亚洲一区欧美在线,日韩欧美视频免费观看,色戒的三场床戏分别是在几段,欧美日韩国产在线人成

摘要:農(nóng)作物病蟲害的預(yù)防與治理對(duì)農(nóng)業(yè)生產(chǎn)具有十分重要的作用，病蟲害防治工作的前提是準(zhǔn)確識(shí)別病蟲害目標(biāo)。傳統(tǒng)的病蟲害識(shí)別方法包括人工識(shí)別和儀器識(shí)別，傳統(tǒng)識(shí)別方法在識(shí)別效率、識(shí)別準(zhǔn)確性、應(yīng)用場(chǎng)景等方面已無法滿足科學(xué)研究和生產(chǎn)的需要。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)重要分支，能夠自動(dòng)、高效、準(zhǔn)確地從大規(guī)模數(shù)據(jù)集中學(xué)習(xí)到待識(shí)別目標(biāo)的特征，從而替代傳統(tǒng)依賴手工提取圖像底層特征的識(shí)別方法，因此，將結(jié)合圖像處理的深度學(xué)習(xí)技術(shù)應(yīng)用于農(nóng)作物病蟲害識(shí)別是未來精準(zhǔn)農(nóng)業(yè)發(fā)展的必然趨勢(shì)。農(nóng)作物病蟲害識(shí)別所涉及的關(guān)鍵技術(shù)以農(nóng)作物病蟲害數(shù)據(jù)為基礎(chǔ)展開，通過闡述病蟲害數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、數(shù)據(jù)增強(qiáng)、深度學(xué)習(xí)網(wǎng)絡(luò)優(yōu)化、識(shí)別結(jié)果可視化、識(shí)別結(jié)果可解釋性、預(yù)測(cè)預(yù)報(bào)等關(guān)鍵技術(shù)的研究現(xiàn)狀，歸納與總結(jié)了各關(guān)鍵技術(shù)應(yīng)用中存在的問題和面臨的挑戰(zhàn)，最后指出農(nóng)作物病蟲害識(shí)別未來的研究發(fā)展方向，即在數(shù)據(jù)獲取方面，構(gòu)建多源農(nóng)業(yè)數(shù)據(jù)集和積極打造數(shù)據(jù)共享資源平臺(tái)，在數(shù)據(jù)處理方面，結(jié)合遷移學(xué)習(xí)算法、使用新型數(shù)據(jù)增強(qiáng)方法，在數(shù)據(jù)應(yīng)用方面，積極開展可視化、可解釋性和預(yù)測(cè)預(yù)報(bào)等工作。

摘要:為解決農(nóng)業(yè)機(jī)械（簡(jiǎn)稱農(nóng)機(jī)）多機(jī)協(xié)同作業(yè)前的任務(wù)分配問題，提出了基于多變異分組遺傳算法的同種農(nóng)機(jī)多機(jī)協(xié)同作業(yè)靜態(tài)任務(wù)分配方法。首先，根據(jù)農(nóng)機(jī)合作社實(shí)際作業(yè)模式，基于農(nóng)機(jī)性能參數(shù)和任務(wù)參數(shù)，綜合考慮機(jī)群的作業(yè)時(shí)間、作業(yè)油耗和路程代價(jià)等因素，建立了多機(jī)協(xié)同代價(jià)函數(shù)；根據(jù)多機(jī)協(xié)同作業(yè)特點(diǎn)，構(gòu)建了多變異分組遺傳算法，設(shè)計(jì)了兩段式編碼、分組交叉算子和多種變異算子，并建立了農(nóng)機(jī)多機(jī)協(xié)同作業(yè)靜態(tài)任務(wù)分配模型；通過仿真試驗(yàn)對(duì)比分析了算法的性能，并采用不同的代價(jià)權(quán)重進(jìn)行了任務(wù)分配仿真試驗(yàn)；最后，采用不同的權(quán)重對(duì)實(shí)際深松作業(yè)進(jìn)行任務(wù)分配試驗(yàn)，對(duì)本文提出算法進(jìn)行了驗(yàn)證。結(jié)果表明：在不同權(quán)重下，基于多變異分組遺傳算法的多機(jī)協(xié)同靜態(tài)任務(wù)分配的機(jī)群代價(jià)比實(shí)際作業(yè)代價(jià)降低了29.48%~55.00%，選取合理權(quán)重的靜態(tài)任務(wù)分配具有較高的分配效率和分配性能，能夠滿足實(shí)際多機(jī)協(xié)同作業(yè)中任務(wù)分配的要求。

摘要:為解決氣吸式玉米精量排種器清種裝置設(shè)計(jì)不合理而造成漏清、過清，導(dǎo)致排種性能下降的問題，提出采用雙側(cè)清種裝置進(jìn)行清種作業(yè)的方法，并設(shè)計(jì)了雙側(cè)清種裝置。對(duì)該裝置清種過程進(jìn)行分析，明確了造成重吸的原因，闡明了清種過程的運(yùn)動(dòng)機(jī)理，建立了清種過程數(shù)學(xué)模型，確定了上下側(cè)清種機(jī)構(gòu)關(guān)鍵參數(shù)的設(shè)計(jì)方法。選取第1級(jí)清種弧線頂部半徑、第2級(jí)清種弧線頂部半徑和工作轉(zhuǎn)速為主要因素進(jìn)行了全因素試驗(yàn)，對(duì)試驗(yàn)結(jié)果進(jìn)行顯著性分析，建立了因素與指標(biāo)的回歸方程，以漏清率和過清率最小為尋優(yōu)條件，獲得較優(yōu)清種強(qiáng)度下的最佳參數(shù)組合為：第1級(jí)清種弧線頂部半徑80.70mm、第2級(jí)清種弧線頂部半徑81.42mm，并在最佳參數(shù)組合下進(jìn)行了驗(yàn)證試驗(yàn)。試驗(yàn)表明，在較優(yōu)清種強(qiáng)度參數(shù)組合下，當(dāng)工作轉(zhuǎn)速為26.67~37.33r/min時(shí)，漏清率均不大于1.10%，過清率均不大于1.03%，與理論優(yōu)化結(jié)果基本一致。對(duì)比試驗(yàn)表明，工作轉(zhuǎn)速為26.67r/min時(shí)，采用雙側(cè)清種裝置漏清率降低6.70個(gè)百分點(diǎn)，過清率基本不變，排種器合格率提高7.04個(gè)百分點(diǎn)；工作轉(zhuǎn)速為32.00r/min時(shí)，采用雙側(cè)清種裝置漏清率降低4.63個(gè)百分點(diǎn)，過清率基本不變，排種器合格率提高5.07個(gè)百分點(diǎn)；工作轉(zhuǎn)速為37.33r/min時(shí)，采用雙側(cè)清種裝置漏清率降低7.41個(gè)百分點(diǎn)，過清率降低0.24個(gè)百分點(diǎn)，排種器合格率提高7.26個(gè)百分點(diǎn)。采用雙側(cè)清種裝置有效降低了漏清率，在高速情況下對(duì)過清率也有所改善。

摘要:為保證氣吸式排種器高速作業(yè)狀態(tài)下投種均勻一致，對(duì)玉米籽粒中占據(jù)比例較高且長(zhǎng)、寬、厚變化較大的大扁形種子進(jìn)行研究；通過理論分析探明，種子的吸附姿態(tài)影響投種穩(wěn)定性，振動(dòng)加劇導(dǎo)致投種均勻性不一致；采用DEM-CFD耦合仿真的方法分析了影響投種性能的關(guān)鍵因素——種子吸附姿態(tài)，發(fā)現(xiàn)不同排種盤角速度下平躺姿態(tài)為主要吸附姿態(tài)，平躺種子比例越高，合格指數(shù)越高，側(cè)躺種子和豎直種子共同影響重播指數(shù)和漏播指數(shù)；分析了影響投種性能的關(guān)鍵因素——投種時(shí)機(jī)，研究發(fā)現(xiàn)，提早投種狀態(tài)下種子的主要姿態(tài)為豎直和側(cè)躺，正常投種狀態(tài)下平躺種子占絕大部分，延時(shí)投種狀態(tài)下側(cè)躺種子所占比例較高，合格指數(shù)與正常投種比例的變化趨勢(shì)一致，增大種子平躺姿態(tài)的比例可有效提高播種質(zhì)量。進(jìn)行了風(fēng)壓和角速度匹配試驗(yàn)，結(jié)果表明，排種器在較優(yōu)作業(yè)速度8~12km/h范圍內(nèi)、風(fēng)壓在-4.5~-3kPa區(qū)間內(nèi)，合格指數(shù)不低于93.4%，漏播指數(shù)不高于4.5%，重播指數(shù)不大于3.1%，并通過高速攝像慢速回放得出，種子姿態(tài)變化情況與仿真結(jié)果一致，從而驗(yàn)證了仿真模擬的準(zhǔn)確性。

摘要:為使行星輪系移栽機(jī)構(gòu)能夠?qū)崿F(xiàn)復(fù)雜空間軌跡、更好地滿足水稻寬窄行缽苗移栽的農(nóng)藝要求，提出一種基于一般空間連續(xù)封閉軌跡的不等速行星輪系移栽機(jī)構(gòu)逆向設(shè)計(jì)方法。首先，將行星輪系移栽機(jī)構(gòu)簡(jiǎn)化為空間開鏈三桿二自由度（2R）機(jī)構(gòu)，以3次非均勻B樣條曲線擬合的理想軌跡曲線為約束，建立空間開鏈2R機(jī)構(gòu)運(yùn)動(dòng)學(xué)模型，分析其末端軌跡形成機(jī)理，利用空間幾何關(guān)系求解機(jī)構(gòu)的桿長(zhǎng)和輸出軸的相對(duì)位置；然后，由輸入與輸出軸間的相對(duì)角位移關(guān)系得到輪系機(jī)構(gòu)的總傳動(dòng)比，通過依附不等速齒輪副縮減開鏈機(jī)構(gòu)自由度，并根據(jù)齒輪副組合類型進(jìn)行傳動(dòng)比分配與非圓齒輪節(jié)曲線的設(shè)計(jì)。在應(yīng)用實(shí)例中，基于空間“8”字形移栽軌跡設(shè)計(jì)了一種由平面非圓齒輪與圓錐齒輪組合傳動(dòng)的水稻缽苗寬窄行移栽機(jī)構(gòu)，并進(jìn)行了虛擬樣機(jī)仿真與物理樣機(jī)試驗(yàn)，結(jié)果表明：仿真軌跡、樣機(jī)測(cè)試軌跡與擬合軌跡基本一致，驗(yàn)證了理論方法的正確性和可行性。

