摘要：利用OM-8650电子拉力试验机测定了北方寒地水稻（Oryza sativa）与机械化收获有关的生物参数，通过试验测得的参数（子粒的长、宽、厚、含水率等）检测水稻的机械特性指标（子粒连接力）建立BP神经网络模型，来确定网络的拓扑结构，并训练建立的BP神经网络。结果表明，通过网络训练可以确定出收获脱粒的最佳时间和脱粒元件。
关键词：寒地水稻（Oryza sativa）；连接力；脱粒；含水率；BP神经网络
中图分类号：S347.1 文献标识码：A 文章编号：0439-8114（2014）22-5545-03
水稻（Oryza sativa）生产在粮食生产中占有不可替代的地位，黑龙江省垦区稻作区地处北纬43度以北、地处冻土带的寒地稻作区，是我国最北部的寒冷稻作区。所谓寒地，是指冬季冻土层厚度达到1 m以上的区域，农作物生育期短，收获的季节正好是秋季，气温变低，水稻成熟后茎秆和子粒含水率大、脱水较慢，适宜收获期短，有时还要受到秋涝、倒伏、早霜后突降大雪等多种灾害的危害[1，2]。这样就要求尽可能在霜前进行收获，水稻因后熟作用米质好，商品价值高，有利于收获后的整地。因此，大力提倡发展水稻生产的机械化，可以减少自然灾害对粮食造成的损失，降低生产成本，提高农民的生产收益[3-5]。
本研究针对北方寒地水稻收获季节短等特殊的生态环境，通过试验装置对寒地水稻的力学性能进行研究，同时研究了影响水稻含水率及穗头子粒之间连接力的影响因素，以便更好地确定出收获脱粒的最佳时间和为脱粒元件的选择和脱粒系统装置的设计奠定基础。
1 材料与方法
1.1 材料
本试验采用黑龙江农垦总局八五七农场科技园的垦鉴稻6号水稻品种，均为移栽，田地条件、施肥量、田间管理等基本相似。试验时间为2010年5月，由于高温使所有的水稻的主茎叶都比正常时的水稻少一片叶。
1.2 方法
1.2.1 子粒与粒柄连接力的测定 将同一品种的田块近似看作一个四边形区域，分别取四边形4个顶点和对角线交点作为5个取样点，在每个取样点分别取一棵，再从中取一单株测试，尽量避免人为等因素对试验结果的影响。试验在OM-8650电子拉力试验机上进行，该拉力机可对水稻主茎秆、枝梗以及子粒进行拉伸等力学试验和分析，根据要求配置不同的夹具和指针。拉伸力度：50 kg、最大行程（不含夹具）：250 mm，由计算机进行采集和处理试验过程中数据的采集、处理。试验对象的受力方向为0°（逆轴线方向）与180°（沿轴线方向），如图1和图2所示。由于水稻穗头在脱粒滚筒中进行脱粒的时候，大部分子粒的受力方向都是沿着穗头轴线方向，即打击力的方向与水稻穗头轴线成180°角，为此减少试验的重复性，试验过程中试验的受力角度为180°。测定每个小枝梗上的各子粒与粒柄的连接力，将其平均值作为整个植株的子粒与粒柄的连接力。
1.2.2 子粒与粒柄含水率的测定 通过电热恒温鼓风干燥箱烘干子粒，并称其质量，通过公式计算出子粒的含水率。利用DPS（Data processing system）数据处理系统软件，建立子粒与粒柄间连接力同含水率之间的回归方程，分析单因素含水率同连接力之间的关系。利用BP神经网络模型，分析水稻的特性指标参数（枝梗的直径、枝梗的长度、子粒的长、宽、厚、含水率等）多个因素对子粒与粒柄间的连接力的影响。
2 不同含水率下连接力的测定
不同含水率下子粒与粒柄之间的连接力结果见表1。运用DPS数据处理系统软件对垦鉴稻6号的水稻建立子粒与粒柄间连接力同含水率之间的回归方程：y=2.656 0-0.111 006x+0.001 152x2+0.000 067x3，R2=0.999 0。
经检验，回归方程的显著水平P=0.04
3 基于BP神经网络模型测定连接力
