孟志軍 劉淮玉 安曉飛 尹彥鑫 金誠謙 張安琪

(1.黑龍江八一農(nóng)墾大學(xué)工程學(xué)院， 大慶 163319； 2.國家農(nóng)業(yè)智能裝備工程技術(shù)研究中心， 北京 100097； 3.北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心， 北京 100097； 4.農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機(jī)械化研究所， 南京 210014)

0 引言

秸稈是農(nóng)業(yè)生產(chǎn)過程中重要的生物質(zhì)資源，其富含氮、磷、鉀、鎂、鈣等重要元素以及粗纖維和有機(jī)質(zhì)，是一種具有多用途的可再生生物資源，具有很大的利用價(jià)值。對秸稈資源的開發(fā)利用，不僅可有效改善人居環(huán)境，還能在一定程度上緩解全球能源緊缺的問題[1-2]。含水率是衡量秸稈品質(zhì)的重要指標(biāo)，含水率在一定程度上決定了秸稈的利用價(jià)值[3-5]。由于過去對其不夠重視及缺乏相關(guān)檢測技術(shù)，常造成不必要的經(jīng)濟(jì)損失和資源浪費(fèi)。因此，研究一種快速、準(zhǔn)確的小麥秸稈含水率檢測方法，對于秸稈資源的高效利用具有重要意義。

目前，應(yīng)用于秸稈含水率檢測的方法主要有電容法、電阻法、近紅外光譜法、微波法等?；什胚M(jìn)等[6]采用近紅外光譜技術(shù)結(jié)合LOCAL算法建立秸稈含水率(5.13%～20.44%)和熱值的近紅外光譜模型；FALBO[7]基于電阻法設(shè)計(jì)了平面極板式含水率在線檢測系統(tǒng)；萬舟等[8]基于微波法通過對微波的衰減量和相移量的測量可測得秸稈的水分含量；郭文川等[9]基于電容法探究秸稈含水率(10.6%～19.6%)、溫度(5～35℃)和容積密度(77.2～103.6 kg/m3)對輸出電容的影響；FONSECA等[10]采用近紅外光譜儀對秸稈含水率進(jìn)行檢測，研究表明旋轉(zhuǎn)掃描方法檢測精度更加穩(wěn)定。其中，電容法具有適應(yīng)性強(qiáng)、可靠性高、動態(tài)響應(yīng)性好和結(jié)構(gòu)簡單易維護(hù)等優(yōu)點(diǎn)[11]，是目前農(nóng)業(yè)物料含水率檢測的主要技術(shù)手段。

基于電容法的秸稈含水率檢測研究多考慮溫度、含水率對電容的影響，較少考慮容積密度因素，且已有模型多為線性模型[9]，存在容積密度適用上限低、含水率檢測范圍窄等問題。基于此，本文采用電容法原理，通過設(shè)計(jì)電容采集裝置，使用LCR數(shù)字電橋采集不同含水率小麥秸稈在不同頻率、不同容積密度與不同溫度下的電容數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)結(jié)合特征頻率篩選算法構(gòu)建秸稈含水率定量分析模型，并引入麻雀搜索算法(SSA)對模型進(jìn)行優(yōu)化，分析模型的預(yù)測效果，確定小麥秸稈含水率的最佳建模方法。以實(shí)現(xiàn)小麥秸稈含水率的快速、準(zhǔn)確定量分析。

1 材料與方法

1.1 試驗(yàn)材料

以小麥秸稈為試驗(yàn)對象，秸稈樣本于2021年6月在國家精準(zhǔn)農(nóng)業(yè)研究示范基地采集。由于試驗(yàn)盒內(nèi)部尺寸為180 mm×125 mm×70 mm，為保證每份裝入盒中的樣本密度均勻，不因過于疏松或致密導(dǎo)致試驗(yàn)盒中不同樣本的質(zhì)量差距過大，因此將采集的秸稈粉碎成長度(30±5) mm的枝干狀，并隨機(jī)分為56個(gè)樣本，每個(gè)樣本80 g，裝于自封袋中保存在25℃的室溫環(huán)境下。

1.2 試驗(yàn)方案

1.2.1電容采集裝置設(shè)計(jì)

