苹果产业作为苹果主产区经济发展的支柱产业，为当地果农增收、农业增效做出了重要贡献。随着产业的转型升级，苹果生产机械化和智能化的发展程度将影响其经济效益。为推进苹果生产智能化技术研究与智能装备研发，本文概述了苹果生产各个环节机械化水平，阐述了动力底盘、除草装备、收获装备等苹果生产装备主要技术特点，归纳了自动调平与控制、自主导航、自动避障、杂草识别、杂草去除、苹果识别、苹果定位、苹果分离等技术分别在智能化动力底盘、智能除草装备、苹果采收机器人上的研究与应用进展，并阐明了上述3种智能装备关键技术的基本原理和特点。在此基础上，指出了目前苹果生产智能装备技术面临的挑战，并提出了发展建议。
传统果园生产中面临着人口老龄化带来的劳动力短缺、农机作业装备与生产资料管理困难、生产效率低下等问题，通过建设融合物联网、大数据、装备智能化等技术的智慧果园，可有望解决上述问题。为应对北京市农业现代化建设需求、引领中国农业发展方向，基于桃、梨果园全程机械化、智能化管理等目标，本研究在北京市重要的桃、梨等优势果品产区——平谷区峪口镇西营村构建了约30 hm2梨与桃的智慧果园。果园中应用了10多种病、虫、水、肥、药的各类信息获取传感器，装备了28种机械化、智能化技术支持的农机装备，采用的关键技术包括智能信息获取系统、水肥一体管理系统以及病虫害智能管理系统，智能作业装备系统包括无人驾驶割草机、智能防冻机、开沟施肥机、自动驾驶履带智能仿形变量喷雾机、六旋翼枝向对靶无人机、多功能采摘平台以及整理修剪机等。同时，在果园中还构建了智能管理平台。经比较发现，智慧果园生产模式可减少人工成本50%以上，节省农药用量30%～40%、肥料用量25%～35%、灌溉用水量60%～70%，综合经济效益提升32.5%。智慧果园的推广实施将进一步推动中国果业生产水平的提高，促进中国智慧农业的发展。
针对果园管理数字化程度低、构建方法较为单一等问题，本研究提出了一种基于激光点云的三维虚拟果园构建方法。首先采用手持式三维点云采集设备（3D-BOX）结合即时定位与地图构建-激光测距与测绘（Simultaneous Localization and Mapping-Lidar Odometry and Mapping，SLAM-LOAM）算法获取果园点云数据集；然后通过统计滤波算法完成点云数据离群点与噪声点的去除，并结合布料模拟算法（Cloth Simulation Filtering，CSF）与DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法，实现地面去除与果树聚类分割，进而使用VoxelGrid滤波器降采样；最后利用Unity3D引擎，构建虚拟果园漫游场景，将作业机械的实时GPS（Global Positioning System）数据从WGS-84坐标系转换为高斯投影平面坐标系，并通过LineRenderer显示实时轨迹，实现作业机械运动轨迹控制与作业轨迹的可视化展示。为验证虚拟果园构建方法的有效性，在海棠果园与芒果园开展果园构建方法测试。结果表明，所提出的点云数据处理方法对海棠果树与芒果树聚类分割的准确率分别达到了95.3%与98.2%；通过与实际芒果园的果树行距、株距对比，虚拟芒果园的平均行间误差约为3.5%，平均株间误差约为6.6%。并且将Unity3D构建出的虚拟果园与实际果园相比，该方法能够有效复现果园三维实际情况，得到了较好的可视化效果，为果园的数字化建模与管理提供了一种技术方案。
为解决现代化果园水果收获过程中人工劳动强度大、作业效率低、配套机械匮乏等问题，结合果树矮砧宽行密植模式和农艺种植要求，本研究设计了一种自走式果园多工位收获装备。首先介绍了自走式果园多工位收获装备的整机结构和工作原理，然后根据“两侧、两高度、六工位”采摘作业模式，对履带自走式底盘、扩展作业平台、果实自动输送装箱及转运系统的关键部件进行了参数分析、计算与结构设计。田间试验结果表明，所设计的自走式果园多工位收获装备可同步于六工位人工采收速度，苹果采收损伤率为4.67％，装箱均布系数为1.475，装箱速度为72.9个/min，能够满足果园采收作业要求。
