迈向可持续的荒漠化防治：一种可控制孔隙率的直立芦苇沙篱的制造方法

《Journal of Environmental Management》：Towards sustainable desertification control: A manufacturing method for porosity-controlled upright reed sand fences

本研究提出了一种结合深度学习和实时控制的智能系统，用于精确调节直立芦苇沙障的孔隙率。通过改进的YOLOv8n-SSAS模型实现芦苇束的实时检测与分割，并采用mask relocation算法估算等效喂料直径。闭环控制系统根据实时反馈动态调整参数，确保孔隙率稳定在目标值45%左右。实验表明，机械化生产的沙障结构精度高（直度偏差≤3°）、孔隙率一致（44.8±1.2%），效率显著优于传统手工方法，为荒漠化治理的绿色智能材料制造提供了可行技术路径。

　　

许多宇·金 | 易江·郑 | 雅云·葛 | 宝健·马 | 江宇·张 | 瑞安 | 建军·程

中国石河子市石河子大学机电工程学院，832003

摘要

孔隙率是影响直立芦苇沙篱防风固沙性能的关键因素。然而，由于芦苇束形态的变化和制造过程的复杂性，实现一致的孔隙率控制具有挑战性。本文提出了一种智能系统，该系统将深度学习与实时控制相结合，以精确调节孔隙率。为此开发了一种轻量级的实例分割模型Reed-YOLOv8n-SSAS，用于基于机器视觉的监控。与基线YOLOv8n-seg相比，该模型在精度上达到了98.6%，mAP@0.5为98.7%，同时模型大小、参数数量和计算成本分别减少了51.5%、55.4%和40.0%。提出了一种掩膜重新定位算法，用于在从分散状态转换为捆绑状态时估计等效进料直径。这使得可以通过闭环控制策略实时调整成型机的参数。现场测试表明，该系统能够可靠地将孔隙率维持在目标值45%附近。在新疆和若铁路沿线的验证显示，机械制造的沙篱具有较高的结构完整性（直线度偏差≤3°）和一致的孔隙率（44.8±1.2%），并且生产效率显著高于手动方法。本研究为荒漠化控制的绿色、高效和智能化材料制造提供了一条可行的技术途径。

引言

沙尘灾害持续威胁着沙漠地区交通基础设施（如铁路和公路）的建设与安全运行，导致每年在人力、物资和财力方面的巨大维护成本（Yuan等人，2019；Jia等人，2020；Zhi等人，2024；An等人，2025）。作为机械固沙的重要方法，直立芦苇沙篱已在中国沙漠地区得到广泛应用（Lyu等人，2021；Wu等人，2022；Liu等人，2024）。然而，其生产仍然严重依赖人工劳动，导致标准化程度低、效率低下，设计性能与实际性能之间存在显著差异。

直立芦苇沙篱通过改变近地表气流动力学来减缓风蚀和沙移动。其主要机制是增加空气动力表面粗糙度，从而降低风速、促进湍流并增强沉积作用（Ding等人，2019；Wang和Song，2024；Wang等人，2025；Li等人，2025）。直立芦苇沙篱阻挡风和固定沙的效果（图1）在其结构特性上高度依赖。如图1b所示，孔隙率（α）（篱笆的孔隙面积与其总面积之比）是其设计和性能评估的核心指标（Dong等人，2007；Bruno等人，2018；Tominaga等人，2022；Wang等人，2023）。不同的孔隙率配置适用于特定的区域风沙环境：通风结构（孔隙率>50%）有利于气流通过和沙沉积；紧密结构（孔隙率<10%）最大限度地阻挡气流和沙粒迁移；而稀疏结构（孔隙率10–50%）则在两者之间取得平衡。研究表明，当孔隙率在30%到50%之间，并且根据现场风沙强度采用单排或多排排列，结合适当的沙障间距时，可以实现超过90%的挡沙效率和约30%的气流减少，保护面积可从3.5H延伸到17H（H为篱笆高度），从而在足够的风渗透性和足够的阻挡效果之间取得平衡，以减少压力阻力并促进沙沉积（An等人，2024；Chen等人，2020）。因此，根据沙和风活动的强度精确配置孔隙率对于实现最佳保护效果至关重要。孔隙率由单个芦苇束的直径（d）和相邻束之间的间距（l）的协调优化决定。然而，现有的机械（Zheng等人，2022）和手工生产过程基于理论计算来确定孔隙率参数，忽略了实际操作中芦苇束形状、数量和分布的固有变化。这种疏忽导致生产的篱笆孔隙率存在较大偏差，严重影响了其在区域风沙控制中的有效性。

精确的孔隙率控制需要一个基于进料量感知——决策优化——执行器调整的闭环系统。在智能农业机械中，实时感知物料进料量以动态调整关键操作参数以优化目标（例如，提高效率、减少损失率、确保质量）是一个重要的研究焦点。这为沙篱的孔隙率控制提供了有价值的参考。在动态进料量检测和控制执行方面：Chen等人（2025）通过监测联合收割机的卷轴上的力来感知进料量以调整组件参数。在此基础上，Liu等人（2025）开发了一种基于视觉进料量监测的大豆脱粒间隙实时控制系统。同样，Pan等人（2010）利用水稻冠层光谱特征间接预测进料量。此外，Fan等人（2022）设计了基于进料量监测的玉米脱粒间隙自动控制系统。这些研究成功验证了实时进料量反馈在闭环系统中提高农业机械性能的有效性，为其在孔隙率调节中的应用提供了框架。

