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:導(dǎo)航路徑規(guī)劃是農(nóng)業(yè)機(jī)械自動(dòng)導(dǎo)航的關(guān)鍵技術(shù)，近年來被廣泛應(yīng)用于耕種管收自動(dòng)導(dǎo)航生產(chǎn)作業(yè)過程中。本文分別從全局路徑規(guī)劃和局部路徑規(guī)劃兩個(gè)角度闡述分析了農(nóng)業(yè)機(jī)械導(dǎo)航路徑規(guī)劃研究現(xiàn)狀和進(jìn)展。全局路徑規(guī)劃著重闡述了全覆蓋路徑規(guī)劃和全局點(diǎn)到點(diǎn)路徑規(guī)劃，并歸納總結(jié)了在精準(zhǔn)作業(yè)、農(nóng)業(yè)運(yùn)輸和農(nóng)機(jī)跨地塊調(diào)度等方面的研究成果和具體應(yīng)用。局部路徑規(guī)劃重點(diǎn)闡述了避障路徑規(guī)劃和局部跟蹤路徑規(guī)劃，由于農(nóng)業(yè)作業(yè)環(huán)境的復(fù)雜性和時(shí)空變異性，局部路徑規(guī)劃研究的重點(diǎn)是算法的實(shí)時(shí)性、高效性、魯棒性和安全性。最后指出導(dǎo)航路徑規(guī)劃技術(shù)未來的研究重點(diǎn)為：數(shù)據(jù)資源標(biāo)準(zhǔn)化及規(guī)劃路徑共享；提高環(huán)境信息感知和解析能力；增強(qiáng)實(shí)時(shí)動(dòng)態(tài)規(guī)劃性能；路徑規(guī)劃與農(nóng)機(jī)特性相結(jié)合。

摘要:為提高采摘設(shè)備的執(zhí)行效率，采用六自由度機(jī)械臂、樹莓派、Android手機(jī)端和服務(wù)器設(shè)計(jì)了一種智能果實(shí)采摘系統(tǒng)，該系統(tǒng)可自動(dòng)識(shí)別不同種類的水果，并實(shí)現(xiàn)自動(dòng)采摘，可通過手機(jī)端遠(yuǎn)程控制采摘設(shè)備的起始和停止，并遠(yuǎn)程查看實(shí)時(shí)采摘視頻。提出通過降低自由度和使用二維坐標(biāo)系來實(shí)現(xiàn)三維坐標(biāo)系中機(jī)械臂逆運(yùn)動(dòng)學(xué)的求解過程，從而避免了大量的矩陣運(yùn)算，使機(jī)械臂逆運(yùn)動(dòng)學(xué)求解過程更加簡(jiǎn)捷。利用Matlab中的Robotic Toolbox進(jìn)行機(jī)械臂三維建模仿真，驗(yàn)證了降維求解的可行性。在果實(shí)采摘流程中，為了使機(jī)械臂運(yùn)動(dòng)軌跡更加穩(wěn)定與協(xié)調(diào)，采用五項(xiàng)式插值法對(duì)機(jī)械臂進(jìn)行運(yùn)動(dòng)軌跡規(guī)劃控制。基于Darknet深度學(xué)習(xí)框架的YOLO v4目標(biāo)檢測(cè)識(shí)別算法進(jìn)行果實(shí)目標(biāo)檢測(cè)和像素定位，在Ubuntu 19.10操作系統(tǒng)中使用2000幅圖像作為訓(xùn)練集，分別對(duì)不同種類的果實(shí)進(jìn)行識(shí)別模型訓(xùn)練，在GPU環(huán)境下進(jìn)行測(cè)試，結(jié)果表明，每種果實(shí)識(shí)別的準(zhǔn)確率均在94%以上，單次果實(shí)采摘的時(shí)間約為17s。經(jīng)過實(shí)際測(cè)試，該系統(tǒng)具有良好的穩(wěn)定性、實(shí)時(shí)性以及對(duì)果實(shí)采摘的準(zhǔn)確性。

摘要:為了實(shí)現(xiàn)棗園的自動(dòng)化管理，針對(duì)棗樹自動(dòng)化選擇性冬剪作業(yè)要求，需要重建出矮化密植無葉棗樹枝干的三維模型。利用2臺(tái)固定的Azure Kinect DK深度相機(jī)搭建獲取棗樹點(diǎn)云信息的三維重建系統(tǒng)平臺(tái)，然后把系統(tǒng)平臺(tái)逆時(shí)針旋轉(zhuǎn)55°獲取同一棵棗樹的另一幀三維點(diǎn)云信息。為了自動(dòng)完成2幀點(diǎn)云的配準(zhǔn)，提出了基于骨架點(diǎn)的棗樹點(diǎn)云配準(zhǔn)方法：首先利用FPFH特征描述子計(jì)算骨架點(diǎn)的特征向量，并采用SAC-IA（采樣一致性）算法對(duì)2個(gè)視角下的棗樹骨架點(diǎn)云進(jìn)行初始匹配；其次利用經(jīng)典的ICP算法對(duì)初始位姿進(jìn)行優(yōu)化；最終只采用2個(gè)視角下的點(diǎn)云重建棗樹枝干的三維模型。實(shí)驗(yàn)對(duì)比了在3種典型自然環(huán)境下（晴天、陰天、夜間）棗樹點(diǎn)云的配準(zhǔn)精度和配準(zhǔn)時(shí)間，結(jié)果表明：晴天時(shí)對(duì)采集系統(tǒng)有一定的影響，使得配準(zhǔn)后的棗樹枝干有部分不完整；陰天和夜間對(duì)采集系統(tǒng)影響小，能夠重建出完整的棗樹枝干；相對(duì)于陰天和夜間，晴天時(shí)，棗樹點(diǎn)云配準(zhǔn)耗時(shí)最少，為0.09s，而配準(zhǔn)誤差最大，其擬合分?jǐn)?shù)為0.00029；陰天時(shí)，棗樹點(diǎn)云配準(zhǔn)時(shí)間介于晴天和夜間之間，為0.12s，而此時(shí)配準(zhǔn)誤差最小，其擬合分?jǐn)?shù)為0.00011；夜間配準(zhǔn)誤差介于晴天和陰天，且此時(shí)配準(zhǔn)時(shí)間最長(zhǎng)，為0.16s。

