = ω_f * r_f，要求v_clamp / v_finger在1.1到1.3之间以保证蒜株在切割前被拉直。通过台架试验优选出速比1.18，此时蒜株俯仰角变化小于3度。在响应测试中，当切割线参考值阶跃变化5mm时，Fuzzy-Height-PID的调节时间为0.22秒，超调量8%，而常规PID则需要0.45秒且超调17%。

（3）基于孪生网络的在线切根质量实时评估与自修正策略：

由于田间环境复杂，切割刀片磨损、蒜头形状变异等因素会导致切根质量下降，因此设计了一个轻量级孪生质量评估网络Siamese-QE。该网络接收切割后的蒜头侧视图像（128x128像素）以及一个参考模板图像（完美切割样例），输出两个分支的特征相似度，并预测三个质量指标：余根长度、切面平整度、鳞茎损伤概率。训练时，将质量指标分为优、良、差三级，共使用18000张带标注图像。对于预测为“差”的样本，系统触发自修正流程：首先调整切割线偏移量（累加+0.5mm或-0.5mm），然后记录该偏移量下的后续10次切割质量，若平均质量评分提升则保持偏移方向，否则反向调整。同时，为了应对刀片磨损导致的切割力变化，在圆盘刀驱动轴上集成一个应变式扭矩传感器，当扭矩波动超过初始值的15%时，系统自动增加步进电机的下压力（从默认的12N逐步提升至18N）。在一台自走式大蒜联合收获机上进行了田间试验，共收割2亩大蒜。试验分为两组：启用在线质量评估与自修正组（实验组）和固定参数组（对照组）。实验组共处理2760头大蒜，余根平均长度为2.3mm（标准差0.8mm），鳞茎切伤率1.2%，漏切率0.6%；对照组余根平均长度4.7mm（标准差2.1mm），切伤率4.5%，漏切率2.8%。实验组的表现优于国家标准中关于切根质量的一等品要求。此外，自修正策略在运行约200次切割后自适应地将切割线下移了1.2mm，补偿了刀片磨损的影响。

import torch
import torch.nn as nn
import torch.nn.functional as F
import cv2
import numpy as np

class SiameseQE(nn.Module):
    def __init__(self, embedding_dim=64):
        super().__init__()
        self.encoder = nn.Sequential(
            nn.Conv2d(3, 32, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),
            nn.Conv2d(64, 128, 3, padding=1), nn.ReLU(), nn.AdaptiveAvgPool2d(1),
            nn.Flatten(), nn.Linear(128, embedding_dim)
        )
        self.fc_reg = nn.Linear(embedding_dim*2, 3)  # 回归三个质量指标
    def forward(self, img, template):
        feat_img = self.encoder(img)
        feat_temp = self.encoder(template)
        concat = torch.cat([feat_img, feat_temp], dim=1)
        quality = self.fc_reg(concat)
        return quality  # [余长, 平整度, 损伤概率]

# 模糊PID控制器类（简化版）
class FuzzyPID:
    def __init__(self, kp, ki, kd):
        self.kp, self.ki, self.kd = kp, ki, kd
        self.integral = 0
        self.prev_error = 0
    def fuzzify(self, e, ec):
        # 简化模糊规则：e和ec的隶属函数三角形
        u = self.kp * e + self.ki * self.integral + self.kd * ec
        # 模糊调整（实际实现需要查表，此处示意）
        delta_kp = 0.2 * (1 if e*ec>0 else -0.5)
        delta_kd = 0.05 * abs(ec)
        self.kp += delta_kp
        self.kd = max(0.1, self.kd + delta_kd)
        return u
    def update(self, e, dt=0.02):
        ec = (e - self.prev_error) / dt
        u = self.fuzzify(e, ec)
        self.integral += e * dt
        self.integral = np.clip(self.integral, -10, 10)
        self.prev_error = e
        return u

# 质量自修正循环模拟
qe_model = SiameseQE()
qe_model.load_state_dict(torch.load('siamese_qe.pth'))
qe_model.eval()
offset_mm = 0.0
quality_buffer = []
for cut_idx in range(500):
    # 采集图像（模拟）
    img = torch.randn(1,3,128,128)
    template = torch.randn(1,3,128,128)
    with torch.no_grad():
        q = qe_model(img, template)[0].numpy()  # [余长,平整度,损伤]
    score = 1.0 - (q[0]/10.0 + q[2])/2  # 综合评分
    quality_buffer.append(score)
    if cut_idx % 10 == 9 and np.mean(quality_buffer) < 0.7:
        # 触发自修正
        offset_mm += 0.5 if np.mean(quality_buffer[-10:]) < np.mean(quality_buffer[-20:-10]) else -0.5
        print(f'调整切割偏移: {offset_mm:.1f}mm')
        quality_buffer = []
    # 应用偏移到PID控制器（略）