電容采集裝置結(jié)構(gòu)如圖1所示，主要包括亞克力試驗(yàn)盒， TH2830型LCR數(shù)字電橋及配套數(shù)據(jù)采集軟件(常州同惠電子股份有限公司)，DHG-9240A型鼓風(fēng)干燥箱(上海一恒科學(xué)儀器有限公司)，WDW-01S型微機(jī)控制電子萬能拉壓力試驗(yàn)機(jī)及配套軟件(常州三豐儀器科技有限公司)，MTB2000D型精準(zhǔn)電子天平(深圳市美孚電子有限公司)，西瑪-AT1150型紅外線測溫儀(東莞萬創(chuàng)電子制品有限公司)。

圖1 電容采集裝置結(jié)構(gòu)示意圖Fig.1 Schematic of capacitance acquisition device1.溫控箱 2.拉壓力試驗(yàn)機(jī) 3.亞克力試驗(yàn)盒 4.硅橡膠加熱板 5.支柱 6.螺栓 7.拉壓力傳感器 8.升降臺 9.數(shù)字電橋

亞克力試驗(yàn)盒內(nèi)部尺寸為180 mm×125 mm×70 mm，將待測秸稈在亞克力試驗(yàn)盒內(nèi)填滿，為使得秸稈樣本各處受力均勻，將壓板覆蓋于秸稈樣本上；設(shè)計(jì)2塊尺寸為120 mm×50 mm×2 mm的銅板對稱布置在試驗(yàn)盒底部，二者相距3 mm，用于采集秸稈電容數(shù)據(jù)；設(shè)計(jì)硅橡膠加熱板包裹在試驗(yàn)盒外壁，通過調(diào)節(jié)溫控箱按鈕，預(yù)設(shè)試驗(yàn)環(huán)境溫度，達(dá)到改變試驗(yàn)盒內(nèi)溫度的目的；用螺栓將試驗(yàn)機(jī)壓力臺、拉壓力傳感器和支柱連接到一起，通過上位機(jī)軟件控制試驗(yàn)機(jī)壓力臺升降，實(shí)現(xiàn)對試驗(yàn)盒內(nèi)秸稈壓力的調(diào)控，以達(dá)到改變秸稈容積密度的目的。

1.2.2樣品制備

從秸稈樣本中隨機(jī)取出1份并置于105℃的電熱鼓風(fēng)干燥箱中4 h至質(zhì)量恒定，測得小麥秸稈的初始濕基含水率為10.43%[12]。為配制不同含水率的樣本，取56個(gè)(每個(gè)80 g)秸稈樣本，通過添加不同質(zhì)量的去離子水，得到56個(gè)不同含水率的樣本并編號。為保證樣品吸收水分均勻，將配好的樣品裝入PE自封袋中，置于25℃的室溫環(huán)境下1～2 d。期間每天取出樣本2～3次，充分?jǐn)嚢韬蟮够卮?，以使水分分布均勻?/p>

1.2.3數(shù)據(jù)獲取

電容數(shù)據(jù)采集前，先將室內(nèi)溫度調(diào)至25℃恒定，將LCR數(shù)字電橋測量電極與2塊銅板外接線相連，再開機(jī)預(yù)熱30 min并校準(zhǔn)清零。采集時(shí)，由于試驗(yàn)盒容積所限，從樣本中取出40 g左右秸稈填滿試驗(yàn)盒即可，剩余樣本裝回袋中繼續(xù)密封；通過溫控箱將試驗(yàn)環(huán)境溫度依次設(shè)置為25、30、35、40℃，使用手持式紅外線測溫儀對電容采集裝置內(nèi)部溫度進(jìn)行定期測量；通過萬能拉壓力試驗(yàn)機(jī)改變對秸稈壓力的方式來調(diào)節(jié)秸稈的容積密度，將試驗(yàn)機(jī)對秸稈的壓力設(shè)置在500～3 600 N之間，故秸稈的容積密度在90.08～179.42 kg/m3范圍內(nèi)，每個(gè)秸稈樣本在同一溫度下從上述容積密度范圍內(nèi)隨機(jī)選取3個(gè)容積密度，確保所有樣本組合選取的容積密度在90.03～179.42 kg/m3之間均勻分布；在0.05～100 kHz共取100個(gè)呈對數(shù)正態(tài)分布的頻率點(diǎn)，作為LCR數(shù)字電橋的檢測頻率，測量待測秸稈樣本在上述不同容積密度、溫度、頻率點(diǎn)組合下的電容數(shù)據(jù)。