摘要:為解決傳統(tǒng)深松機(jī)具觸土部件破土困難、耕作阻力大等問題，以砂魚蜥頭部為仿生原型，采用逆向工程技術(shù)對(duì)其特殊幾何特征進(jìn)行提取，將量化后的幾何結(jié)構(gòu)特征應(yīng)用于深松鏟尖的設(shè)計(jì)，以期減小深松鏟作業(yè)阻力和能耗。依據(jù)不同特征曲面，設(shè)計(jì)了3種仿生鏟尖試樣，并與鑿型鏟尖試樣進(jìn)行性能對(duì)比。建立離散元模型，求解不同鏟尖垂直貫入土壤阻力；制備試樣，通過萬能試驗(yàn)機(jī)進(jìn)行土壤垂直貫入實(shí)測(cè)試驗(yàn)；將模擬結(jié)果和實(shí)測(cè)試驗(yàn)結(jié)果進(jìn)行對(duì)比，結(jié)果表明離散元仿真分析和實(shí)測(cè)試驗(yàn)結(jié)果吻合較好，最大貫入阻力的相對(duì)誤差為2.47%～3.91%。使用離散元法分析仿生鏟尖和鑿型鏟尖（T-S）在土壤分層情況下的相互作用，證實(shí)仿生鏟尖比鑿型鏟尖具有更低的所需牽引力，其中仿生鏟尖B-S-2減阻效果最好，相對(duì)于鑿型鏟尖，其減阻率為8.34%～19.31%。離散元分析揭示砂魚蜥頭部仿生曲線特殊的曲率變化對(duì)破土阻力有顯著影響，仿生鏟尖改變了土壤顆粒的流動(dòng)方向，減小了鏟尖上方土壤擾動(dòng)范圍，從而降低所需牽引力。在3種作業(yè)速度和3種耕作深度下對(duì)阻力的仿真結(jié)果與土槽試驗(yàn)結(jié)果進(jìn)行對(duì)比，誤差為10.83%～17.06%。

摘要:為降低肥料施用量、提高肥料利用效率、實(shí)現(xiàn)植株根區(qū)施肥，設(shè)計(jì)了一種傾斜梯形孔式定量穴排肥器。闡述了穴排肥器的成穴與工作原理，分析了影響其成穴性能的主要因素，構(gòu)建了充肥和排肥過程中肥料顆粒群的力學(xué)模型；應(yīng)用離散元軟件EDEM和流體分析軟件Fluent對(duì)穴排肥器的成穴性能進(jìn)行了仿真分析，研究了作業(yè)速度、充肥孔長(zhǎng)度和氣流速度對(duì)穴長(zhǎng)、穴排肥量誤差的影響，通過全因子試驗(yàn)得到作業(yè)速度為3~7km/h時(shí)的較優(yōu)參數(shù)組合為充肥孔長(zhǎng)度27.0mm、氣流速度15.0m/s，對(duì)應(yīng)的穴長(zhǎng)和穴排肥量誤差分別為62.7~87.5mm和7.4%~8.9%。臺(tái)架試驗(yàn)表明，在作業(yè)速度為3~7km/h、充肥孔長(zhǎng)度為27.0mm和氣流速度為15.0m/s條件下，穴長(zhǎng)、穴長(zhǎng)穩(wěn)定性變異系數(shù)、穴排肥量誤差和穴距誤差分別為98.5~175.5mm、7.42%~14.18%、7.60%~15.17%、2.3%~4.7%；田間試驗(yàn)表明，作業(yè)速度為3~7km/h時(shí)，穴長(zhǎng)、穴長(zhǎng)穩(wěn)定性變異系數(shù)、穴排肥量誤差和穴距誤差分別為104.2~178.4mm、7.55%~14.56%、7.69%~13.80%、2.1%~4.3%，成穴性能較好。

摘要:針對(duì)目前移栽機(jī)構(gòu)取苗速度快導(dǎo)致缽苗易損傷和栽植器在栽植過程中水平方向與地面存在相對(duì)運(yùn)動(dòng)導(dǎo)致缽苗栽植直立度低等問題，設(shè)計(jì)了一種全自動(dòng)滑道式旱地缽苗移栽機(jī)構(gòu)，該機(jī)構(gòu)通過滑道控制栽植臂實(shí)現(xiàn)取苗、送苗、栽植和復(fù)位功能，使取苗和栽植運(yùn)動(dòng)軌跡和運(yùn)動(dòng)速度達(dá)到最優(yōu)狀態(tài)。通過對(duì)移栽機(jī)構(gòu)的理論分析，建立運(yùn)動(dòng)學(xué)模型?；赩B開發(fā)了計(jì)算機(jī)輔助優(yōu)化設(shè)計(jì)軟件，優(yōu)化出一組滿足理想移栽軌跡要求的機(jī)構(gòu)參數(shù)，根據(jù)此參數(shù)對(duì)移栽機(jī)構(gòu)進(jìn)行整體設(shè)計(jì)，完成三維建模。應(yīng)用ADAMS軟件對(duì)移栽機(jī)構(gòu)進(jìn)行運(yùn)動(dòng)學(xué)仿真分析，驗(yàn)證了設(shè)計(jì)的合理性。在物理樣機(jī)上利用高速攝像系統(tǒng)進(jìn)行了軌跡驗(yàn)證試驗(yàn)，通過對(duì)比可知理論軌跡、仿真軌跡與樣機(jī)工作軌跡基本一致，驗(yàn)證了機(jī)構(gòu)設(shè)計(jì)的正確性。在栽植頻率為62株/min工況下進(jìn)行了機(jī)構(gòu)性能試驗(yàn)，結(jié)果表明平均取苗成功率為95%、秧苗平均栽植直立度為82°、秧苗平均直立度合格率為93.4%，滿足缽苗移栽要求。