摘要:為實(shí)現(xiàn)機(jī)械化移栽、解決三七種苗調(diào)姿定向問題，設(shè)計(jì)了一種振動(dòng)輔助吸苗氣吸式三七種苗定向移栽裝置。通過分析種苗的吸附狀態(tài)受力及種苗在升力作用下產(chǎn)生旋轉(zhuǎn)力矩、實(shí)現(xiàn)調(diào)姿的過程，闡明了種苗吸附調(diào)姿的機(jī)理；利用DEM-CFD氣固兩相流耦合仿真方法對(duì)種苗吸附調(diào)姿過程進(jìn)行分析，驗(yàn)證了種苗吸附調(diào)姿的可行性，仿真結(jié)果表明，當(dāng)主吸孔與輔助定位吸孔夾角為23°、與調(diào)姿轉(zhuǎn)向吸孔夾角為30°時(shí)，種苗因受到壓力差而產(chǎn)生的升力能使其調(diào)姿并定位。為優(yōu)化移栽裝置的工作性能，以主吸孔負(fù)壓、動(dòng)吸盤轉(zhuǎn)速和調(diào)姿轉(zhuǎn)向吸孔直徑為試驗(yàn)因素，以定向合格指數(shù)和漏吸指數(shù)為試驗(yàn)指標(biāo)，進(jìn)行了二次回歸正交旋轉(zhuǎn)組合臺(tái)架試驗(yàn)。試驗(yàn)表明，影響定向合格指數(shù)的主次順序?yàn)檎{(diào)姿轉(zhuǎn)向吸孔直徑、主吸孔負(fù)壓、動(dòng)吸盤轉(zhuǎn)速，當(dāng)調(diào)姿轉(zhuǎn)向吸孔直徑為4.5mm、主吸孔負(fù)壓為1.03～2.11kPa、動(dòng)吸盤轉(zhuǎn)速為4.67～6.08r/min時(shí)，定向移栽裝置平均定向合格指數(shù)為85.87%、平均漏吸指數(shù)為6.33%，可滿足三七種苗移栽要求。

摘要:針對(duì)砂壤土條件下馬鈴薯中耕機(jī)作業(yè)效率低、培土效果不佳等問題，設(shè)計(jì)了一種犁鏵式馬鈴薯中耕機(jī)。闡述了該機(jī)整體結(jié)構(gòu)及工作原理，闡明了犁體曲面成形原理，采用水平元線法并結(jié)合馬鈴薯中耕作業(yè)要求以及動(dòng)力學(xué)分析確定了影響培土犁作業(yè)效果的犁體結(jié)構(gòu)參數(shù)及其取值范圍。基于EDEM離散元仿真技術(shù)，建立了部件-土壤仿真模型，以培土高度、土壤破碎率為試驗(yàn)指標(biāo)，以導(dǎo)曲線上端切線夾角、初始元線角、元線角差值為試驗(yàn)因素，進(jìn)行了二次正交旋轉(zhuǎn)回歸仿真試驗(yàn)。在仿真試驗(yàn)基礎(chǔ)上進(jìn)行了田間試驗(yàn)，結(jié)果表明，所設(shè)計(jì)的犁鏵式馬鈴薯中耕機(jī)碎土率為94.7%、培土高度為8.4cm、作業(yè)深度為13.6cm，根深穩(wěn)定性系數(shù)為92.1%，油耗為14.6kg/hm2，明顯優(yōu)于鋤鏟式馬鈴薯中耕機(jī)的作業(yè)效率及作業(yè)效果，滿足馬鈴薯中耕機(jī)作業(yè)要求。

摘要:為進(jìn)一步優(yōu)化提升雙風(fēng)道風(fēng)篩式胡麻脫粒物料分離清選機(jī)的工作性能，基于實(shí)際試驗(yàn)方法與離散元仿真分析對(duì)樣機(jī)主要工作參數(shù)進(jìn)行了單因素試驗(yàn)，以選取的篩箱振動(dòng)頻率、前風(fēng)道風(fēng)量調(diào)節(jié)擋位和后風(fēng)道風(fēng)量調(diào)節(jié)擋位為自變量，以籽粒含雜率和清選損失率為響應(yīng)值，按照Box-Behnken試驗(yàn)設(shè)計(jì)原理，采用三因素三水平響應(yīng)曲面分析方法分別建立了各試驗(yàn)因素與籽粒含雜率、清選損失率之間的數(shù)學(xué)模型，并對(duì)各因素及其交互作用進(jìn)行分析。結(jié)果表明：選取的3個(gè)因素對(duì)籽粒含雜率、清選損失率影響的主次順序均為篩箱振動(dòng)頻率、前風(fēng)道風(fēng)量調(diào)節(jié)擋位、后風(fēng)道風(fēng)量調(diào)節(jié)擋位，作業(yè)機(jī)最佳工作參數(shù)為篩箱振動(dòng)頻率2Hz、前風(fēng)道風(fēng)量調(diào)節(jié)擋位2、后風(fēng)道風(fēng)量調(diào)節(jié)擋位4.5。驗(yàn)證試驗(yàn)表明，籽粒含雜率均值為0.98%、清選損失率均值為2.66%，說明通過優(yōu)化工作參數(shù)可降低胡麻脫粒物料在機(jī)械化分離清選過程中的含雜與損失，其作業(yè)效果較單一氣流分離清選方式有顯著改善。

摘要:為了提高棉花打頂機(jī)的自動(dòng)化水平，以高地隙底盤棉花打頂機(jī)為載體，利用傳感器技術(shù)、電機(jī)控制技術(shù)和PLC控制技術(shù)，結(jié)合機(jī)采棉品種棉花種植模式，設(shè)計(jì)了棉花打頂機(jī)自動(dòng)對(duì)行裝置。該裝置主要由檢測(cè)機(jī)構(gòu)、對(duì)行機(jī)構(gòu)、電機(jī)控制系統(tǒng)、電子控制系統(tǒng)和控制軟件組成。采用RecurDyn軟件對(duì)檢測(cè)機(jī)構(gòu)進(jìn)行運(yùn)動(dòng)仿真，探究運(yùn)動(dòng)規(guī)律，為角度傳感器選取提供理論依據(jù)；利用角度傳感器獲取棉株偏行量，建立檢測(cè)桿轉(zhuǎn)動(dòng)角度與步進(jìn)電機(jī)步進(jìn)量和轉(zhuǎn)動(dòng)方向之間的對(duì)應(yīng)關(guān)系，通過控制步進(jìn)電機(jī)的步進(jìn)量和轉(zhuǎn)動(dòng)方向?qū)崿F(xiàn)對(duì)偏行棉株的精確打頂；通過人機(jī)交互界面對(duì)控制系統(tǒng)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，以提高駕駛直線度。為避免側(cè)枝干擾，對(duì)兩側(cè)低側(cè)枝情況控制系統(tǒng)采用位置信息對(duì)比方法獲取主莖稈位置；對(duì)單側(cè)低側(cè)枝情況按原程序執(zhí)行，田間實(shí)測(cè)表明該誤差可忽略。田間試驗(yàn)表明，與人工對(duì)行相比，自動(dòng)對(duì)行平均偏行量減小了8.08cm，同比降低56.62%，無偏行率同比提高275%。

摘要:針對(duì)國(guó)內(nèi)制種玉米種穗缺少相應(yīng)的收獲機(jī)，而制種玉米收獲勞動(dòng)強(qiáng)度大，現(xiàn)有玉米收獲機(jī)的果穗損失率、落地籽粒損失率等技術(shù)指標(biāo)不能滿足使用要求等問題，設(shè)計(jì)了對(duì)中拉莖切柄、柔性摘穗、快速清種制種玉米種穗收獲機(jī)。簡(jiǎn)述了整機(jī)結(jié)構(gòu)和工作原理，對(duì)關(guān)鍵部件進(jìn)行了理論分析、設(shè)計(jì)計(jì)算和選型，通過田間試驗(yàn)對(duì)該機(jī)的可靠性和實(shí)用性進(jìn)行驗(yàn)證。以割臺(tái)拉莖輥轉(zhuǎn)速、前進(jìn)速度、排雜風(fēng)機(jī)轉(zhuǎn)速作為試驗(yàn)因素，以果穗損失率和落地籽粒損失率為性能指標(biāo)，進(jìn)行了三因素三水平正交試驗(yàn)，通過方差分析獲得最優(yōu)參數(shù)組合為前進(jìn)速度4.83km/h、割臺(tái)拉莖輥轉(zhuǎn)速788r/min、排雜風(fēng)機(jī)轉(zhuǎn)速1200r/min，此時(shí)果穗損失率為1.83%，落地籽粒損失率為1.01%。將對(duì)應(yīng)參數(shù)進(jìn)行試驗(yàn)驗(yàn)證，得到驗(yàn)證試驗(yàn)結(jié)果為：果穗損失率1.85%，落地籽粒損失率1.01%。優(yōu)化結(jié)果與驗(yàn)證試驗(yàn)結(jié)果基本一致，整機(jī)各項(xiàng)性能指標(biāo)滿足使用要求。

摘要:針對(duì)谷子機(jī)械收獲過程中谷碼率高、破損率高、未脫凈損失率高的問題，設(shè)計(jì)了一種縱軸流雙柔性碾搓式谷子脫粒裝置。該裝置采用縱軸流脫粒滾筒，脫粒滾筒上通過安裝柔性橡膠輥降低了谷子籽粒破損率，從而實(shí)現(xiàn)谷子柔性低損傷脫粒，橡膠圈外表面的波浪形凸起對(duì)谷子具有很好的碾搓脫粒性能。柔性凹板篩由空心圓柱旋轉(zhuǎn)篩分單元兩兩相互交錯(cuò)組成，每組兩排空心圓柱旋轉(zhuǎn)篩分單元相互交錯(cuò)配合，形成適合谷子籽粒分離的U形孔，凹板篩支撐裝置具有微動(dòng)性，與柔性凹板篩配合形成柔性微動(dòng)凹板篩，有利于谷子籽粒分離和降低谷碼率。選取喂入量、滾筒轉(zhuǎn)速和脫粒間隙為試驗(yàn)因素，以谷碼率、破損率、未脫凈損失率和功耗為指標(biāo)，進(jìn)行了三元二次回歸正交旋轉(zhuǎn)組合試驗(yàn)，確定了喂入量、滾筒轉(zhuǎn)速和脫粒間隙的最佳參數(shù)組合。結(jié)果表明：當(dāng)喂入量1.4kg/s、滾筒轉(zhuǎn)速735r/min和凹板間隙9mm時(shí)，谷子籽粒破損率為0.35%，谷碼率為1.78%，未脫凈損失率為0.64%，功耗為10.6kW。