由于子粒与粒柄间的连接力对脱粒滚筒功耗和脱粒带柄率影响较大，连接力越小，功耗越小，脱粒带柄率越低，损失越小。考虑以上因素故此选择枝梗的直径、枝梗的长度、子粒的长、宽、厚、含水率作为输入，子粒与粒柄间的连接力作为输出。本研究以影响水稻粒穗连接力的机械特性指标为例，输入层的节点数为6，输出层的节点数为1，分别对水稻的特性指标参数（枝梗的直径、枝梗的长度、子粒的长、宽、厚、含水率等），子粒与粒柄间的连接力建立神经网络模型[8]。隐含层节点数为12个，隐含层神经元的激活函数选用tansig（）函数，输出层的激活函数选用purelin函数，选择Levenberg-Marquart（L-M）优化算法[9-11]。
系统的参数设置：通过函数train（）对已生成的网络进行训练学习，学习步长设为500周期，目标误差设为0.001，学习速率设为0.05并每隔20步显示一次结果。对表2提供的样本数据进行训练。神经网络的结构如图4所示。
取20组试验样本数据作为训练样本，利用建立好的BP神经网络进行学习，结果BP神经网络训练的平方和误差开始时下降速度特别快，随后下降变得很平缓。当步长达到16次的时候，输出层的标准误差就达到1×10-3，满足训练参数中目标误差的要求（图5）。
网络训练后，用5组非样本数据对所建立的神经网络进行检测，将输入数据送给神经网络得出的结果与实际测得数据进行比较，来验证所建模型的合理性。表3为网络模型实际测量值与预测值之间对比结果。从表3中可以看出，从这5组非样本数据和预测值对比来看，实测值与预测值之间相对误差在5%以下，说明该神经网络检测效果很好，BP网络神经有效的训练后应用于水稻子粒与粒柄间的连接力预测具有较高的预测精度和良好的泛化能力。 4 小结
本研究对北方寒地水稻收获季节短等特影响因素进行了研究，以便更好地确定出收获脱粒的最佳时间和为脱粒元件的选择和脱粒系统的设计奠定基础。利用Matlab的神经网络工具箱建立水稻子粒连接力的BP网络模型。结果表明，①从单因素出发，运用回归分析的方法，利用DPS数据处理软件建立了含水率同主茎秆与枝梗间、枝梗与粒柄间以及子粒与粒柄间的连接力之间的关系模型。结果表明，模型的拟合程度非常高，能够有效地表达含水率与连接力间的关系。②从多因素出发，建立水稻粒穗连接力的检测模型。用试验所测得生物特性指标为输入、子粒与粒柄间的连接力为输出确定网络的拓扑结构，并训练建立的BP网络结构。用5组实测数据来验证该神经网络的合理性，模型的实测值与预测值的相对误差在5%以下，满足精度的要求。仿真结果表明该神经网络能有效的预测水稻穗头连接力。
参考文献：
[1] 谢方平，罗锡文，汤楚宙，等.水稻粒穗分离力的研究[J].湖南农业大学学报，2004，30（5）：469-471.
[2] 李耀明，孙夕龙，徐立章，等.水稻穗头连接力的试验与分析[J].江苏大学学报（自然科学版），2008，29（2）：97-100.
[3] 李耀明，王显仁，徐立章，等.水稻谷粒的挤压力学性能研究[J].农业机械学报，2007，38（11）：56-59.
[4] 徐立章，李耀明，李洪昌.水稻谷粒脱粒损伤的影响因素分析[J].农业机械学报，2008，39（12）：55-59.
[5] 孙夕龙.水稻脱粒带柄率的影响因素与分析[D].江苏镇江：江苏大学，2007.
[6] 唐启义，冯明光.实用统计分析及其DPS数据处理系统[M].北京：科学出版社，2002.
[7] 吴仕勇.基于数值计算方法的BP神经网络及遗传算法的优化研究[D].昆明：云南师范大学，2006.
[8] 从 爽. 面向MATLAB工具箱的神经网络理论与应用[M].合肥：中国科学技术大学出版社，2009.
[9] 张意德.基于GA与BP结合的算法研究及其在联合收获机械脱粒性能建模中的应用[D].合肥：安徽农业大学，2002.
[10] 汪小芳.基于人工神经网络利用机械特性检测苹果品质方法的研究[D].武汉：华中农业大学，2006.
[11] 张立明.人工神经网络的模型及应用[M].上海：复旦大学出版社，1993.