摘要:針對(duì)蔬菜膜上移栽膜口大、栽植頻率低等問題，設(shè)計(jì)了一種復(fù)合曲柄搖桿式蔬菜膜上雙行栽植裝置。在分析復(fù)合曲柄搖桿式栽植機(jī)構(gòu)工作原理的基礎(chǔ)上，建立栽植機(jī)構(gòu)的運(yùn)動(dòng)學(xué)模型。采用Matlab軟件編寫栽植機(jī)構(gòu)仿真分析與優(yōu)化程序，分析各個(gè)參數(shù)對(duì)栽植軌跡及運(yùn)動(dòng)特性的影響，采用逐次逼近的方法，得到一組滿足膜上栽植要求的桿件長(zhǎng)度：lOA=48mm，lAB=125mm，lBC=160mm，lAD=200mm；根據(jù)優(yōu)化后的參數(shù)組合設(shè)計(jì)樣機(jī)并進(jìn)行虛擬仿真和樣機(jī)田間試驗(yàn)。結(jié)果表明：各組試驗(yàn)栽植合格率均在90%以上，栽植深度合格率在94%以上，株距變異系數(shù)最大為6.35%，膜口長(zhǎng)度平均值為10.44cm，破膜程度約為18%，栽植頻率達(dá)到70株/(min·行)，滿足蔬菜膜上移栽的要求。

摘要:為提高苜蓿切根補(bǔ)播施肥機(jī)氣送式集排系統(tǒng)工作性能，利用EDEM軟件和Fluent軟件對(duì)氣送式集排系統(tǒng)工作過程進(jìn)行聯(lián)合仿真，以管道內(nèi)部流場(chǎng)壓力與速度變化情況、種子顆粒速度與受力情況為指標(biāo)，分析波紋管和分配頭結(jié)構(gòu)參數(shù)對(duì)集排系統(tǒng)工作性能的影響，進(jìn)而優(yōu)化了其結(jié)構(gòu)參數(shù)。以輸種彎管彎徑比、波紋管長(zhǎng)度和分配頭錐角為試驗(yàn)因素，以各行排量一致性變異系數(shù)和總排量穩(wěn)定性變異系數(shù)為試驗(yàn)指標(biāo)，進(jìn)行Box-Behnken響應(yīng)面分析仿真試驗(yàn)，獲取集排系統(tǒng)最優(yōu)結(jié)構(gòu)參數(shù)組合。結(jié)果表明，當(dāng)彎徑比為0.96、波紋管長(zhǎng)度為183mm、錐角為123.4°時(shí)，各行排量一致性變異系數(shù)為3.06%，總排量穩(wěn)定性變異系數(shù)為3.17%。樣機(jī)大田性能試驗(yàn)結(jié)果表明，在不同的螺旋輸送機(jī)輸送效率條件下，葦狀羊毛種子、固體顆粒肥各行排量一致性變異系數(shù)和總排量穩(wěn)定性變異系數(shù)均小于5%。

摘要:針對(duì)噴霧機(jī)傳統(tǒng)風(fēng)送噴霧系統(tǒng)難以精準(zhǔn)控制風(fēng)量致使漂移現(xiàn)象嚴(yán)重、藥液利用率低下的問題，設(shè)計(jì)了一種將軸流風(fēng)機(jī)與環(huán)形噴頭相配合的噴霧系統(tǒng)。通過對(duì)風(fēng)機(jī)風(fēng)場(chǎng)進(jìn)行計(jì)算流體力學(xué)CFD流體仿真、對(duì)標(biāo)試驗(yàn)、環(huán)形噴管內(nèi)流場(chǎng)仿真確定了環(huán)形噴管尺寸參數(shù)與噴頭安裝位置。設(shè)計(jì)單因素與多因素正交試驗(yàn)來研究風(fēng)機(jī)端口風(fēng)速、扇形噴頭型號(hào)與噴頭安裝傾角對(duì)噴霧效果的影響進(jìn)而確定最佳噴霧參數(shù)組合。結(jié)果表明：環(huán)形噴管應(yīng)設(shè)置在軸流風(fēng)機(jī)出口端面中心位置，3個(gè)噴頭呈120°均布在環(huán)形噴管上；在風(fēng)機(jī)氣力作用下，霧滴沉積量的峰值處于距風(fēng)機(jī)端口0.5~1.5m的范圍，風(fēng)送噴霧裝置與靶標(biāo)果樹的作業(yè)距離不應(yīng)超過1.5m；風(fēng)機(jī)氣力有助于細(xì)化霧滴，但出口風(fēng)速不宜大于等于8m/s；噴霧總體性能與噴頭傾角呈極顯著相關(guān)（P<0.01），噴頭安裝傾角60°性能最優(yōu)；霧滴沉積密度隨扇形噴頭型號(hào)的增大呈先增大后減小的趨勢(shì)，霧滴的體積中值直徑隨扇形噴頭型號(hào)的增大而增大；最優(yōu)配置參數(shù)風(fēng)機(jī)風(fēng)速為6m/s、噴頭型號(hào)為02型、噴頭安裝傾角為60°。此參數(shù)組合下霧滴沉積量為5.08μL/cm2，表明優(yōu)化模型可靠。