摘要:為提高玉米秸稈皮穰分離率、推進(jìn)秸稈高值化利用進(jìn)程，采用Abaqus/Explicit動(dòng)力學(xué)顯式求解器和中心差分求解法，對(duì)異向碾壓和異向碾壓錘切2種耦合式皮穰分離方法進(jìn)行模擬分析，確定最佳耦合分離方式為異向碾壓錘切耦合作用，進(jìn)而試制秸稈異向碾壓錘切皮穰分離試驗(yàn)臺(tái)，并確定最佳工作與結(jié)構(gòu)參數(shù)。以刀盤轉(zhuǎn)速、碾壓揭皮輥轉(zhuǎn)速和刀片滑切角為試驗(yàn)因素，以秸稈皮穰分離率為試驗(yàn)指標(biāo)，通過三元二次正交回歸組合試驗(yàn)對(duì)分離試驗(yàn)臺(tái)進(jìn)行參數(shù)優(yōu)化，利用Design-Expert進(jìn)行數(shù)據(jù)分析，建立因素與指標(biāo)間數(shù)學(xué)模型。試驗(yàn)表明：在刀盤轉(zhuǎn)速為449r/min、碾壓揭皮輥轉(zhuǎn)速為226r/min、刀片滑切角為46°的最優(yōu)工作參數(shù)組合下，皮穰分離率為88%，分離后的皮穰呈段狀，滿足實(shí)際生產(chǎn)需求。

摘要:機(jī)組的壓力脈動(dòng)是表征水輪機(jī)穩(wěn)定性的主要參數(shù)之一，但僅基于壓力脈動(dòng)幅值判定水輪機(jī)的穩(wěn)定性存在一定的局限性。采用多通道壓力脈動(dòng)同步采集系統(tǒng)同步采集某高水頭混流式水輪機(jī)部分負(fù)荷下多部位壓力脈動(dòng)數(shù)據(jù)，然后綜合互相關(guān)分析和互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMD)方法提取各壓力脈動(dòng)信號(hào)的主分量，對(duì)各壓力脈動(dòng)信號(hào)的主分量數(shù)據(jù)進(jìn)行樣本熵計(jì)算，獲得不同測(cè)點(diǎn)在運(yùn)行范圍內(nèi)的樣本熵分布規(guī)律。結(jié)果表明：在部分負(fù)荷下，尾水管內(nèi)部的空腔渦帶仍然是影響高水頭混流式水輪機(jī)穩(wěn)定性的主要因素；可根據(jù)水輪機(jī)各部位壓力脈動(dòng)信號(hào)主分量的頻率信息推斷水輪機(jī)內(nèi)部水力不穩(wěn)定源的類型；關(guān)鍵測(cè)點(diǎn)處壓力脈動(dòng)幅值分布規(guī)律與樣本熵分布規(guī)律的對(duì)比表明，壓力脈動(dòng)信號(hào)主分量的樣本熵變化趨勢(shì)能夠反映水輪機(jī)內(nèi)部流動(dòng)狀態(tài)的變化趨勢(shì)。

摘要:為提高復(fù)雜環(huán)境下奶牛發(fā)情行為識(shí)別精度和速度，提出了一種基于改進(jìn)YOLO v3模型的奶牛發(fā)情行為識(shí)別方法。針對(duì)YOLO v3模型原錨點(diǎn)框尺寸不適用于奶牛數(shù)據(jù)集的問題，對(duì)奶牛數(shù)據(jù)集進(jìn)行聚類，并對(duì)獲得的新錨點(diǎn)框尺寸進(jìn)行優(yōu)化；針對(duì)因數(shù)據(jù)集中奶牛個(gè)體偏大等原因而導(dǎo)致模型識(shí)別準(zhǔn)確率低的問題，引入DenseBlock結(jié)構(gòu)對(duì)YOLO v3模型原特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)，提高了模型識(shí)別性能；將YOLO v3模型原邊界框損失函數(shù)使用均方差(MSE)作為損失函數(shù)度量改為使用FIoU和兩框中心距離Dc度量，提出了新的邊界框損失函數(shù)，使其具有尺度不變性。從96段具有發(fā)情爬跨行為的視頻片段中各選取50幀圖像，根據(jù)發(fā)情爬跨行為在活動(dòng)區(qū)出現(xiàn)位置的不確定性和活動(dòng)區(qū)光照變化的特點(diǎn)，對(duì)圖像進(jìn)行水平翻轉(zhuǎn)、±15°旋轉(zhuǎn)、隨機(jī)亮度增強(qiáng)（降低）等數(shù)據(jù)增強(qiáng)操作，用增強(qiáng)后的數(shù)據(jù)構(gòu)建訓(xùn)練集和驗(yàn)證集，對(duì)改進(jìn)后的模型進(jìn)行訓(xùn)練，并依據(jù)F1、mAP、準(zhǔn)確率P和召回率R指標(biāo)進(jìn)行模型優(yōu)選。在測(cè)試集上的試驗(yàn)表明，本文方法模型的識(shí)別準(zhǔn)確率為99.15%，召回率為97.62%，且處理速度達(dá)到31f/s，能夠滿足復(fù)雜養(yǎng)殖環(huán)境、全天候條件下奶牛發(fā)情行為的準(zhǔn)確、實(shí)時(shí)識(shí)別。

摘要:為了對(duì)細(xì)粒度菌菇進(jìn)行表型識(shí)別，在雙線性卷積神經(jīng)網(wǎng)絡(luò)細(xì)粒度圖像識(shí)別框架基礎(chǔ)上，提出了一種基于遷移學(xué)習(xí)和雙線性Inception-ResNet-v2網(wǎng)絡(luò)的菌菇識(shí)別方法。利用Inception-ResNet-v2網(wǎng)絡(luò)的特征提取能力，結(jié)合雙線性匯合操作，提取菌菇圖像數(shù)據(jù)的細(xì)粒度特征，采用遷移學(xué)習(xí)將ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練的模型參數(shù)遷移到細(xì)粒度菌類表型數(shù)據(jù)集上。試驗(yàn)表明，在開源數(shù)據(jù)集和個(gè)人數(shù)據(jù)集上，識(shí)別精度分別達(dá)到87.15%和93.94%。開發(fā)了基于Flask框架的在線菌類表型識(shí)別系統(tǒng)，實(shí)現(xiàn)了細(xì)粒度菌菇表型的在線識(shí)別與分析。

摘要:為了解決傳統(tǒng)三維點(diǎn)云重建過程中人工調(diào)參費(fèi)時(shí)、費(fèi)力，且精度得不到保障等問題，提出了一種三維點(diǎn)云自動(dòng)化配準(zhǔn)算法，并應(yīng)用于油麥菜三維重建。使用Kinect相機(jī)采集油麥菜不同視角下的點(diǎn)云數(shù)據(jù)，通過配準(zhǔn)實(shí)驗(yàn)分析配準(zhǔn)參數(shù)的變化規(guī)律，繼而建立了配準(zhǔn)評(píng)價(jià)體系，實(shí)現(xiàn)了兩片點(diǎn)云的自動(dòng)化配準(zhǔn)，并通過最小化匹配誤差積累將多幅點(diǎn)云變換到同一基準(zhǔn)坐標(biāo)系下，實(shí)現(xiàn)了油麥菜三維重建。對(duì)隨機(jī)選取的12株油麥菜進(jìn)行自動(dòng)化三維重建，結(jié)果表明，在兩片點(diǎn)云重疊率不低于30%的前提下，本文算法可獲得最優(yōu)參數(shù)組合，自動(dòng)全局配準(zhǔn)平均距離誤差為0.65cm，平均耗時(shí)為44.05s，具有較高的配準(zhǔn)精確度和穩(wěn)定性。本文算法能有效減少配準(zhǔn)誤差積累、構(gòu)建較高精度的完整結(jié)構(gòu)，可為其他作物三維重建提供參考。

摘要:針對(duì)小麥莖稈截面顯微圖像分割過程的復(fù)雜性，融合ResNet50和Unet網(wǎng)絡(luò)構(gòu)建維管束和背景區(qū)域的語義分割模型Res-Unet，搭建對(duì)小麥莖稈截面、髓腔、厚壁和背景的語義分割模型Mobile-Unet，可實(shí)現(xiàn)對(duì)小麥莖稈截面尺寸、髓腔尺寸和維管束面積等微觀結(jié)構(gòu)參數(shù)的檢測(cè)。針對(duì)小麥樣本數(shù)據(jù)集，通過深度學(xué)習(xí)中遷移學(xué)習(xí)的共享參數(shù)方式，將訓(xùn)練好的ResNet50網(wǎng)絡(luò)權(quán)重應(yīng)用到莖稈截面切片圖像的網(wǎng)絡(luò)模型上。結(jié)果表明，與同類方法相比，相關(guān)參數(shù)在精度上均有較大提升，全部參數(shù)的識(shí)別率超過97%，最高可達(dá)99.91%，平均每幅圖像檢測(cè)只需21.6s，與已有圖像處理方法（110s）相比，處理速度提升了80.36%。模型評(píng)估的準(zhǔn)確率、召回率、F1值和平均交并比均達(dá)到90%。本文方法可用于小麥莖稈微觀結(jié)構(gòu)的高通量觀察和參數(shù)測(cè)定，為作物抗倒伏研究奠定了技術(shù)基礎(chǔ)。

摘要:針對(duì)目前秸稈覆蓋率自動(dòng)識(shí)別準(zhǔn)確率低的問題，提出了一種秸稈圖像畸變校正與Otsu算法閾值分割相結(jié)合的圖像處理算法，并采用該方法計(jì)算田間秸稈覆蓋率。首先，通過單目攝像頭采集免耕播種機(jī)的作業(yè)環(huán)境信息，采用改進(jìn)的AdaBoost算法對(duì)目前工作環(huán)境是否為免耕地進(jìn)行自動(dòng)判斷；其次，對(duì)現(xiàn)場(chǎng)采集的秸稈覆蓋圖像進(jìn)行預(yù)處理，通過彩色空間距離化、圖像增強(qiáng)等方式提高圖像中秸稈的可識(shí)別特征；然后，建立逆向映射模型并結(jié)合最鄰近插值的方法解決圖像畸變問題；最后，裁剪出用于秸稈識(shí)別的圖像部分，通過Otsu算法進(jìn)行閾值分割、計(jì)算秸稈覆蓋率。通過實(shí)驗(yàn)對(duì)AdaBoost算法分類與秸稈覆蓋率的檢測(cè)效果進(jìn)行驗(yàn)證，結(jié)果表明，運(yùn)用AdaBoost算法能有效識(shí)別免耕播種機(jī)的工作環(huán)境，采用本文圖像處理算法計(jì)算田間秸稈覆蓋率，與實(shí)際測(cè)量誤差在5％以內(nèi)。