秸稈含水率測量裝置主要由電子天平、電熱鼓風(fēng)干燥箱組成。測量前，先將電子天平開機(jī)預(yù)熱15 min后并校準(zhǔn)清零，測量時(shí)，將試驗(yàn)盒中樣本與自封袋中剩余樣本充分混合后分為2份，并分別置于105℃的電熱鼓風(fēng)干燥箱內(nèi)干燥4 h，根據(jù)干燥前樣本的鮮質(zhì)量與干燥后樣本的干質(zhì)量可計(jì)算出各樣本的實(shí)際含水率。

1.4 數(shù)據(jù)處理及建模方法

1.4.1樣本集劃分

試驗(yàn)共配制了56份樣本，樣本的濕基含水率在10.43%～25.89%之間，每個(gè)樣本又在4個(gè)溫度及3個(gè)容積密度條件下分別采集100頻率點(diǎn)下的電容，共得到672組電容數(shù)據(jù)。通過對數(shù)據(jù)進(jìn)行觀察，采用馬氏距離法剔除一些因儀器設(shè)備和試驗(yàn)操作原因產(chǎn)生的異常數(shù)據(jù)，剩余656組數(shù)據(jù)。采用留出法，隨機(jī)選取樣本數(shù)據(jù)中3/4的數(shù)據(jù)作為建模的校正樣本，另外1/4的數(shù)據(jù)作為測試樣本。劃分結(jié)果見表1。

表1 校正集和預(yù)測集統(tǒng)計(jì)結(jié)果Tab.1 Statistics results of moisture content in calibration and prediction sets

1.4.2數(shù)據(jù)處理方法

因研究中所選的多個(gè)頻率間可能會存在較強(qiáng)的線性相關(guān)，它們會包含較多的冗余信息，增加模型的復(fù)雜度，通過特征提取方法能夠從原始數(shù)據(jù)中提取主要信息，達(dá)到在不損失過多原頻率信息的基礎(chǔ)上，降低模型的復(fù)雜程度[13-14]。本研究采用連續(xù)投影法(SPA)及主成分分析法(PCA)來選取特征頻率。SPA是一種能夠有效解決變量間共線性問題的變量篩選方法，利用向量投影可優(yōu)選出冗余度低、共線性小又能反映樣本頻譜重要信息的特征頻率。PCA是一種被廣泛使用的數(shù)據(jù)降維算法。其主要思想是通過某種線性投影，將高維空間的數(shù)據(jù)映射到低維空間中，并通過計(jì)算特征頻率的方差優(yōu)選出信息量大的特征頻率，以達(dá)到使用較少的數(shù)據(jù)維度就可保留住較多信息的目的[15]。PCA是對頻譜數(shù)據(jù)進(jìn)行主成分分析，在累計(jì)貢獻(xiàn)率大的前幾個(gè)主成分相應(yīng)的權(quán)值系數(shù)曲線中，權(quán)值系數(shù)的絕對值與其相對應(yīng)頻率的貢獻(xiàn)程度成正比，故選擇曲線中波峰和波谷處對應(yīng)的頻率為特征頻率[16]。

1.4.3建模方法

常用的建模方法主要分為線性方法和非線性方法。線性建模方法主要有偏最小二乘回歸(PLSR)、多元線性回歸(MLR)和主成分回歸等；非線性建模方法主要有支持向量回歸(SVR)[17]、BP神經(jīng)網(wǎng)絡(luò)等?？紤]到試驗(yàn)數(shù)據(jù)量大，線性建模方法不能很好地?cái)M合非線性數(shù)據(jù)，支持向量回歸(SVR)不善于處理大量數(shù)據(jù)。因此，本文選用適合處理大量數(shù)據(jù)，并且非線性擬合能力強(qiáng)的BP神經(jīng)網(wǎng)絡(luò)建立含水率檢測模型。