摘要:為解決砂壤土條件下，播種開溝器開出種溝較窄，無法適應(yīng)燕麥寬苗帶種植的問題，結(jié)合滑切工作原理，設(shè)計(jì)了一種寬苗帶減阻燕麥播種機(jī)開溝器。闡述鏟式開溝器工作原理，確定刃口曲線方程；通過分析擋土曲面的作業(yè)阻力和寬苗帶種溝成因，確定擋土曲面主要結(jié)構(gòu)參數(shù)取值。采用EDEM仿真分析方法，以開溝器作業(yè)阻力、種溝寬度變異系數(shù)為試驗(yàn)響應(yīng)指標(biāo)進(jìn)行三元二次正交旋轉(zhuǎn)組合試驗(yàn)，得到可信的回歸數(shù)學(xué)模型；分析各因素交互作用對(duì)開溝器工作性能的影響規(guī)律；利用遺傳算法NSGA-Ⅱ?qū)貧w數(shù)學(xué)模型進(jìn)行多目標(biāo)優(yōu)化，并進(jìn)行土槽驗(yàn)證試驗(yàn)，得出其最優(yōu)參數(shù)組合為：播深41mm、入土角24°、開溝器寬度107mm，此時(shí)作業(yè)阻力為727.1N,種溝寬度變異系數(shù)為9.92%；土槽驗(yàn)證試驗(yàn)得到作業(yè)阻力平均值為789.07N，種溝寬度變異系數(shù)平均值為10.69%，與優(yōu)化結(jié)果的誤差分別為8.52%、7.76%。播種對(duì)比試驗(yàn)進(jìn)一步表明作業(yè)效果滿足寬苗帶燕麥種植開溝農(nóng)藝要求。

摘要:為提高機(jī)械除草作業(yè)效率，減輕勞動(dòng)強(qiáng)度，解決稻田除草機(jī)作業(yè)過程中除草率低、傷苗率高等問題，結(jié)合水田行間除草農(nóng)藝要求，設(shè)計(jì)了一種基于遙控轉(zhuǎn)向的稻田行間除草機(jī)。闡述了整體結(jié)構(gòu)及工作原理，建立除草機(jī)的力學(xué)模型，通過分析獲得了主動(dòng)除草輪所需最大驅(qū)動(dòng)力矩為49.42N·m，根據(jù)阿克曼轉(zhuǎn)向原理設(shè)計(jì)了梯形轉(zhuǎn)向機(jī)構(gòu)，通過分析確定了梯形轉(zhuǎn)向機(jī)構(gòu)的結(jié)構(gòu)參數(shù)，對(duì)轉(zhuǎn)向過程進(jìn)行力學(xué)分析得到梯形轉(zhuǎn)向機(jī)構(gòu)所需最大驅(qū)動(dòng)扭矩理論值為4.57·m，并對(duì)轉(zhuǎn)向控制系統(tǒng)進(jìn)行設(shè)計(jì)，實(shí)現(xiàn)遠(yuǎn)程控制除草機(jī)轉(zhuǎn)向及接收反饋信息功能。進(jìn)行了除草機(jī)轉(zhuǎn)向性能試驗(yàn)，記錄除草機(jī)實(shí)際轉(zhuǎn)角與理論轉(zhuǎn)角并進(jìn)行對(duì)比，試驗(yàn)結(jié)果表明，理論轉(zhuǎn)角與實(shí)際轉(zhuǎn)角最大偏差為1.3°，控制系統(tǒng)精度較高，滿足田間實(shí)際作業(yè)時(shí)的轉(zhuǎn)向要求；進(jìn)行了除草性能試驗(yàn)，田間試驗(yàn)結(jié)果表明，除草機(jī)除草率均不低于77.9%，傷苗率均不高于3%，滿足水田除草農(nóng)藝指標(biāo)的要求。

摘要:針對(duì)玉米中后期封行后人工施藥勞動(dòng)強(qiáng)度大、作業(yè)效率低、傳統(tǒng)噴霧機(jī)噴藥穿透性差，且窄行距下機(jī)具行走穩(wěn)定性差等問題，結(jié)合玉米種植農(nóng)藝和冠層中部病蟲害防治的要求，設(shè)計(jì)了3YZ-80A型履帶自走式玉米行間噴霧機(jī)，該機(jī)主要由自適應(yīng)仿形履帶差速驅(qū)動(dòng)底盤、Y形雙噴頭脈沖式噴霧裝置、噴藥監(jiān)控系統(tǒng)組成，能夠滿足600mm以下的窄行距玉米冠層中部葉片噴施作業(yè)的空間要求。為了提高作業(yè)效率和噴霧效果，以噴射角、藥液嘴位置、噴施距離為試驗(yàn)因素，霧滴體積中徑D50為噴霧系統(tǒng)性能評(píng)價(jià)指標(biāo)，開展二次旋轉(zhuǎn)正交組合試驗(yàn)，利用Design-Expert 8.0.6軟件對(duì)數(shù)據(jù)進(jìn)行方差和響應(yīng)面分析，建立試驗(yàn)因素與指標(biāo)之間的數(shù)學(xué)回歸模型，分析了顯著因素對(duì)評(píng)價(jià)指標(biāo)的影響變化規(guī)律，得到噴管最優(yōu)組合參數(shù)：噴射角為60°、藥液嘴在噴管上的位置為610mm、噴施距離為2.37m。田間試驗(yàn)結(jié)果表明，隨著作業(yè)速度的提升有效防控區(qū)域顯著降低，當(dāng)作業(yè)速度在0.6~1.1m/s時(shí)，霧滴覆蓋率大于10%的有效噴施幅寬為6~8m；當(dāng)作業(yè)速度大于1.3m/s時(shí)，霧滴覆蓋率大于10%的有效噴施幅寬不足4m。