摘要:為實(shí)現(xiàn)快速、無損、實(shí)時(shí)監(jiān)測(cè)不同覆膜處理下春玉米的葉面積指數(shù)（Leaf area index，LAI），研究覆膜因子對(duì)LAI及冠層反射率的影響，借助高光譜遙感技術(shù)獲取了各生育期春玉米的冠層反射率，在對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理后，經(jīng)相關(guān)性分析提取各覆膜處理LAI的敏感單波段、敏感植被指數(shù)和特征指數(shù)，據(jù)此構(gòu)建了全生育期各覆膜處理下LAI的高光譜估算模型。結(jié)果表明，覆膜對(duì)LAI的影響主要在抽雄期之前，相同施肥水平下覆膜與無覆膜處理之間LAI的差異隨生育期的推進(jìn)呈先減小、后增大的趨勢(shì)，其中苗期差異最大，覆膜比無覆膜處理LAI增加78%以上；各覆膜處理冠層反射率之間的差異由大到小為生育中期、生育末期、生育初期，覆膜主要影響玉米對(duì)綠光和紅光的吸收?；?個(gè)指標(biāo)構(gòu)建各覆膜處理下LAI的估算模型，以特征指數(shù)為因變量建立的模型對(duì)LAI的反演結(jié)果精度較高，其擬合和驗(yàn)證決定系數(shù)R2均在0.8以上，均方根誤差RMSE為0.45~0.65cm2/cm2，剩余預(yù)測(cè)偏差RPD均大于2，由于覆膜的影響，無覆膜處理LAI反演精度高于覆膜處理。以特征指數(shù)NI(722,731)為自變量建立的所有處理的混合LAI估算模型表現(xiàn)了反演的優(yōu)越性，能降低覆膜對(duì)LAI反演的影響。

摘要:以基于無人機(jī)多光譜影像提取的夏玉米植被指數(shù)作為特征變量，利用皮爾森相關(guān)系數(shù)結(jié)合隨機(jī)森林反向驗(yàn)證權(quán)重的方法進(jìn)行特征選擇，去除冗余特征。以隨機(jī)森林、梯度提升樹、支持向量機(jī)和嶺回歸作為初級(jí)學(xué)習(xí)器，以嶺回歸作為次級(jí)學(xué)習(xí)器，建立基于Stacking集成學(xué)習(xí)的夏玉米覆蓋度估測(cè)模型，并通過5折交叉驗(yàn)證進(jìn)一步提升模型泛化能力，采用隨機(jī)搜索和網(wǎng)格搜索結(jié)合的方法對(duì)模型超參數(shù)進(jìn)行優(yōu)化，使用4種回歸指標(biāo)進(jìn)行模型精度評(píng)價(jià)，并利用次年數(shù)據(jù)驗(yàn)證其魯棒性。結(jié)果表明，與單一模型以及決策樹、Xgboost、Adaboost、Bagging集成框架相比，Stacking集成學(xué)習(xí)模型具有更高的精度和更強(qiáng)的魯棒性，R2為0.9509，比單一模型平均提升0.0369，比其他集成模型平均提升0.0417；Stacking集成學(xué)習(xí)模型RMSE、MAE和MAPE分別為0.0432、0.0330和5.01%，各指標(biāo)分別比單一模型平均降低0.0138、0.0130和2.14個(gè)百分點(diǎn)，分別比其他集成模型平均降低0.0185、0.0126和2.15個(gè)百分點(diǎn)。本研究為夏玉米覆蓋度估測(cè)提供了新的方法。

摘要:為了揭示電磁波信號(hào)在農(nóng)田土壤中的傳輸特性、科學(xué)部署傳感器節(jié)點(diǎn)，以關(guān)中地區(qū)農(nóng)田土壤為研究對(duì)象，采用模塊化設(shè)計(jì)思想，將傳感器、無線數(shù)傳、處理器和能量供應(yīng)等模塊集于一體，設(shè)計(jì)了無線地下傳感器網(wǎng)絡(luò)（Wireless underground sensor networks，WUSN）節(jié)點(diǎn)和匯聚節(jié)點(diǎn)。采用單因素試驗(yàn)方法，分析了土壤含水率、WUSN節(jié)點(diǎn)埋深、節(jié)點(diǎn)間水平距離對(duì)WUSN節(jié)點(diǎn)信號(hào)傳輸?shù)挠绊懀⒘私邮招盘?hào)強(qiáng)度和誤碼率預(yù)測(cè)模型。結(jié)果表明，當(dāng)WUSN節(jié)點(diǎn)信號(hào)在地下垂直方向上傳輸時(shí)，土壤含水率增加2.5個(gè)百分點(diǎn)，接收信號(hào)強(qiáng)度降低4~6dBm，通信誤碼率增加3~5個(gè)百分點(diǎn)；WUSN節(jié)點(diǎn)埋深增加5cm，接收信號(hào)強(qiáng)度降低3~5dBm，通信誤碼率增加3~4.5個(gè)百分點(diǎn)。當(dāng)WUSN節(jié)點(diǎn)信號(hào)在地下水平方向上傳輸時(shí)，土壤含水率增加2.5個(gè)百分點(diǎn)，接收信號(hào)強(qiáng)度降低5~7dBm，通信誤碼率增加4~5個(gè)百分點(diǎn)；節(jié)點(diǎn)間水平距離在10~90cm范圍內(nèi)，節(jié)點(diǎn)間水平距離增加10cm，接收信號(hào)強(qiáng)度降低6~8dBm，通信誤碼率增加6.5~8個(gè)百分點(diǎn)；節(jié)點(diǎn)間水平距離在90~190cm范圍內(nèi)，節(jié)點(diǎn)間水平距離增加10cm，接收信號(hào)強(qiáng)度降低約1dBm，通信誤碼率增加1~1.5個(gè)百分點(diǎn)WUSN節(jié)點(diǎn)信號(hào)在垂直、水平兩種傳輸方向上誤碼率和接收信號(hào)強(qiáng)度預(yù)測(cè)模型擬合優(yōu)度R2最高為0.982，均方根誤差RMSE為1.7%，擬合優(yōu)度R2最低為0.942，均方根誤差RMSE為5.136dBm。WUSN節(jié)點(diǎn)信號(hào)在土壤中傳輸受到土壤含水率、WUSN節(jié)點(diǎn)埋深和節(jié)點(diǎn)間水平距離的嚴(yán)重影響。

摘要:快速、準(zhǔn)確、無損估測(cè)馬尾松林葉面積指數(shù)對(duì)精準(zhǔn)林業(yè)管理具有重要意義。以小型低空無人機(jī)為平臺(tái)，搭載RedEdge多光譜傳感器，獲取福建省西部馬尾松林多光譜影像，運(yùn)用重采樣的方式獲取并計(jì)算不同空間分辨率（0.08、0.1、0.2、0.5、1、2、5m）下的植被指數(shù)，結(jié)合地面實(shí)測(cè)LAI數(shù)據(jù)，分析其與植被指數(shù)的相關(guān)性，進(jìn)而采用線性模型（LR）、多元逐步回歸模型（MSR）、隨機(jī)森林模型（RF）、支持向量機(jī)模型（SVM）和人工神經(jīng)網(wǎng)絡(luò)模型（BP）構(gòu)建不同空間分辨率下的馬尾松林LAI估測(cè)模型，以決定系數(shù)（R2）、均方根誤差（RMSE）、相對(duì)分析誤差（RPD）和總體精度（TA）來評(píng)價(jià)估測(cè)模型精度，從而確定最佳空間分辨率和最佳模型。結(jié)果表明，不同空間分辨率下LAI與植被指數(shù)均呈極顯著相關(guān)（p<0.01）；多變量模型（MSR、RF、SVM、BP）的調(diào)整R2平均值高于LR模型；隨著空間分辨率的增加，不同模型的R2整體上呈先增大后減小的趨勢(shì)；當(dāng)空間分辨率為0.5m時(shí)，利用植被指數(shù)建立的RF模型為馬尾松林LAI的最佳估測(cè)模型，RF模型的調(diào)整R2為0.766，模型估測(cè)的R2、RMSE、RPD和TA分別為0.554、0.421、1.523和81.95%。本研究可為無人機(jī)多光譜遙感反演森林LAI表型參數(shù)的空間分辨率和模型選擇提供理論參考。

摘要:開展國(guó)土空間轉(zhuǎn)型研究對(duì)綜合評(píng)估國(guó)土空間變化、探求人類活動(dòng)與國(guó)土空間變化系統(tǒng)的耦合規(guī)律具有重要意義。以山東省為研究區(qū)，基于多期土地利用遙感監(jiān)測(cè)數(shù)據(jù)，對(duì)該省國(guó)土三生空間進(jìn)行分類評(píng)價(jià)，運(yùn)用地學(xué)信息圖譜論并結(jié)合轉(zhuǎn)型理念，分析并揭示了1980—2018年國(guó)土空間時(shí)空轉(zhuǎn)型特征。結(jié)果表明：山東省國(guó)土以農(nóng)業(yè)生產(chǎn)空間為主，城鎮(zhèn)生活空間擴(kuò)張幅度顯著高于農(nóng)村生活空間，水域生態(tài)空間和工礦生產(chǎn)空間面積波動(dòng)變化，其他生態(tài)空間面積持續(xù)性下降；不同時(shí)間段表現(xiàn)出不同的國(guó)土空間轉(zhuǎn)型特點(diǎn)，2000—2018年比1980—2000年轉(zhuǎn)型更為強(qiáng)烈。1980—2000年以農(nóng)業(yè)生產(chǎn)空間轉(zhuǎn)型至生活空間、生態(tài)空間轉(zhuǎn)型至生產(chǎn)空間為主，2000—2018年則主要為生活空間與生產(chǎn)空間、生產(chǎn)空間與生態(tài)空間的交互轉(zhuǎn)型；1980—2000年漲勢(shì)圖譜主要為工礦生產(chǎn)空間、農(nóng)業(yè)生產(chǎn)空間和城鎮(zhèn)生活空間，2000—2018年新增國(guó)土總面積為1980—2000年的3.42倍，其中農(nóng)村和城鎮(zhèn)生活空間分別增長(zhǎng)至4.29倍和2.65倍；城鎮(zhèn)生活空間落勢(shì)圖譜面積均偏低，而農(nóng)村生活空間萎縮面積持續(xù)增長(zhǎng)、生態(tài)空間迅速萎縮。