为解决芒果园传统植保作业中农药用量大、施药不均匀、作业效率低等问题，并构建智慧芒果园，本研究对比了地面弥雾机和六旋翼植保无人机两种果园施药机具在芒果冠层中的药液雾滴沉积性能。将芒果冠层分为上中下层，以柠檬黄为示踪剂，使用高清相纸与滤纸采集药液雾滴，通过图像处理等手段分析雾滴沉积分布均匀性。试验结果表明，植保无人机在芒果树上部冠层叶片表面的雾滴覆盖率显著高于地面弥雾机，在其余冠层部位，两种施药机具在叶片表面药液无显著差异覆盖；植保无人机处理组叶片正反面平均覆盖率均为地面弥雾机的1.5~2倍，对叶片背面的防治优于地面弥雾机。地面弥雾机处理组叶片正面雾滴密度显著高于植保无人机，叶片背面无显著差异，植保无人机处理组正反面均未满足低量喷雾20个/cm2的病虫害防治要求。地面弥雾机药液沉积集中在中下冠层（61.1%），植保无人机集中在上部冠层（43.0%），冠层内部沉积比例地面弥雾机（48.6%）＞植保无人机（25.5%），但地面弥雾机在冠层上部沉积能力不足，沉积占比仅为17%。研究表明，相较于植保无人机，地面弥雾机适用于芒果冠层中下部及内部病虫害防治，同时该机具较高的雾滴覆盖密度在喷洒杀菌剂时也有明显优势，植保无人机适用于针对芒果上部冠层如蓟马、炭疽等易发于外部花絮的病虫害防治。
为同时实现果园智能植保机自主导航及自动对靶喷雾，研制了一种果园自主导航兼自动对靶喷雾机器人。首先采用单个3D LiDAR（Light Detection and Ranging）采集果树信息确定兴趣区（Region of Interest，ROI），对ROI内点云进行2D化处理得到果树质心坐标，通过随机一致性（Random Sample Consensus，RANSAC）算法得到果树行线，并确定果树行中间线（导航线），进而控制机器人沿导航线行驶。通过编码器及惯性测量单元（Inertial Measurement Unit，IMU）确定机体速度及位置，IMU矫正采集到的果树分区冠层信息，最后通过程序判断分区冠层的有无控制喷头是否喷雾。结果表明，机器人自主导航时最大横向定位偏差为21.8 cm，最大航向偏角为4.02°，相比于传统连续喷雾机施药液量、空中漂移量及地面流失量分别减少20.06%、38.68%及51.40%。本研究通过单个3D LiDAR、编码器及IMU在保证喷雾效果的前提下，实现了喷雾机器人自主导航及自动对靶喷雾，降低了农药使用量及飘失量。
针对果园多风道喷雾机内部气流分布不均导致由出风口吹出的气流紊乱、影响使雾滴在果树冠层上均匀沉积的问题，对多风道喷雾机内部导流板长度参数进行了优化。应用计算流体动力学（Computational Fluid Dynamics，CFD）技术，基于Star-CCM+软件对喷雾机送风系统内部气流进行了模拟分析，得到出风口1~6的风速在不同导流板长度的标准差分别为0.7468、0.6776、1.4441、5.1305、4.5768和0.8209。对风速标准差较大的出风口3、出风口4、出风口5进行响应面分析，最终确定导流板1长度200.00 mm、导流板2长度60.00 mm、导流板3长度50.00 mm为最优参数组合。在最优组合参数下，计算得到对称出风口3和出风口6的风速值分别为39.135和41.320 m/s，相对偏差为5.58%；出风口4和出风口5的风速值分别为33.022和34.328 m/s，相对偏差为3.95%，符合设计要求。室内风速试验结果表明，在距离喷雾机出风口1.25 m处，风场风速由上层到下层逐渐增大，实现风场按果树冠层形状分布，喷雾机左右两侧风场对称分布，气流分布均匀。果园多风道喷雾机设计满足要求，可为同类设计提供参考。