摘要:我國(guó)華北地區(qū)玉米收獲時(shí)籽粒含水率較高，采用釘齒式及桿齒式脫粒元件進(jìn)行籽粒直收時(shí)，籽粒破碎率較高，為降低脫粒過程中籽粒破碎率，設(shè)計(jì)了一種紋桿式脫粒元件，分析其前傾角變化對(duì)果穗受力的影響規(guī)律，以籽粒破碎時(shí)壓縮量為依據(jù)，對(duì)紋桿塊頂端弧面形狀進(jìn)行設(shè)計(jì)。基于EDEM研究紋桿元件頂端參數(shù)對(duì)果穗受力的影響，采用擬水平法設(shè)計(jì)四因素四水平正交試驗(yàn)，試驗(yàn)結(jié)果表明：較優(yōu)紋桿參數(shù)組合為前傾角75°、凸棱傾角25°、凸棱寬度6mm、凸棱高度10mm；通過臺(tái)架試驗(yàn)探究滾筒轉(zhuǎn)速、凹板間隙等工作參數(shù)對(duì)紋桿式滾筒脫粒效果的影響規(guī)律，當(dāng)籽粒含水率為28.5%時(shí)，最優(yōu)滾筒轉(zhuǎn)速為300r/min，凹板間隙為50mm，此時(shí)籽粒破碎率為5.34%。在最優(yōu)工作參數(shù)下，對(duì)比不同脫粒元件脫粒效果，發(fā)現(xiàn)籽粒破碎率分別由桿齒式元件的9.91%、釘齒式元件的7.83%下降至紋桿式脫粒元件的5.34%，證明所設(shè)計(jì)的紋桿式脫粒元件能夠有效降低脫粒過程中籽粒破碎率。

摘要:針對(duì)云南丘陵山區(qū)小?？Х热斯げ墒粘杀靖摺⒋笮蜋C(jī)械采收困難等問題，設(shè)計(jì)了手持振動(dòng)梳刷式小?？Х炔烧b置。通過建立果樹-機(jī)械收獲動(dòng)力學(xué)模型和多體動(dòng)力學(xué)仿真，得到振幅的穩(wěn)態(tài)響應(yīng)表達(dá)式，并確定了振動(dòng)部件和梳刷部件的結(jié)構(gòu)參數(shù)。利用ADAMS建立了果樹-機(jī)械剛?cè)狁詈夏Ｐ?，采用廣義力與傳感器函數(shù)控制的方法進(jìn)行單因素仿真試驗(yàn)，分析了頻率、梳齒間距和偏心塊夾角對(duì)小?？Х仁斋@效果的影響規(guī)律。以頻率、梳齒間距和偏心塊夾角為試驗(yàn)因素，采凈率、采青率和損傷率為試驗(yàn)指標(biāo)，進(jìn)行二次回歸正交旋轉(zhuǎn)組合試驗(yàn)，結(jié)果表明：對(duì)采凈率和采青率的影響因素重要性依次為頻率、梳齒間距、偏心塊夾角；對(duì)損傷率影響因素重要性依次為梳齒間距、頻率和偏心塊夾角。當(dāng)頻率為26Hz、梳齒間距為32mm、偏心塊夾角為22.5°時(shí)，采摘機(jī)工作性能最佳，經(jīng)試驗(yàn)驗(yàn)證，此時(shí)采凈率為91.35％，采青率為8.46％，損傷率為4.15％，滿足小?？Х仁斋@技術(shù)要求。

摘要:針對(duì)缺乏有效監(jiān)測(cè)水稻葉片感染白葉枯病害光譜指數(shù)的問題，以分蘗期的水稻葉片為研究對(duì)象，采集了接種白葉枯病菌的水稻葉片和對(duì)照處理的水稻葉片各200片，利用高光譜成像裝置獲取373~1033nm波段的水稻葉片光譜數(shù)據(jù)，選取450~900nm波段的水稻葉片高光譜數(shù)據(jù)作為樣本。從每個(gè)樣本中選取一個(gè)感興趣區(qū)域（Region of interest, ROI）并計(jì)算平均光譜，經(jīng)過Savtzky-Golay平滑處理得到平均光譜曲線；為了定量描述水稻葉片是否感染病害，提出將光譜分形維數(shù)(Fractal dimension, FD)作為定量描述水稻白葉枯病害的監(jiān)測(cè)光譜指數(shù)，實(shí)現(xiàn)對(duì)白葉枯病害的監(jiān)測(cè)。通過分析光譜指數(shù)(Spectral index, SI)和FD，建立SI和FD之間的多元線性關(guān)系，同時(shí)比較了FD與其他常用監(jiān)測(cè)指數(shù)對(duì)白葉枯病害監(jiān)測(cè)的有效性。結(jié)果表明：水稻白葉枯病害在綠峰（510~560nm）和紅谷（650~690nm）波譜內(nèi)的響應(yīng)較為敏感；針對(duì)健康和感病葉片，F(xiàn)D與SI之間存在較好的多元線性關(guān)系，說明FD與光譜曲線有較好的對(duì)應(yīng)關(guān)系，可以作為定量描述葉片健康狀況的光譜指數(shù)；與常用監(jiān)測(cè)指數(shù)相比，本文病害監(jiān)測(cè)指數(shù)與水稻染病具有更高的相關(guān)性，其相關(guān)系數(shù)達(dá)到了0.9840，指數(shù)分布穩(wěn)定性更高。本研究結(jié)果說明基于光譜反射曲線的圓規(guī)分形維數(shù)對(duì)判斷水稻葉片是否感染白葉枯病害是可行的，為水稻白葉枯病害的監(jiān)測(cè)提供了一種新方法。

摘要:針對(duì)在自然場(chǎng)景中，由于遮擋、視角限制和操作不當(dāng)?shù)葐栴}，導(dǎo)致傳感器獲取的植物或器官點(diǎn)云不完整，提出了一種基于多尺度特征提取模塊結(jié)合點(diǎn)云金字塔解碼器（Multiscale feature extraction model with point cloud pyramid decoder，MSF-PPD）的葉片形狀補(bǔ)全網(wǎng)絡(luò)。首先，采用多尺度特征提取模塊實(shí)現(xiàn)不同維度特征信息的全局提取和融合，其次，通過點(diǎn)云金字塔解碼器進(jìn)行葉片點(diǎn)云的多階段生成補(bǔ)全，最終得到完整的目標(biāo)葉片形狀。使用曲面參數(shù)方程構(gòu)建綠蘿葉片仿真模型庫，并將其離散成點(diǎn)云作為網(wǎng)絡(luò)模型訓(xùn)練的訓(xùn)練集和驗(yàn)證集，使用Kinect v2相機(jī)獲取綠蘿葉片點(diǎn)云作為網(wǎng)絡(luò)模型補(bǔ)全性能評(píng)估的測(cè)試集。試驗(yàn)結(jié)果表明，本文網(wǎng)絡(luò)結(jié)構(gòu)對(duì)葉片點(diǎn)云補(bǔ)全的效果理想，證明本文方法能夠?qū)φ趽跚闆r下的綠蘿葉片進(jìn)行高效、完整的補(bǔ)全。