摘要:針對(duì)早期干旱脅迫與鹽脅迫在植物處于逆境時(shí)難以區(qū)分的問題，提出一種基于光誘導(dǎo)植物電信號(hào)的干旱脅迫與鹽脅迫辨識(shí)方法。使用光/暗循環(huán)刺激獲取了小麥幼苗在正常狀態(tài)以及等滲干旱脅迫與鹽脅迫下的植物葉表面電位，并利用一對(duì)一分類策略的支持向量機(jī)（One-versus-one support vector machine，OVOSVM）對(duì)獲取的植物電信號(hào)樣本進(jìn)行分類。三折交叉驗(yàn)證結(jié)果顯示：對(duì)正常狀態(tài)與干旱脅迫下小麥幼苗葉表面電位進(jìn)行二分類，分類準(zhǔn)確率達(dá)到100%；對(duì)正常狀態(tài)與鹽脅迫下小麥幼苗葉表面電位進(jìn)行二分類，準(zhǔn)確率為94.44%；進(jìn)行三分類時(shí)準(zhǔn)確率達(dá)到96.30%；對(duì)等滲干旱脅迫與鹽脅迫下獲取的小麥葉表面電位進(jìn)行二分類，分類準(zhǔn)確率為100%。研究表明，植物電信號(hào)作為一種辨識(shí)逆境脅迫的方法，可對(duì)等滲條件下早期干旱脅迫與鹽脅迫進(jìn)行準(zhǔn)確區(qū)分。

摘要:為了解決“中國(guó)農(nóng)技推廣APP”問答社區(qū)中水稻提問數(shù)據(jù)快速自動(dòng)分類的問題，提出一種基于Attention_DenseCNN的水稻文本分類方法。根據(jù)水稻文本具備的特征，采用Word2vec方法對(duì)文本數(shù)據(jù)進(jìn)行處理與分析，并結(jié)合農(nóng)業(yè)分詞詞典對(duì)文本數(shù)據(jù)進(jìn)行向量化處理，采用Word2vec方法能夠有效地解決文本的高維性和稀疏性問題。對(duì)卷積神經(jīng)網(wǎng)絡(luò)（CNN）上下游卷積塊之間建立一條稠密的鏈接，并結(jié)合注意力機(jī)制（Attention），使文本中的關(guān)鍵詞特征得以充分體現(xiàn)，使文本分類模型具有更好的文本特征提取精度，從而提高了分類精確率。試驗(yàn)表明：基于Attention_DenseCNN的水稻問句分類模型可以提高文本特征的利用率、減少特征丟失，能夠快速、準(zhǔn)確地對(duì)水稻問句文本進(jìn)行自動(dòng)分類，其分類精確率及F1值分別為95.6%和94.9%，與其他7種神經(jīng)網(wǎng)絡(luò)問句分類方法相比，分類效果明顯提升。

摘要:在食品安全法規(guī)問答系統(tǒng)中，食品安全法規(guī)問題的單標(biāo)簽文本分類不能完全概括問題所包含的有效信息，為了改進(jìn)單標(biāo)簽文本分類效果，根據(jù)問題所涉及食品安全角度和層次的不同，提出一種基于BERT-LEAM（Bidirectional encoder representational from transformers-label embedding attentive model）的多標(biāo)簽文本分類方法。采用多角度、分層次的多標(biāo)簽標(biāo)注方法將單個(gè)問題文本賦予多個(gè)標(biāo)簽，并引入BERT預(yù)訓(xùn)練語言模型表示上下文特征信息， 通過Attention機(jī)制學(xué)習(xí)標(biāo)簽與文本的依賴關(guān)系，進(jìn)行Word embedding的聚合，將標(biāo)簽應(yīng)用到文本分類過程中。實(shí)驗(yàn)表明，在粗粒度多標(biāo)簽數(shù)據(jù)集上的分類效果明顯優(yōu)于細(xì)粒度多標(biāo)簽數(shù)據(jù)集上的分類效果，BERT進(jìn)行文本特征表示的方法優(yōu)于Word2Vec方法，采用BERT-LEAM模型的分類方法在粗粒度多標(biāo)簽數(shù)據(jù)集與細(xì)粒度多標(biāo)簽數(shù)據(jù)集的F1-W值分別為93.35%和79.81%，其分類效果優(yōu)于其他分類模型。

摘要:為揭示地下水與微咸水灌溉條件下灌水量對(duì)土壤CO2、N2O排放和春玉米生長(zhǎng)的影響，設(shè)置2種灌溉水含鹽量（1.1、5.0g/L）和3種灌水量（210、255、300mm），于2019年4—9月在內(nèi)蒙古自治區(qū)河套灌區(qū)進(jìn)行了春玉米田間試驗(yàn)。結(jié)果表明，不同灌水量下，微咸水（含鹽量5.0g/L）灌溉比地下水（含鹽量1.1g/L）灌溉土壤N2O累積排放量提高了19.86%~44.21%，但利用微咸水灌溉并不會(huì)影響土壤CO2累積排放量與全球增溫潛勢(shì)。在相同的灌溉水鹽分條件下，灌水量為300mm時(shí)土壤CO2、N2O累積排放量和全球增溫潛勢(shì)均最大，灌水量為210mm和255mm時(shí)并不會(huì)對(duì)土壤CO2、N2O的累積排放量和全球增溫潛勢(shì)產(chǎn)生顯著影響。相關(guān)性分析表明，土壤含水率和無機(jī)氮含量是影響土壤CO2、N2O排放的重要因素，灌溉水鹽分通過促進(jìn)土壤的硝化作用促進(jìn)土壤N2O排放。在微咸水灌溉條件下，春玉米產(chǎn)量較地下水灌溉減少了30.88%~37.32%。隨著灌水量的增大，春玉米產(chǎn)量呈增加趨勢(shì)，但255mm和300mm灌水量條件下的春玉米產(chǎn)量差異不顯著。在地下水與微咸水灌溉條件下，灌水量為255mm時(shí)，土壤鹽分累積較小，春玉米產(chǎn)量較高，土壤CO2、N2O累積排放量和全球增溫潛勢(shì)相對(duì)較小，是灌區(qū)適宜采用的灌溉定額。

摘要:為提高甘薯產(chǎn)量、品質(zhì)以及水氮利用效率，設(shè)置3個(gè)灌水水平：不灌水（P1）、滴灌濕潤(rùn)比30%（P2）、滴灌濕潤(rùn)比60%（P3），3個(gè)施氮水平：90kg/hm2（N1）、180kg/hm2（N2）、270kg/hm2（N3），共9個(gè)處理進(jìn)行田間試驗(yàn)，探索不同水氮組合下甘薯生長(zhǎng)指標(biāo)、產(chǎn)量以及營(yíng)養(yǎng)成分對(duì)水肥的響應(yīng)。研究分析不同水肥處理下甘薯蔓長(zhǎng)、莖粗、干物質(zhì)積累量、塊莖分級(jí)、產(chǎn)量、塊莖可溶性糖含量、塊莖淀粉含量、塊莖總類胡蘿卜素含量以及塊莖粗蛋白含量等指標(biāo)的變化。結(jié)果表明：在相同滴灌濕潤(rùn)比處理下，N3處理地上干物質(zhì)量大于N2、N1處理（N1P2除外）。在定植后157d，N1、N3施氮量處理下的P3處理地上干物質(zhì)量最高，N2施氮量處理下則是P2處理地上干物質(zhì)量最高。在生育期后期、不灌水（P1）條件下，N3處理地下干物質(zhì)量最高；在P2、P3處理下，則N2處理最高。在相同滴灌濕潤(rùn)比處理下，隨著施氮量的增加，甘薯產(chǎn)量、單株結(jié)薯數(shù)、大薯塊個(gè)數(shù)（質(zhì)量）以及可溶性糖含量均先增加、后減小，甘薯塊莖粗蛋白含量先略有減小、而后增加，總類胡蘿卜素含量減少。而在相同施氮量、不同滴灌濕潤(rùn)比處理間各指標(biāo)均無顯著性差異。N2P3（中氮高水）處理甘薯產(chǎn)量、可溶性糖含量表現(xiàn)最優(yōu)，N3P2（高氮中水）處理甘薯塊莖粗蛋白含量最高，N1P1（低氮不灌水）處理甘薯塊莖總類胡蘿卜素含量最高。綜合考慮甘薯的產(chǎn)量、氮肥偏生產(chǎn)力與品質(zhì)，經(jīng)回歸分析表明，在本試驗(yàn)條件下甘薯較為適宜的滴灌濕潤(rùn)比為60%，氮肥用量為180.25kg/hm2。

摘要:為探究節(jié)水灌溉稻田蒸發(fā)蒸騰過程及其比例變化特征，建立能準(zhǔn)確反映水稻蒸騰與棵間土壤蒸發(fā)分?jǐn)傟P(guān)系的計(jì)算公式，采用自制的微型蒸滲儀系統(tǒng)觀測(cè)2015年和2016年水稻生育期稻田蒸散量（ETCML）和蒸發(fā)量（E），分析了典型天氣和各生育期ETCML、E和蒸騰量（T）的日/稻季變化特征及E與T的比例變化。結(jié)果表明：晴天ETCML、T和E變化趨勢(shì)相同，但E易受生長(zhǎng)階段與環(huán)境的影響；陰天ETCML和T呈多峰變化；雨天測(cè)量值有明顯誤差，微型蒸滲儀會(huì)因降雨、灌水、強(qiáng)風(fēng)、水汽凝結(jié)、邊界效應(yīng)、水稻生長(zhǎng)等因素而影響數(shù)據(jù)的可靠性。節(jié)水灌溉稻田T決定了ETCML的大小和變化規(guī)律，E僅在初期呈倒“U”形。ETCML和T逐日變化隨凈輻射（Rn）先增后減，在分蘗中后期達(dá)到峰值，存在明顯的物候特征。蒸發(fā)量與蒸散量的比值(E/ETCML)由水稻生長(zhǎng)初期的0.95逐漸減小，全生育期平均為0.37。 E/ETCML可用其與水稻移栽時(shí)間和葉面積指數(shù)(LAI)的對(duì)數(shù)關(guān)系進(jìn)行描述，決定系數(shù)均大于0.88。研究蒸發(fā)蒸騰比例特征對(duì)田間水分管理及指導(dǎo)灌溉具有重要意義，可為雙源蒸散模型的改進(jìn)與擬合提供重要的數(shù)據(jù)支撐。