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)。該算法處理信息的神經(jīng)元可分為3層：輸入層、隱含層、輸出層，每層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。其主要特點(diǎn)是信號向前傳遞，誤差反向傳播，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使神經(jīng)網(wǎng)絡(luò)的誤差平方和趨于最小[18]，該算法具有很強(qiáng)的非線性映射能力，可映射任意復(fù)雜的非線性關(guān)系，并具有很強(qiáng)的魯棒性和自適應(yīng)能力。

影響小麥秸稈電容的主要因素有秸稈含水率、容積密度和環(huán)境溫度，因此，設(shè)定小麥秸稈容積密度、環(huán)境溫度和選取的特征頻率為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，小麥秸稈含水率為輸出參數(shù)，如圖2所示，采用單隱含層的3層網(wǎng)絡(luò)結(jié)構(gòu)，隱含層節(jié)點(diǎn)數(shù)計(jì)算公式為

(1)

式中n——輸入層節(jié)點(diǎn)數(shù)

l——隱含層節(jié)點(diǎn)數(shù)

m——輸出層節(jié)點(diǎn)數(shù)

a——1～10之間的常數(shù)

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 BP neural network structure

通過反復(fù)試驗(yàn)確定輸入層到隱含層的傳遞函數(shù)為S型正切函數(shù)tansig，隱含層到輸出層的傳遞函數(shù)為線性函數(shù)purelin。常用的訓(xùn)練函數(shù)包括trainlm、trainrp、trainscg等，其中trainlm具有收斂速度快、誤差小、訓(xùn)練效果優(yōu)的特點(diǎn)，因此本文采用trainlm作為訓(xùn)練函數(shù)[19]。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，為減弱各主控因素不同量綱的數(shù)據(jù)對網(wǎng)絡(luò)模型訓(xùn)練與預(yù)測值的影響，各主控?cái)?shù)據(jù)做歸一化處理。計(jì)算式為

(2)

式中x——原始數(shù)據(jù)y——?dú)w一化值

xmax——同一影響因素響應(yīng)值的最大值

xmin——同一影響因素響應(yīng)值的最小值

ymax——?dú)w一化最大值，取1

ymin——?dú)w一化最小值，取0

1.4.4麻雀搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

麻雀搜索算法(SSA)是一種新型的群智能優(yōu)化算法，該算法主要是受麻雀覓食行為和逃避捕食者行為啟發(fā)而設(shè)計(jì)[21-24]。麻雀在覓食過程中會分為3種類型：發(fā)現(xiàn)者、加入者和偵察者，利用這三者間的關(guān)系及麻雀遇到捕食者時(shí)的行為可達(dá)到優(yōu)化搜索的目的。同近年來新興的群智能優(yōu)化算法相比，麻雀搜索算法具有較好的全局搜索和局部開發(fā)的能力，在尋優(yōu)過程中，能促進(jìn)麻雀種群向全局最優(yōu)值移動，有效避免易早熟收斂、收斂速度慢等缺點(diǎn)，具有良好的魯棒性和收斂速度。整體過程如圖3所示。

圖3 麻雀優(yōu)化算法流程圖Fig.3 Process chart of sparrow optimization algorithm

SSA-BP算法的實(shí)施過程如下：

(1)讀取數(shù)據(jù)。確定BP神經(jīng)網(wǎng)絡(luò)模型的校正集和測試集樣本，對數(shù)據(jù)進(jìn)行歸一化處理，將本研究中不同量綱數(shù)據(jù)歸一化到0～1之間，并根據(jù)式(1)確定最佳隱含層節(jié)點(diǎn)數(shù)。

(2)網(wǎng)絡(luò)參數(shù)配制。將訓(xùn)練次數(shù)設(shè)置為1 000次，學(xué)習(xí)速率設(shè)置為0.01，訓(xùn)練目標(biāo)最小誤差設(shè)置為0.000 1。

(3)初始化參數(shù)。設(shè)置SSA算法的初始種群規(guī)模N和最大迭代次數(shù)T，本文將初始種群規(guī)模N設(shè)為30次，最大迭代次數(shù)T設(shè)為50次；設(shè)定種群中不同類型的麻雀比重和安全值，本文將安全值ST設(shè)為0.6，發(fā)現(xiàn)者數(shù)量NPD設(shè)為0.7，偵察者數(shù)量設(shè)為0.2。