摘要:采摘機(jī)器人對(duì)核桃采摘時(shí)，需準(zhǔn)確檢測(cè)到在體核桃目標(biāo)。為實(shí)現(xiàn)自然環(huán)境下青皮核桃的精準(zhǔn)識(shí)別，研究了基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的青皮核桃檢測(cè)方法。以預(yù)訓(xùn)練的VGG16網(wǎng)絡(luò)結(jié)構(gòu)作為模型的特征提取器，在Faster R-CNN的卷積層加入批歸一化處理、利用雙線性插值法改進(jìn)RPN結(jié)構(gòu)和構(gòu)建混合損失函數(shù)等方式改進(jìn)模型的適應(yīng)性，分別采用SGD和Adam優(yōu)化算法訓(xùn)練模型，并與未改進(jìn)的Faster R-CNN對(duì)比。以精度、召回率和F1值作為模型的準(zhǔn)確性指標(biāo)，單幅圖像平均檢測(cè)時(shí)間作為速度性能評(píng)價(jià)指標(biāo)。結(jié)果表明，利用Adam優(yōu)化器訓(xùn)練得到的模型更穩(wěn)定，精度高達(dá)97.71%，召回率為94.58%，F(xiàn)1值為96.12%，單幅圖像檢測(cè)耗時(shí)為0.227s。與未改進(jìn)的Faster R-CNN模型相比，精度提高了5.04個(gè)百分點(diǎn)，召回率提高了4.65個(gè)百分點(diǎn)，F(xiàn)1值提升了4.84個(gè)百分點(diǎn)，單幅圖像檢測(cè)耗時(shí)降低了0.148s。在園林環(huán)境下，所提方法的成功率可達(dá)91.25%，并且能保持一定的實(shí)時(shí)性。該方法在核桃識(shí)別檢測(cè)中能夠保持較高的精度、較快的速度和較強(qiáng)的魯棒性，能夠?yàn)闄C(jī)器人快速長(zhǎng)時(shí)間在復(fù)雜環(huán)境下識(shí)別并采摘核桃提供技術(shù)支撐。

摘要:蔬果采摘機(jī)器人面對(duì)的自然場(chǎng)景復(fù)雜多變，為準(zhǔn)確識(shí)別和分割目標(biāo)果實(shí)，實(shí)現(xiàn)高成功率采收，提出基于多源圖像融合的識(shí)別方法。首先，針對(duì)在不同自然場(chǎng)景下單圖像通道信息不充分問題，提出融合RGB圖像、深度圖像和紅外圖像的多源信息融合方法，實(shí)現(xiàn)了機(jī)器人能夠適應(yīng)自然環(huán)境中不同光線條件的番茄果實(shí)。其次，針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)訓(xùn)練樣本標(biāo)注低效問題，提出聚類方法對(duì)樣本進(jìn)行輔助快速標(biāo)注，完成模型訓(xùn)練；最終，建立擴(kuò)展Mask R-CNN深度學(xué)習(xí)算法模型，進(jìn)行采摘機(jī)器人在線果實(shí)識(shí)別。實(shí)驗(yàn)結(jié)果表明，擴(kuò)展Mask R-CNN算法模型在測(cè)試集中的檢測(cè)準(zhǔn)確率為98.3%、交并比為0.916，可以滿足番茄果實(shí)識(shí)別要求；在不同光線條件下，與Otsu閾值分割算法相比，擴(kuò)展Mask R-CNN算法模型能夠區(qū)分粘連果實(shí)，分割結(jié)果清晰完整，具有更強(qiáng)的抗干擾能力。

摘要:為了解決圖像采集過程中由于昆蟲圖像獲取不完整而導(dǎo)致整體稻飛虱識(shí)別精度低、速度慢的問題，提出了一種基于字典學(xué)習(xí)和SSD的不完整稻飛虱圖像分類方法。首先，使用自主研發(fā)的野外昆蟲圖像采集裝置采集稻飛虱圖像，構(gòu)建小型圖像集。然后，將采集的稻田昆蟲圖像進(jìn)行閾值分割，得到單一稻田昆蟲圖像；對(duì)單一昆蟲圖像進(jìn)行分塊處理，得到帶有背景信息和特征信息的混合子圖像塊集；使用子圖像塊作為字典原子來構(gòu)建過完備字典，并對(duì)其進(jìn)行初始化和優(yōu)化更新；將更新后的過完備字典作為訓(xùn)練集輸入SSD算法中進(jìn)行訓(xùn)練，得到訓(xùn)練模型。最后，將采集的包含不完整稻田昆蟲的圖像在訓(xùn)練集模型上進(jìn)行測(cè)試，并將測(cè)試結(jié)果與BPNN（Back propagation neural network)、SVM (Support vector machines）、稀疏表示等方法進(jìn)行對(duì)比。試驗(yàn)結(jié)果表明，所提出的基于字典學(xué)習(xí)和SSD的稻飛虱識(shí)別與分類方法可以對(duì)不完整的昆蟲圖像進(jìn)行準(zhǔn)確快速的識(shí)別分類，其中，分類速度可達(dá)22f/s，識(shí)別精度可達(dá)89.3%，對(duì)稻飛虱的監(jiān)督、預(yù)警和防治提供了有效的信息與技術(shù)支持。