摘要:為研究不同草田輪作模式下寧夏銀北地區(qū)典型鹽堿地細(xì)菌群落組成特征，并確定影響細(xì)菌群落分布的環(huán)境因子，利用IlluminaHiSeq高通量測(cè)序技術(shù)，分析和比較了苜蓿連作、苜蓿休閑、苜蓿輪作油葵、苜蓿輪作飼料玉米、苜蓿輪作甜高粱5種典型旱作模式背景下的土壤細(xì)菌群落多樣性，同時(shí)分析了土壤環(huán)境因子與細(xì)菌群落結(jié)構(gòu)的關(guān)系。結(jié)果表明：變形菌門、放線菌門和酸桿菌門為5種草田輪作模式下土壤細(xì)菌群落的優(yōu)勢(shì)種類；變形菌門占總量的34.49%，變形菌門的相對(duì)豐度在苜蓿輪作油葵模式土壤中顯著高于其他模式（P<0.05）；放線菌門占總量的17.02%，放線菌門的相對(duì)豐度在苜蓿休閑、苜蓿輪作飼料玉米模式土壤中最高；酸桿菌門占總量的10.96%，酸桿菌門的相對(duì)豐度在苜蓿輪作甜高粱模式土壤中最高。在屬水平，節(jié)桿菌屬(Arthrobacter)為優(yōu)勢(shì)菌屬。土壤細(xì)菌多樣性以苜蓿休閑模式最高，苜蓿輪作甜高粱模式最低。土壤全鹽含量、pH值、堿化度、堿性磷酸酶活性在苜蓿輪作油葵模式中最低，速效磷、速效鉀含量在苜蓿休閑模式土壤中最低。寧夏銀北地區(qū)不同草田輪作模式下鹽堿化土壤細(xì)菌群落組成特征存在差異，土壤速效鉀含量、pH值、過氧化氫酶活性對(duì)此差異起主導(dǎo)作用。采用苜蓿輪作農(nóng)作物模式可以提高寧夏銀北地區(qū)鹽堿化土壤養(yǎng)分含量及酶活性，并有效改善細(xì)菌群落的多樣性，其中苜蓿輪作油葵模式細(xì)菌群落多樣性顯著高于其他模式，堿性磷酸酶活性和pH值是影響細(xì)菌群落結(jié)構(gòu)組成和多樣性最顯著的環(huán)境因子。

摘要:針對(duì)基于數(shù)值天氣預(yù)報(bào)（Numerical weather prediction，NWP）對(duì)參考作物蒸散量（Reference crop evapotranspiration，ET0）進(jìn)行預(yù)報(bào)通常需要數(shù)據(jù)偏差校正的問題，基于LightGBM機(jī)器學(xué)習(xí)方法和我國(guó)西北地區(qū)9個(gè)氣象站點(diǎn)數(shù)據(jù)提出一種對(duì)第二代全球集合預(yù)報(bào)系統(tǒng)（Global ensemble forecast system，GEFSv2）預(yù)報(bào)氣象因子進(jìn)行偏差校正的方法（M3）。該方法使用太陽輻射、最高和最低氣溫、相對(duì)濕度和風(fēng)速集合分別對(duì)每個(gè)氣象因子進(jìn)行重預(yù)報(bào)，再計(jì)算ET0。使用等距離累積分布函數(shù)（EDCDFm，M1）和單氣象因子輸入的LightGBM法（M2）對(duì)模型精度進(jìn)行評(píng)估。結(jié)果表明，GEFSv2的預(yù)報(bào)因子與相應(yīng)的觀測(cè)氣象因子之間存在不匹配問題，其不匹配程度因氣象因子不同而不同，太陽輻射的匹配度較高，相對(duì)濕度的匹配度較低。M3模型有助于緩解數(shù)據(jù)不匹配問題。M1、M2和M3方法在9站點(diǎn)預(yù)報(bào)ET0的平均均方根誤差（RMSE）分別介于0.66~0.93mm/d、0.57~0.83mm/d和0.53~0.79mm/d，平均絕對(duì)誤差（MAE）分別介于0.44~0.61mm/d、0.38~0.56mm/d和0.35~0.53mm/d，決定系數(shù)（R2）分別介于0.82~0.91、0.84~0.93和0.86~0.94。3種方法均在夏季誤差最大，1~16d平均RMSE分別為1.21、1.18、1.04mm/d。各預(yù)報(bào)因子中太陽輻射對(duì)ET0預(yù)報(bào)誤差影響最大，其后依次是風(fēng)速、最高氣溫、相對(duì)濕度和最低氣溫。在后處理過程中，NWP的最高氣溫預(yù)報(bào)值對(duì)其他因子預(yù)報(bào)精度的貢獻(xiàn)最大、對(duì)相對(duì)濕度預(yù)報(bào)精度的貢獻(xiàn)最小。建議在進(jìn)行NWP偏差校正時(shí)，應(yīng)考慮數(shù)據(jù)不匹配問題，通過多因子校正來彌補(bǔ)預(yù)報(bào)精度的不足。

摘要:評(píng)估了3種沖洗流速（0.25、0.50、0.75m/s）和5種沖洗頻率（2d沖洗1次、4d沖洗1次、7d沖洗1次、10d沖洗1次和無沖洗對(duì)照組）對(duì)內(nèi)嵌式齒形迷宮流道灌水器抗堵塞性能的影響，利用激光粒度儀對(duì)水源泥沙、滴頭排出泥沙、滴頭內(nèi)滯留泥沙進(jìn)行級(jí)配對(duì)比和粒徑分析，并對(duì)不同沖洗處理下灌水器的相對(duì)流量和灌水均勻度進(jìn)行擬合。結(jié)果表明：沖洗處理對(duì)齒形迷宮流道灌水器抗堵塞性能有顯著影響，12種沖洗處理提高了內(nèi)嵌式齒形迷宮流道灌水器的輸沙能力，使滴頭使用年限平均提高了39.58%；在沖洗作用下，泥沙凝聚沉降的機(jī)會(huì)降低，流道內(nèi)小顆粒泥沙及時(shí)排出，沒有形成體積較大的團(tuán)聚體，滴頭堵塞形成緩慢，灌水均勻度和流量系數(shù)下降緩慢；沖洗處理能有效減少毛管內(nèi)泥沙堆積，降低大顆粒泥沙進(jìn)入迷宮流道的機(jī)率，從而提高了齒形迷宮流道灌水器的抗堵塞性能。

摘要:根據(jù)海河平原20個(gè)氣象站1955—2019年逐日降水量計(jì)算了年尺度和季尺度的標(biāo)準(zhǔn)化降水指數(shù)(SPI)，對(duì)各尺度不同等級(jí)的干旱頻率及其時(shí)空特征進(jìn)行分析；以年尺度SPI為樣本，采用正態(tài)云發(fā)生器算法和多步還原逆向云變換算法構(gòu)建云模型，分析了干旱的隨機(jī)性和穩(wěn)定性。結(jié)果表明，海河平原區(qū)干旱頻率主要分布區(qū)間為[0.28,0.31]，呈現(xiàn)輕旱高頻、重旱低頻的特點(diǎn)；春旱發(fā)生頻率最高，冬旱頻率最小，夏季地區(qū)間及年際間差異最大。年際間SPI云模型的3個(gè)特征參數(shù)均呈減小趨勢(shì)，其中熵呈顯著減小趨勢(shì)，且超熵與熵呈顯著正相關(guān)，即SPI分布的隨機(jī)性和不均勻性變化趨勢(shì)一致；空間上各站點(diǎn)超熵和熵則呈極顯著負(fù)相關(guān)，隨機(jī)性和不均勻性呈相反趨勢(shì)；云特征的年際差異大于站點(diǎn)間差異，即云模型能夠更好地反映區(qū)域年際間SPI在空間上的隨機(jī)性和穩(wěn)定性。海河平原整體上有趨于干旱的趨勢(shì)，各站點(diǎn)SPI的隨機(jī)性顯著減小，且變化趨于穩(wěn)定。

摘要:為提高生物質(zhì)熱解氣的提質(zhì)轉(zhuǎn)化效率，以聚乙烯塑料熱解氣為間接加氫原料，利用低溫等離子體(Nonthermal plasma, NTP)協(xié)同Ru、Ti及Sn改性HZSM-5，間接加氫生物質(zhì)熱解氣制備烴類燃料，探討了金屬改性對(duì)反應(yīng)中活性自由基、有機(jī)相產(chǎn)率、理化特性與化學(xué)組成以及催化劑結(jié)焦率的影響。結(jié)果表明，在NTP條件下，Ru和Ti改性可以活化熱解氣，形成更多同尺度活性自由基，有利于混合熱解氣的有效整合，其中，Ti改性使有機(jī)相產(chǎn)率和高位熱值分別達(dá)到58.73%和38.73MJ/kg；Ru、Ti和Sn改性使有機(jī)相中芳香烴相對(duì)含量顯著升高，升幅分別為109.15%、208.55%和52.52%，Ru和Ti改性導(dǎo)致產(chǎn)物有效氫碳比降低；Ru、Ti和Sn改性催化劑的結(jié)焦率從12.88%分別降至9.44%、4.95%和10.91%，Ti改性催化劑具有較高的穩(wěn)定性。研究表明，在NTP作用下，Ti改性HZSM-5對(duì)混合熱解氣具有較高的提質(zhì)轉(zhuǎn)化效率，且催化穩(wěn)定性較高。