(4)計(jì)算初始適應(yīng)度。根據(jù)適應(yīng)度計(jì)算出全局中最優(yōu)個(gè)體。

(5)根據(jù)適應(yīng)度將麻雀種群分類，并對不同類型的麻雀個(gè)體位置進(jìn)行更新。

(6)若迭代次數(shù)達(dá)到最大迭代次數(shù)，學(xué)習(xí)過程結(jié)束，輸出最優(yōu)參數(shù)和適應(yīng)度，否則返回步驟(5)重復(fù)上述過程。

2 結(jié)果與分析

2.1 各因素對秸稈電容的影響

圖4為不同含水率的秸稈在相同環(huán)境溫度和容積密度條件下電容隨頻率的變化曲線。在頻率0.05～100 kHz范圍內(nèi)，秸稈的電容隨頻率的增大而減小。這是因?yàn)殡S著頻率的不斷增大導(dǎo)致偶極子的振動速度滯后于電場的變化，所以樣本的電容會隨著介電常數(shù)的減小而不斷減小[25]。同一頻率下，不同樣本的電容受濕基含水率的影響不同，主要表現(xiàn)為：秸稈樣本濕基含水率越高，電容越高。

圖4 不同含水率秸稈在不同頻率下電容變化曲線Fig.4 Capacitance curves of straw with different moisture contents at different frequencies

圖5為容積密度和溫度對秸稈電容的影響曲面。由圖5a可以看出，當(dāng)頻率和溫度一定時(shí)，隨著容積密度的升高，秸稈電容呈單調(diào)遞增的趨勢，這是因?yàn)榻斩捠艿綌D壓后密度增大，單位體積內(nèi)秸稈量隨之增加，并可以儲存更多的電場能，所以測量儀器會測得更大的電容[26]。由圖5b可以看出，當(dāng)頻率和容積密度一定時(shí)，秸稈的電容隨溫度的升高而增加，這是因?yàn)闇囟壬哂欣诩铀俳斩拑?nèi)極性分子的取向運(yùn)動和自由水的布朗運(yùn)動，致使秸稈的相對介電常數(shù)增加，故秸稈電容也隨之增加[27]。

圖5 秸稈容積密度和溫度對電容的影響曲面Fig.5 Influence of bulk density and temperature of straw on capacitance

2.2 特征頻率選取

2.2.1連續(xù)投影法特征頻率選取

為保證模型性能可靠，設(shè)置選取的頻率數(shù)量為2～30，以不同頻率數(shù)量所對應(yīng)的RMSE作為最佳的特征頻率數(shù)的指標(biāo)。當(dāng)選取的頻率數(shù)量為5時(shí)，RMSE最低(0.025 002)，如圖6所示?？紤]到過多的特征頻率會導(dǎo)致模型復(fù)雜度上升，故選取電容的5個(gè)頻率作為SPA選取的特征頻率。SPA算法選取的特征頻率如圖7所示。

圖6 RMSE隨SPA選取頻率數(shù)量的變化曲線Fig.6 Change of RMSE with selected characteristic frequency by SPA

圖7 采用SPA算法選取的特征頻率點(diǎn)Fig.7 Characteristic frequency points selected by SPA algorithm

2.2.2主成分分析法特征頻率選取

在將PCA算法用于原始頻率數(shù)據(jù)的提取過程中，主成分分析得到的前3個(gè)主成分累計(jì)方差貢獻(xiàn)率接近100%，說明前3個(gè)主成分能夠較為全面地反映絕大部分原始信息，從前3個(gè)主成分的權(quán)值系數(shù)曲線中提取4個(gè)特征頻率。采用PCA法選取的特征頻率如圖8所示。全變量、SPA和PCA所選出的特征頻率如表2所示。

圖8 采用PCA算法選取的特征頻率Fig.8 Characteristic frequency selected by PCA algorithm

表2 SPA與PCA選取的特征頻率Tab.2 Characteristic frequency selected by successive projections algorithm and principal component analysis

2.3 建模并比較分析

為了選取最佳檢測模型，以全頻率、SPA和PCA分別選取的特征頻率與容積密度、環(huán)境溫度組合作為建模分析的自變量，秸稈樣本含水率為因變量。選用BP神經(jīng)網(wǎng)絡(luò)算法分別與上述3種變量組合構(gòu)建模型，建模結(jié)果如表3所示。