摘要:豬只盤點(diǎn)是生豬規(guī)?；B(yǎng)殖和管理中的重要環(huán)節(jié)，人工計(jì)數(shù)方法費(fèi)時(shí)、費(fèi)力，在大數(shù)據(jù)量的豬只盤點(diǎn)中容易出錯(cuò)。本文使用多尺度感知網(wǎng)絡(luò)對(duì)高密度豬群圖像中的豬只進(jìn)行計(jì)數(shù)。通過對(duì)人群計(jì)數(shù)網(wǎng)絡(luò)CSRNet的改進(jìn)，得到豬只計(jì)數(shù)網(wǎng)絡(luò)（Pig counting net, PCN），PCN采用VGG16作為前端網(wǎng)絡(luò)提取特征，中間層采用空間金字塔（Spatial pyramid）結(jié)構(gòu)對(duì)圖像中的多尺度信息進(jìn)行提取與融合，后端網(wǎng)絡(luò)采用改進(jìn)的膨脹卷積網(wǎng)絡(luò)。PCN增加了多尺度感知結(jié)構(gòu)、擴(kuò)大了后端網(wǎng)絡(luò)感受野，通過感知多尺度特征得到預(yù)測(cè)密度圖，預(yù)測(cè)密度圖反映了豬只空間分布，通過對(duì)密度圖積分實(shí)現(xiàn)了豬只數(shù)量的估計(jì)。結(jié)果表明，在平均豬只數(shù)為 40.71的測(cè)試集圖像上，PCN的計(jì)數(shù)準(zhǔn)確率優(yōu)于人群計(jì)數(shù)網(wǎng)絡(luò) MCNN、CSRNet和改進(jìn)Counting CNN 的豬只計(jì)數(shù)網(wǎng)絡(luò)，MAE和RMSE 分別為1.74和 2.28，表現(xiàn)出較高的準(zhǔn)確性和魯棒性；單幅圖像平均識(shí)別時(shí)間為0.108s，滿足實(shí)時(shí)處理要求。

摘要:針對(duì)光照不均、噪聲大、拍攝質(zhì)量不高的夜晚水下環(huán)境，為實(shí)現(xiàn)夜晚水下圖像中魚類目標(biāo)的快速檢測(cè)，利用計(jì)算機(jī)視覺技術(shù)，提出了一種基于改進(jìn)Cascade R-CNN算法和具有色彩保護(hù)的MSRCP（Multi-scale Retinex with color restoration）圖像增強(qiáng)算法的夜晚水下魚類目標(biāo)檢測(cè)方法。首先針對(duì)夜晚水下環(huán)境的視頻數(shù)據(jù)，根據(jù)時(shí)間間隔，截取出相應(yīng)的夜晚水下魚類圖像，對(duì)截取的原始圖像進(jìn)行MSRCP圖像增強(qiáng)。然后采用DetNASNet主干網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練和水下魚類特征信息的提取，將提取出的特征信息輸入到Cascade R-CNN模型中，并使用Soft-NMS候選框優(yōu)化算法對(duì)其中的RPN網(wǎng)絡(luò)進(jìn)行優(yōu)化，最后對(duì)夜晚水下魚類目標(biāo)進(jìn)行檢測(cè)。實(shí)驗(yàn)結(jié)果表明，該方法解決了夜晚水下環(huán)境中的圖像降質(zhì)、魚類目標(biāo)重疊檢測(cè)問題，實(shí)現(xiàn)了對(duì)夜晚水下魚類目標(biāo)的快速檢測(cè)，對(duì)夜晚水下魚類圖像目標(biāo)檢測(cè)的查準(zhǔn)率達(dá)到95.81%，比Cascade R-CNN方法提高了11.57個(gè)百分點(diǎn)。

摘要:針對(duì)多光譜圖像中由于多鏡頭多光譜相機(jī)各通道之間存在的偏差以及傳統(tǒng)分割方法的不適用，圖像分析處理過程往往會(huì)出現(xiàn)無法自動(dòng)化分割或分割精度較低的問題，提出采用基于相位相關(guān)算法和基于UNet的語義分割模型對(duì)田間生菜多光譜圖像進(jìn)行各個(gè)通道的精確配準(zhǔn)并實(shí)現(xiàn)前景分割。使用Canny算法對(duì)多光譜各通道圖像進(jìn)行邊緣提取，進(jìn)而使用相位相關(guān)算法對(duì)多光譜各通道圖像進(jìn)行配準(zhǔn)，單幅圖像平均處理時(shí)間0.92s，配準(zhǔn)精度達(dá)到99%，滿足后續(xù)圖像分割所需精度；以VGG16作為主干特征提取網(wǎng)絡(luò)，直接采用兩倍上采樣，使最終輸出圖像和輸入圖像高寬相等，構(gòu)建優(yōu)化的UNet模型。實(shí)驗(yàn)結(jié)果表明：本文所提出的圖像配準(zhǔn)和圖像分割網(wǎng)絡(luò)，分割像素準(zhǔn)確率達(dá)到99.19%，平均IoU可以達(dá)到94.98%，能夠很好地對(duì)生菜多光譜圖像進(jìn)行前景分割，可以為后續(xù)研究作物精準(zhǔn)表型的光譜分析提供參考。