需要明确的是，此类闭环控制的核心前提是准确和实时量化目标材料的关键物理属性，如进料量和等效尺寸。识别和计算芦苇束等效直径的核心挑战在于它们在捆绑前的可变和不规则形态以及随机空间分布。深度学习在检测类似目标和估计其尺寸方面取得了显著进展，为芦苇束识别奠定了坚实的基础。例如，Zhang等人（2024）提出了一种基于改进的YOLOv5的视觉检测和姿态分类算法，通过分类成熟度和3D姿态来进行选择性番茄采摘。Coll-Ribes等人（2023）结合Mask R-CNN实例分割和单目深度估计，在杂乱环境中检测葡萄串和果梗，消除了分割过程中对深度传感器的需求。Blok等人（2021）使用Mask R-CNN和ORCNN分割西兰花头，提高了分割性能并能够估计头部的直径。同样，Tao等人（2024）提出了一种通过统计回归蘑菇与其茎之间的关系和生长特征来选择性收获香菇的方法，从几何上推导出菌盖大小和圆度以评估质量状况。这些研究通常基于检测，结合轮廓分割和深度信息或校准计算来实现可靠的目标尺寸估计。它们展示了深度学习的强大能力，为识别芦苇的等效进料直径提供了重要的技术参考。

然而，将动态进料调整和目标尺寸量化技术应用于直立芦苇沙篱的机械化生产引入了几项独特的挑战。芦苇的进料量经常偏离标准值。这不仅需要动态添加或移除材料，还需要根据实时进料量动态调整束间距。至关重要的是，为了实现这种动态调整，检测通常必须在芦苇处于分散状态时进行，而进料量评估必须在材料最初被压缩成聚集状态后进行。基于单状态轮廓分割的传统面积计算方法难以在这两种状态之间实现精确量化（离散状态-聚集状态）。因此，迫切需要开发能够适应芦苇分散状态特征的技术，以可靠地估计进料量，从而确保沙篱生产的质量和孔隙率控制的精度。

为了解决传统手工施工中孔隙率质量不一致的问题，本研究提出了一种结合深度学习算法和实时闭环控制系统的综合方法。该方法的核心在于：（1）提出了一种直立芦苇沙篱的机械化生产模式；（2）开发了一种轻量级的深度学习模型Reed-YOLOv8n-SSAS，用于芦苇束的检测和分割；（3）开发了一种基于形态变化的掩膜重新定位算法，以实现等效进料直径的实时计算；（4）建立了一种基于实时进料量反馈的孔隙率闭环控制策略，以确保最终的沙篱符合生产标准。本研究旨在提高沙篱生产的标准化和可扩展性，改善产品质量的一致性和操作效率，并为沙控制设备的清洁、高效和智能化制造提供一条可行的技术途径。

部分摘录

生产要求

直立芦苇沙篱的机械化生产主要涉及以下要求：

(1)

机械必须能够执行分离芦苇原材料和定量捆绑等任务。

(2)

在分散状态下准确检测芦苇材料，并预测捆绑后的等效进料直径。

(3)

根据实时等效进料直径信息动态调整捆绑设备的操作参数，以确保最终沙篱的孔隙率

实验平台和参数设置

该模型在配备Intel(R) Core(TM) i7-13650HX@2.60 GHz CPU、16 GB内存和NVIDIA GeForce RTX 4060 GPU的计算机上进行了训练和验证。系统运行在64位Windows 11操作系统上。深度学习框架使用了PyTorch 2.0.1和Cuda 11.7。数据处理程序用Python编写。模型的输入图像大小为640×640，模型深度为0.33，模型宽度为0.25，批量大小设置为

结论

本研究开发了一种直立芦苇沙篱的机械化生产方法和一种用于孔隙率控制的进料量检测技术。将集成模型和算法应用于直立芦苇沙篱成型机中。通过检测性能测试、准确性验证和现场应用进行了系统评估，得出以下结论：

1.

改进的Reed-YOLOv8n-SSAS模型有效解决了分割密集和形态复杂

CRediT作者贡献声明

许多宇·金：撰写——原始草稿、软件、方法论、概念化。易江·郑：验证、监督。雅云·葛：撰写——审阅与编辑、验证、监督、资金获取。宝健·马：验证、监督。江宇·张：资源、数据管理。瑞安·：资源、数据管理。建军·程：资金获取。

利益冲突声明

我们声明本手稿中的任何内容均未在任何语言的期刊上发表，也没有其他期刊正在考虑发表，且不存在需要声明的利益冲突。所有作者都参与了本手稿的撰写、阅读并批准了其当前形式。

致谢

本研究得到了国家自然科学基金（32260430和52168065）的资助。