摘要:針對(duì)豬舍廢氣凈化系統(tǒng)的填料結(jié)構(gòu)，提出同時(shí)考慮結(jié)構(gòu)機(jī)械性能與凈化空間需求進(jìn)行填料結(jié)構(gòu)設(shè)計(jì)。將填料結(jié)構(gòu)視為一種周期性結(jié)構(gòu)，基于逆向均勻化方法和參數(shù)化水平集方法相結(jié)合的多目標(biāo)拓?fù)鋬?yōu)化方法，對(duì)周期性結(jié)構(gòu)的單胞拓?fù)浣Y(jié)構(gòu)進(jìn)行優(yōu)化。以填料結(jié)構(gòu)的最大等效體積模量和最大等效滲透率為優(yōu)化目標(biāo)，以等效孔隙率為約束條件，通過Hashin-Shtrikman屬性邊界得到等效體積模量及等效滲透率的極值，運(yùn)用帕累托優(yōu)化法求得滿足多目標(biāo)條件的帕累托最優(yōu)解。根據(jù)帕累托最優(yōu)解設(shè)計(jì)了不同孔隙率的填料結(jié)構(gòu)構(gòu)型，并通過試驗(yàn)驗(yàn)證填料結(jié)構(gòu)設(shè)計(jì)方法的可行性與正確性。試驗(yàn)表明，填料結(jié)構(gòu)前后端壓力差與填料結(jié)構(gòu)孔隙率成反比，與前端風(fēng)速成正比；當(dāng)填料結(jié)構(gòu)孔隙率分別為80%、85%和90%時(shí)，穩(wěn)定后平均除氨效率分別為66%、62%和58%。本研究可為豬場(chǎng)廢氣凈化系統(tǒng)填料結(jié)構(gòu)設(shè)計(jì)提供參考，可根據(jù)不同豬舍對(duì)風(fēng)阻與凈化效率的實(shí)際要求選擇填料結(jié)構(gòu)。

摘要:針對(duì)日光溫室冬季反季節(jié)生產(chǎn)中冠層溫度時(shí)空分布不均的問題，以典型西北日光溫室為研究對(duì)象,建立了40通道PT100溫度場(chǎng)監(jiān)測(cè)系統(tǒng)，對(duì)冬季番茄冠層全天候動(dòng)態(tài)溫度數(shù)據(jù)進(jìn)行采集，在此基礎(chǔ)上，采用克里金插值算法進(jìn)行冠層溫度場(chǎng)建模，通過差分進(jìn)化算法獲取溫度極值點(diǎn)，分析了不同天氣條件下冠層特征溫度的時(shí)空變化規(guī)律。結(jié)果表明，晴天、多云天、陰（雨）天插值驗(yàn)證的R2均大于0.94，平均均方根誤差分別為1.34、0.95、0.40℃，該算法更適用于陰（雨）天及夜間低溫冠層溫度場(chǎng)的插值；在不同天氣條件下，溫室冠層溫度全天整體上呈現(xiàn)西高東低、內(nèi)高外低的趨勢(shì)，陰（雨）天溫室內(nèi)溫度整體變化規(guī)律趨于一致，晴天、多云天氣揭被后，受外界光輻射等因素影響室內(nèi)溫度分布差異性較大，晴天夜間溫度的下降程度大于陰（雨）天；冠層極值點(diǎn)分布結(jié)果表明，在不同天氣條件下，極值特征點(diǎn)在日光溫室中分布區(qū)域基本相同，冠層最高溫點(diǎn)主要位于溫室中部[22.0m，2.5m]附近，最低溫點(diǎn)主要位于溫室東部外膜[4.0m，5.48m]附近。日光溫室冠層極值特征點(diǎn)的獲取為溫室栽培、溫度災(zāi)害監(jiān)測(cè)與傳感器部署等研究提供了理論基礎(chǔ)。

摘要:冷鮮羊肉的消費(fèi)量近年呈現(xiàn)持續(xù)增長(zhǎng)趨勢(shì)，保障其質(zhì)量安全至關(guān)重要。全質(zhì)構(gòu)分析法（TPA）是冷鮮羊肉質(zhì)量安全檢測(cè)的重要方法，但在實(shí)際檢測(cè)過程中獲取的部分TPA指標(biāo)數(shù)據(jù)存在較大誤差。通過解析冷鮮羊肉的TPA質(zhì)構(gòu)檢測(cè)過程，提出了一種基于數(shù)據(jù)可視化的冷鮮羊肉TPA指標(biāo)數(shù)據(jù)提取優(yōu)化方法。首先對(duì)實(shí)際檢測(cè)力度數(shù)據(jù)進(jìn)行滑動(dòng)平均濾波處理，在數(shù)據(jù)可視化方法基礎(chǔ)上，分別進(jìn)行TPA曲線對(duì)應(yīng)各特征節(jié)點(diǎn)的具體定位，構(gòu)建TPA指標(biāo)數(shù)據(jù)提取優(yōu)化模型，設(shè)計(jì)了自主檢測(cè)系統(tǒng)，并進(jìn)行了試驗(yàn)檢測(cè)。結(jié)果表明，基于優(yōu)化方法設(shè)計(jì)組裝的冷鮮羊肉TPA質(zhì)構(gòu)檢測(cè)系統(tǒng)比TA-XT PLUS型質(zhì)構(gòu)儀表現(xiàn)出數(shù)據(jù)穩(wěn)定的優(yōu)勢(shì)，其中粘性指標(biāo)數(shù)據(jù)平均測(cè)量誤差下降12.4個(gè)百分點(diǎn)，獲得的TPA指標(biāo)數(shù)據(jù)與樣品菌落總數(shù)指標(biāo)對(duì)數(shù)值表現(xiàn)出較高的相關(guān)性，其相關(guān)系數(shù)絕對(duì)值均大于0.8，能夠較好地反映試驗(yàn)期間冷鮮羊肉樣品的質(zhì)地特性變化。

摘要:研究了維生素C對(duì)(NH4)4Ce(SO4)4-NaBrO3-丙二酸化學(xué)振蕩系統(tǒng)振蕩的影響規(guī)律。以奶粉與純水空白樣為檢測(cè)樣本，將檢測(cè)樣本加入反應(yīng)池后進(jìn)行數(shù)據(jù)采集，當(dāng)振蕩曲線平穩(wěn)進(jìn)行到8min時(shí)，分別加入不同質(zhì)量的維生素C，考察維生素C添加量對(duì)相應(yīng)振蕩圖譜直觀信息與特征參數(shù)的影響。結(jié)果表明：當(dāng)每克奶粉中維生素C添加量大于0.0015g時(shí)，奶粉與純水空白樣的直觀圖譜及部分特征參數(shù)均變化較為明顯，尤其當(dāng)維生素C添加量大于0.0106g時(shí)，奶粉振蕩圖譜的特征參數(shù)干擾后的最大振幅基本不變，振蕩狀態(tài)基本停止。隨著不同添加量維生素C的加入，空白樣品化學(xué)振蕩圖譜存在一定的差異，當(dāng)維生素C添加量大于0.0203g時(shí)，干擾后的最大振幅基本達(dá)到平穩(wěn)狀態(tài)，而干擾后的峰谷電位則隨著維生素C添加量的逐漸增加而降低，當(dāng)維生素C添加量大于等于0.0254g時(shí)，干擾后的峰谷電位基本不再發(fā)生變化。本研究可為奶粉樣本中維生素C含量的定性與定量檢測(cè)分析提供理論依據(jù)。

摘要:為解決現(xiàn)有馬鈴薯通風(fēng)儲(chǔ)藏庫(kù)加濕系統(tǒng)選型參數(shù)標(biāo)準(zhǔn)模糊和加濕方式無法隨庫(kù)內(nèi)環(huán)境參數(shù)變化進(jìn)行自動(dòng)調(diào)節(jié)等問題，設(shè)計(jì)了一套馬鈴薯通風(fēng)儲(chǔ)藏庫(kù)自動(dòng)加濕系統(tǒng)。在現(xiàn)有馬鈴薯儲(chǔ)藏庫(kù)基礎(chǔ)上，考慮馬鈴薯生理特性，該加濕系統(tǒng)選擇PLC S7-200為主控制器，并運(yùn)用控制變量法進(jìn)行試驗(yàn)設(shè)計(jì)，采用Origin數(shù)據(jù)分析軟件對(duì)各影響因素與入口風(fēng)速和相對(duì)濕度之間的關(guān)系進(jìn)行單因素試驗(yàn)分析，研究加濕簾厚度、加濕泵功率和風(fēng)機(jī)風(fēng)速對(duì)儲(chǔ)藏庫(kù)加濕效果的影響。硬件選型試驗(yàn)表明，該儲(chǔ)藏庫(kù)的最佳參數(shù)組合為濕簾厚度45cm、加濕泵功率70W、風(fēng)機(jī)風(fēng)速16m/s，當(dāng)風(fēng)速達(dá)到16m/s時(shí)能夠達(dá)到完全穿透效果。加濕系統(tǒng)應(yīng)用試驗(yàn)證明，系統(tǒng)能夠正常工作，并且將庫(kù)內(nèi)相對(duì)濕度維持在95%左右，儲(chǔ)藏后馬鈴薯平均失重率為3.70%，滿足馬鈴薯儲(chǔ)藏的加濕需求，且系統(tǒng)可根據(jù)庫(kù)內(nèi)環(huán)境參數(shù)的變化進(jìn)行相應(yīng)調(diào)整，使馬鈴薯保持較充足的水分和較低的失重率，從而保證儲(chǔ)藏庫(kù)內(nèi)環(huán)境適合馬鈴薯儲(chǔ)藏。

摘要:為探究數(shù)據(jù)集中分類數(shù)量的平衡性對(duì)開心果品質(zhì)檢測(cè)的影響，將開心果圖像與深度學(xué)習(xí)網(wǎng)絡(luò)相結(jié)合，提出一種數(shù)據(jù)自動(dòng)平衡的檢測(cè)方法。根據(jù)行業(yè)標(biāo)準(zhǔn)將開心果數(shù)據(jù)集分為開口、閉口和缺陷3類，在此基礎(chǔ)上再分為未經(jīng)數(shù)據(jù)平衡和經(jīng)過數(shù)據(jù)平衡2個(gè)數(shù)據(jù)集，分別使用AlexNet、GoogLeNet、ResNet50、SqueezeNet、ShuffleNet和Xception 6種網(wǎng)絡(luò)對(duì)2類數(shù)據(jù)集進(jìn)行分類測(cè)試。結(jié)果表明，經(jīng)過數(shù)據(jù)平衡的數(shù)據(jù)集網(wǎng)絡(luò)準(zhǔn)確率均得到了提高，6種網(wǎng)絡(luò)平均測(cè)試準(zhǔn)確率由96.75%提高到99.26%，SqueezeNet網(wǎng)絡(luò)的測(cè)試集準(zhǔn)確率提升最明顯，由93.76%提高到99.02%，ResNet50網(wǎng)絡(luò)的測(cè)試準(zhǔn)確率最高，為99.96%。本文方法可用于開心果品質(zhì)視覺檢測(cè)。