基于管道的自动喷雾技术及设施可以解决山地果园植保作业中喷雾作业效率低、劳动强度大、移动式喷雾机械难以进入的问题。本研究设计了适用于山地果园的管道自动喷雾系统，主要包括喷雾首部、喷雾管道、自动喷雾控制器及喷雾小组等结构，计算了山地果园管道药液压力损失，研制了自动喷雾控制器，并开发了控制程序。喷雾作业时，喷雾首部将药液经管道引入果园，利用自动喷雾控制器控制电磁阀，逐次打开或关闭喷雾小组，实现手动控制或自动控制喷雾。为确定电磁阀持续开通时间，进行了喷雾有效性试验。结果表明，控制喷雾小组的电磁阀持续开通8 s即可保证喷雾的有效性；采用这种管道自动喷雾设施的喷雾作业效率为2.61 hm2/h，与人工喷雾相比，提高了喷雾作业的效率。本研究可为山地果园的喷雾技术及智能施药设施的研发提供参考和思路。
黄土高原近20年来苹果栽植面积迅猛增加，对区域生态水文和社会经济发展均产生了重要影响。但该区域果园地块小且场景复杂，仅有县/市尺度统计数据，尚无苹果园实际的空间分布信息。为此，本研究建立了无人机低空遥感影像专业数据集。融合迁移学习与深度学习方法，将残差神经网络ResNet34网络迁移到Linknet网络，得到R_34_Linknet网络。将R_34_Linknet网络与5种常用的深度学习语义分割模型SegNet、FCN_8s、DeeplabV3+、UNet和Linknet应用于黄土高原苹果园空间分布提取，表现最好的模型为R_34_Linknet，其在测试集上的调和平均值F1为87.1%，像素准确度PA为92.3%，均交并比MIoU为81.2%，频权交并比FWIoU为85.7%，平均像素准确度MPA为89.6%。将空间金字塔池化结构（Atrous Spatial Pyramid Pooling，ASPP）与R_34_Linknet网络相结合，扩大网络的感受野，得到R_34_Linknet_ASPP网络；然后对ASPP结构进行改进，得到R_34_Linknet_ASPP+网络。对比三种网络性能，表现最优的为R_34_Linknet_ASPP+，在测试集上F1为86.3%，PA为94.7%，MIoU为82.7%，FWIoU为89.0%，MPA为92.3%。使用R_34_Linknet_ASPP+在长武县王东沟和白水县通积村提取苹果园面积精度分别为94.22%和95.66%。本研究提出的R_34_Linknet_ASPP+方法提取到的苹果园更加准确，苹果园地块边缘处效果更好，可作为黄土高原苹果园空间分布制图等研究的技术支撑和理论依据。
疏花是梨生产中的重要农艺措施，机械化智能疏花是当今高速发展的疏花方式，花朵与花苞的分类与检测是保证疏花机器正常工作的基本要求。本研究针对目前梨园智能化生产中出现的梨树花序检测与分类问题，提出了一种基于改进YOLOv5s的水平棚架梨园花序识别算法Ghost-YOLOv5s-BiFPN。通过对田间采集的梨树花苞与花朵图像进行标注与数据扩充后送入算法进行训练得到检测模型。Ghost-YOLOv5s-BiFPN运用加权双向特征金字塔网络（Bi-directional Feature Pyramid Network，BiFPN）替换原始的路径聚合网络（Path Aggregation Network，PAN）结构，对网络提取的不同尺寸目标特征进行有效的融合。同时运用Ghost模块替换传统卷积，在不降低准确度的同时减少模型参数量和提升设备运行效率。田间试验结果表明，改进的Ghost-YOLOv5s-BiFPN算法对梨树花序中花苞与花朵的检测精度分别为93.2%和89.4%，两种目标平均精度为91.3%，检测单张图像时间为29 ms，模型大小为7.62 M。相比于原始YOLOv5s算法，检测精度与召回度分别提升了4.2%和2.7%，检测时间和模型参数量分别降低了9 ms和46.6%。本研究提出的算法可对梨树花苞与花朵进行精确的识别和分类，为后续梨园智能化疏花的实现提供技术支持。