表3 基于不同特征頻率選取方法的BP建模結(jié)果Tab.3 BP modeling results based on different characteristic frequency selection methods

從模型復(fù)雜程度來看，基于全頻率構(gòu)建的BP模型中存在大量冗余信息，增加了模型復(fù)雜程度。基于SPA和PCA算法能有效提取全頻率中的重要信息，會大大簡化模型復(fù)雜程度，減少模型的運(yùn)算量并提高程序運(yùn)行速度。

建模結(jié)果表明，提取特征頻率有效地減少大量冗余信息和損害模型的信息，在大幅降低模型復(fù)雜度的基礎(chǔ)上，依舊保持較高的預(yù)測精度。因此，基于電容法采用SPA和PCA提取特征頻率并分別與容積密度、環(huán)境溫度組合建立的BP神經(jīng)網(wǎng)絡(luò)模型均具有較高的含水率預(yù)測精度和可靠性。

2.4 SSA算法優(yōu)化模型

為進(jìn)一步探究SSA算法對BP模型預(yù)測精度的影響，引入SSA算法對基于不同特征頻率選取方法構(gòu)建的BP模型進(jìn)行優(yōu)化，并繼續(xù)比較分析。

由表3和表4可以看出，SSA-BP建模方法中模型R2較BP建模方法中模型的R2更高，RMSE更低，RPD則更高，這表明經(jīng)SSA算法優(yōu)化后的模型具有更高的預(yù)測精度和可靠性。

表4 SSA-BP模型結(jié)果Tab.4 Results of SSA-BP model

2.5 模型驗(yàn)證

為探究最佳模型對不同秸稈樣本含水率的預(yù)測效果，隨機(jī)配制了含水率為10.62%～25.59%的13個(gè)秸稈樣本，將環(huán)境溫度分別設(shè)置為25、30、35、40℃，在容積密度90.03～179.42 kg/m3范圍內(nèi)隨機(jī)選擇4個(gè)容積密度和頻率0.058、0.215、0.583、12.581、100.000 kHz下采集上述秸稈樣本的電容，共形成156組數(shù)據(jù)，對模型進(jìn)行驗(yàn)證。圖9為SPA-SSA-BP的預(yù)測結(jié)果,可以看出樣本集中于回歸線(y=x)附近，預(yù)測效果較佳。因此，最終選擇SPA-SSA-BP作為小麥秸稈含水率的檢測模型。圖10統(tǒng)計(jì)了樣本含水率預(yù)測值與烘干法測得的實(shí)際值的相對誤差，相對誤差為-5.27%～5.52%，其中96.8%的預(yù)測誤差集中在±5%范圍內(nèi)，說明該模型具有較高的準(zhǔn)確性和較好的魯棒性。

圖9 SPA-SSA-BP模型的含水率預(yù)測結(jié)果Fig.9 Moisture content predicted results of SPA-SSA-BP model

圖10 模型對不同含水率秸稈的預(yù)測相對誤差Fig.10 Model prediction relative error of different moisture contents of straw

3 結(jié)論

(1)探究了不同含水率、容積密度、環(huán)境溫度、頻率下秸稈電容的變化規(guī)律，在含水率10.43%～25.89%范圍內(nèi)，電容隨樣本含水率的增大而增大；在頻率0.05～100 kHz范圍內(nèi)，電容隨頻率的增大而減小，當(dāng)頻率大于1 kHz時(shí)，減小趨勢平緩；在容積密度90.03～179.42 kg/m3范圍內(nèi)，電容隨容積密度的增大而增大；在溫度25～40℃范圍內(nèi)，秸稈電容隨環(huán)境溫度的升高而增大。結(jié)果表明含水率、容積密度和環(huán)境溫度對電容的影響極顯著。

(4)對13個(gè)含水率為10.62%～25.59%的秸稈樣本進(jìn)行預(yù)測，結(jié)果表明，模型預(yù)測結(jié)果相對誤差為-5.27%～5.52%，其中96.8%的預(yù)測誤差集中在±5%范圍內(nèi)，模型具有較高的準(zhǔn)確性和較好的魯棒性，本文提出的方法可進(jìn)一步提高小麥秸稈含水率檢測模型的檢測精度，并為其他作物秸稈含水率預(yù)測提供了思路和理論參考。