摘要:針對(duì)核桃內(nèi)部品質(zhì)不易檢測(cè)、市場(chǎng)上帶殼核桃中劣質(zhì)核桃比例較高的問題，闡述了根據(jù)比重判斷核桃內(nèi)部品質(zhì)的原理，提出核桃無損檢測(cè)與分選方案。將攝像工具所采集的核桃圖像進(jìn)行處理、擬合，并估算核桃體積；由稱量平臺(tái)獲取核桃質(zhì)量并換算成重量；根據(jù)核桃的比重使不同核桃落入不同容器中，或根據(jù)核桃沖擊力與核桃體積的比值，即比重等效參數(shù)對(duì)核桃進(jìn)行檢測(cè)與分選。在核桃下落到平面時(shí)，核桃中分面與平面的夾角相對(duì)穩(wěn)定在60°左右，利用這一特點(diǎn)設(shè)置正面、側(cè)面圖像采集工具，可較準(zhǔn)確地獲取核桃的輪廓，從而提高分選精度。該方法可間接檢測(cè)核桃內(nèi)部品質(zhì)，對(duì)核桃殼仁、工作環(huán)境、操作人員均無不良影響。

摘要:針對(duì)傳統(tǒng)計(jì)算機(jī)視覺技術(shù)在蘋果外部品質(zhì)分級(jí)中準(zhǔn)確率較低、魯棒性較差等問題，提出了基于深度學(xué)習(xí)的蘋果外觀分級(jí)方法（多卷積神經(jīng)網(wǎng)絡(luò)融合DXNet模型）。首先，在延安市超市、果園等場(chǎng)所實(shí)地拍攝不同外觀等級(jí)的蘋果圖像15000幅，并進(jìn)行人工標(biāo)記，建立了外部品質(zhì)信息覆蓋度廣、樣本量大的蘋果圖像數(shù)據(jù)庫(kù)；然后，在對(duì)比分析經(jīng)典卷積網(wǎng)絡(luò)模型的基礎(chǔ)上，采用模型融合的方式對(duì)經(jīng)典模型進(jìn)行優(yōu)化改進(jìn)，抽取經(jīng)典模型卷積部分進(jìn)行融合，作為特征提取器，共享全連接層用作分類器，并采用批歸一化和正則化技術(shù)防止模型過擬合。試驗(yàn)評(píng)估采用15000幅圖像進(jìn)行訓(xùn)練、4500幅圖像進(jìn)行測(cè)試，結(jié)果表明，DXNet模型的分級(jí)準(zhǔn)確率高于經(jīng)典模型，分級(jí)準(zhǔn)確率達(dá)到97.84%，驗(yàn)證了本文方法用于蘋果外部品質(zhì)分級(jí)的有效性。

摘要:三角履帶底盤具有高地隙、接地壓力小、機(jī)動(dòng)性好等優(yōu)點(diǎn)，多體動(dòng)力學(xué)分析是研究履帶底盤運(yùn)動(dòng)特性的重要方法。以高地隙三角履帶底盤為研究對(duì)象，建立了履帶底盤各組件和車體總成的拓?fù)浣Y(jié)構(gòu)模型，分析了各部分之間的約束和運(yùn)動(dòng)關(guān)系；采用運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)手段分析了履帶底盤行駛和爬坡的運(yùn)動(dòng)過程，構(gòu)建了承重輪與履帶接觸模型、履帶張緊力模型和履帶-軟地面接觸模型；建立了高地隙三角履帶底盤的三維模型，采用諧波疊加法構(gòu)建了B級(jí)路面（水泥硬質(zhì)路面）和E級(jí)路面（農(nóng)田軟質(zhì)路面）的路譜，并進(jìn)行了模型仿真與測(cè)試驗(yàn)證。結(jié)果表明，在硬質(zhì)路面和農(nóng)田軟質(zhì)路面上，所構(gòu)建模型的平均速度誤差率均小于1.50%，行駛偏移量誤差分別為5.68%、4.89%，平均俯仰角誤差不大于3%，說明高地隙三角履帶底盤多體動(dòng)力學(xué)模型具有較高的精度。

摘要:針對(duì)皮膚力傳感器對(duì)機(jī)器人碰撞點(diǎn)檢測(cè)的不足，提出了一種利用六維力傳感器進(jìn)行機(jī)器人本體碰撞點(diǎn)檢測(cè)的方法。該方法利用傳感器采集數(shù)據(jù)進(jìn)行自約束，無需依賴碰撞體表面幾何信息，將空間碰撞外力矢量線投影到最優(yōu)平面中進(jìn)行初步求解，再代入原始方程進(jìn)行碰撞點(diǎn)的求解；引入了誤差因子，以保證計(jì)算結(jié)果的絕對(duì)誤差最?。辉跀?shù)據(jù)預(yù)處理方面，提出了一種動(dòng)態(tài)力補(bǔ)償算法，以保證基座處六維力傳感器在機(jī)器人運(yùn)動(dòng)過程無外力碰撞下的讀數(shù)恒為零，當(dāng)傳感器的數(shù)值超過一定閾值后即可認(rèn)為機(jī)器人與外界發(fā)生碰撞。對(duì)本文提出的算法進(jìn)行了仿真實(shí)驗(yàn)，結(jié)果表明，動(dòng)態(tài)力補(bǔ)償算法的合力最大相對(duì)誤差為4.8925%，碰撞點(diǎn)檢測(cè)算法在實(shí)驗(yàn)距離最遠(yuǎn)598.61mm處誤差最大，為8.7119%。本文提出的動(dòng)態(tài)力補(bǔ)償算法的精度隨碰撞點(diǎn)距離的增加沒有明顯變化，但在碰撞力一定時(shí)，隨著碰撞距離的增加相對(duì)誤差不斷增大。

摘要:提出了具有耦合分支的兩轉(zhuǎn)動(dòng)兩移動(dòng)并聯(lián)機(jī)構(gòu)。基于李群理論分析了機(jī)構(gòu)自由度，該機(jī)構(gòu)動(dòng)平臺(tái)能輸出兩個(gè)轉(zhuǎn)動(dòng)運(yùn)動(dòng)和兩個(gè)移動(dòng)運(yùn)動(dòng)；采用閉環(huán)矢量法對(duì)機(jī)構(gòu)進(jìn)行了位置分析，求得位置反解；通過速度分析得到機(jī)構(gòu)的雅可比矩陣，在雅可比矩陣基礎(chǔ)上對(duì)機(jī)構(gòu)的奇異位形進(jìn)行了分析；采用虛功原理建立了機(jī)構(gòu)的剛度模型，并進(jìn)行了剛度性能分析；為消除內(nèi)部奇異產(chǎn)生的剛度退化，在機(jī)構(gòu)上增加了冗余驅(qū)動(dòng)分支，并對(duì)添加冗余驅(qū)動(dòng)分支前后機(jī)構(gòu)的剛度、工作空間等性能進(jìn)行了對(duì)比分析。以工作空間內(nèi)剛度平均值為目標(biāo)對(duì)冗余驅(qū)動(dòng)機(jī)構(gòu)進(jìn)行了尺度優(yōu)化設(shè)計(jì)，結(jié)果表明，優(yōu)化后的冗余驅(qū)動(dòng)機(jī)構(gòu)的剛度性能得到明顯提升。

摘要:幾何誤差對(duì)并聯(lián)機(jī)構(gòu)末端位姿精度產(chǎn)生重要影響。為揭示幾何誤差對(duì)并聯(lián)機(jī)構(gòu)末端位姿精度的影響規(guī)律，并據(jù)此確定其最優(yōu)區(qū)間，以2UPR-RPS型并聯(lián)機(jī)構(gòu)為例，進(jìn)行過約束并聯(lián)機(jī)構(gòu)的精度設(shè)計(jì)。采用一階攝動(dòng)法建立該并聯(lián)機(jī)構(gòu)的幾何誤差模型，獲得對(duì)末端位姿誤差有影響的幾何誤差源。利用區(qū)間分析理論建立末端位姿精度關(guān)于幾何誤差源的靈敏度指標(biāo)，通過靈敏度分析揭示幾何誤差源對(duì)末端位姿精度的影響程度。以靈敏度指標(biāo)作為權(quán)重建立精度綜合模型，采用均勻設(shè)計(jì)法確定在任務(wù)空間內(nèi)精度綜合的位姿點(diǎn)，推導(dǎo)各幾何誤差源的最優(yōu)區(qū)間，并據(jù)此制定關(guān)鍵零部件的精度等級(jí)及配合公差。采用Sobol序列的擬蒙特卡洛法預(yù)估該并聯(lián)機(jī)構(gòu)的末端位姿精度，仿真結(jié)果表明，經(jīng)過精度綜合得到的幾何誤差區(qū)間數(shù)滿足預(yù)設(shè)的末端位姿精度要求，從而驗(yàn)證了該精度設(shè)計(jì)方法的可行性。

摘要:針對(duì)大型航天相機(jī)長(zhǎng)距離轉(zhuǎn)運(yùn)和快速精確自動(dòng)調(diào)姿需求，提出一種基于全向移動(dòng)平臺(tái)和3-RPS并聯(lián)調(diào)姿機(jī)構(gòu)的移動(dòng)并聯(lián)式六自由度調(diào)姿方法。首先，測(cè)得相機(jī)當(dāng)前姿態(tài)和目標(biāo)姿態(tài)，推導(dǎo)二者位姿矩陣；通過運(yùn)動(dòng)學(xué)模型反解全向移動(dòng)平臺(tái)和并聯(lián)調(diào)姿機(jī)構(gòu)的各軸運(yùn)動(dòng)參數(shù)，將多軸耦合的空間六自由度完全解耦；建立全向移動(dòng)平臺(tái)和并聯(lián)機(jī)構(gòu)的運(yùn)動(dòng)學(xué)模型，實(shí)現(xiàn)上述運(yùn)動(dòng)參數(shù)的驅(qū)動(dòng)；最后，進(jìn)行了調(diào)姿算法試驗(yàn)，結(jié)果表明，調(diào)姿設(shè)備能夠快速精準(zhǔn)實(shí)現(xiàn)大型相機(jī)任意姿態(tài)向目標(biāo)姿態(tài)的自動(dòng)化柔性姿態(tài)調(diào)整，全向移動(dòng)平臺(tái)移動(dòng)精度優(yōu)于0.3mm，旋轉(zhuǎn)精度優(yōu)于0.05°，并聯(lián)機(jī)構(gòu)桿長(zhǎng)精度優(yōu)于0.5mm，驗(yàn)證了自動(dòng)調(diào)姿的準(zhǔn)確性。