自然环境下果实的精准检测是火龙果采摘机器人执行采摘作业的先决条件。为提高自然环境下果实识别的精确性、鲁棒性和检测效率，本研究对YOLOX（You Only Look Once X）网络进行改进，提出了一种含有注意力模块的目标检测方法。为便于在嵌入式设备上部署，本方法以YOLOX-Nano网络为基准，将卷积注意力模块（Convolutional Block Attention Module，CBAM）添加到YOLOX-Nano的主干特征提取网络中，通过为主干网络提取到不同尺度的特征层分配权重系数来学习不同通道间特征的相关性，加强网络深层信息的传递，降低自然环境背景下对火龙果识别的干扰。对该方法进行性能评估和对比试验，经过训练后，该火龙果目标检测网络在测试集的AP0.5值为98.9%，AP0.5:0.95的值为72.4%。在相同试验条件下对比其它YOLO网络模型，该方法平均检测精度分别超越YOLOv3、YOLOv4-Tiny和YOLOv5-S模型26.2%、9.8%和7.9%。最后对不同分辨率的火龙果果园自然环境下采集的视频进行实时测试。试验结果表明，本研究提出的改进YOLOX-Nano目标检测方法，每帧平均检测时间为21.72 ms，F1值为0.99，模型大小仅3.76 MB，检测速度、检测精度和模型大小满足自然环境下火龙果采摘的技术要求。
为满足苹果内部品质产地检测分级需求，本研究研发出检测模块和分级模块，构成可移动式苹果内部品质果园产地分级系统。在此系统的基础上，以苹果糖度和霉心病为代表品质指标，提出一种基于乘法效应消除（Multiplicative Effect Elimination，MEE）的光谱校正方法，用于消除苹果物理属性差异导致的有效光程变化对光谱的影响。利用该系统获取苹果600~900 nm漫透射光谱数据，分别采用多元散射校正（Multiple Scattering Correction，MSC）、标准正态变量变换（Standard Normal Variate Transform，SNV）和MEE算法对苹果光谱预处理后，建立糖度偏最小二乘回归（Partial Least Squares Regression， PLSR）预测模型和霉心病偏最小二乘判别（Partial Least Squares - Discriminant Analysis，PLS-DA）模型。结果表明，MEE算法相比于MSC和SNV算法建模结果更好，糖度预测模型的校正集相关系数（Rc）、校正集均方根误差（Root Mean Square Error of Calibration，RMSEC）、预测集相关系数（Rp）和预测集均方根误差（Root Mean Square Error of Prediction，RMSEP）分别为0.959、0.430%、0.929和0.592%；霉心病判别模型的校正集敏感性、校正集特异性、校正集准确率、预测集敏感性、预测集特异性和预测集准确率分别为98.33%、96.67%、97.50%、100.00%、90.00%和95.00%。将建立的最佳预测模型导入分级系统进行试验，结果表明该系统的分级准确率为90.00%，分级速度约3个/s。该系统具有成本低、结构简单、移动方便等优点，可以满足苹果内部品质果园产地检测分级需求。
草莓恶疫霉会引起草莓革腐病和冠腐病，影响草莓的经济效益，但感染恶疫霉早期植株没有明显的症状，无法被及时准确地诊断，因此迫切需要低成本诊断方法实现早期预防。草莓植株感染恶疫霉会释放一种独特的有机挥发性气体4-乙基苯酚，可作为该疾病快速诊断的标志性气体。本研究使用半导体单壁碳纳米管（Single-Wall Carbon Nanotube，SWNT）和场效应传感器（Field Effect Transistor，FET）制备半导体场效应气体传感器（SWNT/FET），进而修饰对4-乙基苯酚灵敏度高、选择性好的金属卟啉MnOEP获得MnOEP-SWNT/FET。通过拉曼光谱、紫外光谱、伏安分析法研究MnOEP-SWNT/FET，分析理化性能及优化检测条件，提高MnOEP-SWNT/FET对4-乙基苯酚的气体敏感性能。在最优检测条件下，MnOEP-SWNT/FET对0.25%~100%的4-乙基苯酚饱和蒸汽（20 ℃），检出限为0.15%的4-乙基苯酚饱和蒸气（S/N =3），测定不同浓度的相对标准误差低于10%。通过测定实际样本，表明MnOEP-SWNT/FET检测草莓健康植株会存在假阳性，但对感染恶疫霉的草莓植株有较高的检测精度。