摘要:遙感技術(shù)已成為大宗作物種植面積提取的有效手段。為避免冬小麥提取中受光學(xué)數(shù)據(jù)缺乏的影響，基于隨機(jī)森林算法（RF）和Google Earth Engine（GEE）云平臺(tái)，探索時(shí)間序列Sentinel-1合成孔徑雷達(dá)（SAR）數(shù)據(jù)后向散射系數(shù)對(duì)冬小麥提取效果，并融合Sentinel-1、2主被動(dòng)遙感數(shù)據(jù)，研究后向散射系數(shù)、光譜特征、植被指數(shù)特征與紋理特征的不同組合對(duì)冬小麥識(shí)別精度的改善情況。結(jié)果表明：僅融合多時(shí)相Sentinel-1 SAR數(shù)據(jù)時(shí)，分類總體精度為85.93%，Kappa系數(shù)為0.75，冬小麥識(shí)別精度達(dá)到95%以上。融合多時(shí)相SAR數(shù)據(jù)與單時(shí)相光學(xué)數(shù)據(jù)，在充分利用極化信息和光譜信息進(jìn)行分類后，分類總體精度為95.78%,Kappa系數(shù)為0.92，比多時(shí)相SAR分類結(jié)果分別提高9.85個(gè)百分點(diǎn)和約22.67%，對(duì)冬小麥的識(shí)別精度提高約2個(gè)百分點(diǎn)。通過分析不同特征組合情況下紋理特征對(duì)分類的影響，發(fā)現(xiàn)紋理特征對(duì)冬小麥的識(shí)別精度影響程度較小。

摘要:為準(zhǔn)確識(shí)別抽雄期玉米雄蕊實(shí)現(xiàn)監(jiān)測(cè)玉米長(zhǎng)勢(shì)、植株計(jì)數(shù)和估產(chǎn)，基于無錨框的CenterNet目標(biāo)檢測(cè)模型，通過分析玉米雄蕊的尺寸分布，并在特征提取網(wǎng)絡(luò)中添加位置坐標(biāo)，從而提出一種改進(jìn)的玉米雄蕊識(shí)別模型。針對(duì)雄蕊尺寸較小的特點(diǎn)，去除CenterNet網(wǎng)絡(luò)中對(duì)圖像尺度縮小的特征提取模塊，在降低模型參數(shù)的同時(shí)，提高檢測(cè)速度。在CenterNet特征提取模型中添加位置信息，提高定位精度，降低雄蕊漏檢率。試驗(yàn)結(jié)果表明，與有錨框的YOLO v4、Faster R-CNN模型相比，改進(jìn)的CenterNet雄蕊檢測(cè)模型對(duì)無人機(jī)遙感影像的玉米雄蕊識(shí)別精度達(dá)到92.4%，分別高于Faster R-CNN和YOLO v4模型26.22、3.42個(gè)百分點(diǎn)；檢測(cè)速度為36f/s，分別比Faster R-CNN和YOLO v4模型高32、23f/s。本文方法能夠準(zhǔn)確地檢測(cè)無人機(jī)遙感圖像中尺寸較小的玉米雄蕊，為玉米抽雄期的農(nóng)情監(jiān)測(cè)提供參考。

摘要:監(jiān)測(cè)地膜覆蓋農(nóng)田的分布對(duì)準(zhǔn)確評(píng)估由其導(dǎo)致的區(qū)域氣候和生態(tài)環(huán)境變化有著重要作用，基于DeepLabv3+網(wǎng)絡(luò)，通過學(xué)習(xí)面向地膜語義分割的通道注意力和空間注意力特征，提出一種適用于判斷農(nóng)田是否覆膜的改進(jìn)深度語義分割模型，實(shí)現(xiàn)對(duì)無人機(jī)多光譜遙感影像中地膜農(nóng)田的有效分割。以內(nèi)蒙古自治區(qū)河套灌區(qū)西部解放閘灌區(qū)中沙壕渠灌域2018—2019年4塊實(shí)驗(yàn)田的無人機(jī)多光譜遙感影像為研究數(shù)據(jù)，與可見光遙感影像的識(shí)別結(jié)果進(jìn)行對(duì)比，同時(shí)考慮不同年份地膜農(nóng)田表觀的變化，設(shè)計(jì)了2組實(shí)驗(yàn)方案，分別用于驗(yàn)證模型的泛化性能和增強(qiáng)模型的分類精度。結(jié)果表明，改進(jìn)的DeepLabv3+語義分割模型對(duì)多光譜遙感影像的識(shí)別效果比可見光高7.1個(gè)百分點(diǎn)。同時(shí)考慮地膜農(nóng)田表觀變化的深度語義分割模型具有更高的分類精度，其平均像素精度超出未考慮地膜農(nóng)田表觀變化時(shí)7.7個(gè)百分點(diǎn)，表明訓(xùn)練數(shù)據(jù)的多樣性有助于提高地膜農(nóng)田的識(shí)別精度。其次，改進(jìn)的DeepLabv3+語義分割模型能夠自適應(yīng)學(xué)習(xí)地膜注意力，在2組實(shí)驗(yàn)中，分類精度均優(yōu)于原始的DeepLabv3+模型，表明注意力機(jī)制能夠增加深度語義分割模型的自適應(yīng)性，從而提升分類精度。本文提出的方法能夠從復(fù)雜的場(chǎng)景中精準(zhǔn)識(shí)別地膜農(nóng)田。

摘要:為進(jìn)一步促進(jìn)機(jī)器學(xué)習(xí)技術(shù)在玉米單產(chǎn)估測(cè)中的應(yīng)用，以河北中部平原為研究區(qū)域，選取與玉米長(zhǎng)勢(shì)和產(chǎn)量密切相關(guān)的條件植被溫度指數(shù)（Vegetation temperature condition index，VTCI）和葉面積指數(shù)（Leaf area index，LAI）為特征變量，通過極限梯度提升（Extreme gradient boosting，XGBoost）算法和隨機(jī)森林（Random forest，RF）算法分別對(duì)玉米單產(chǎn)進(jìn)行估測(cè)?；诮M合預(yù)測(cè)思想與Shapley值理論，分別確定組合預(yù)測(cè)模型中XGBoost與RF模型權(quán)重，進(jìn)而得到組合預(yù)測(cè)模型，結(jié)果表明，基于Shapley值確定的組合估產(chǎn)模型精度較高（R2=0.32）,達(dá)極顯著水平（P<0.001）。同時(shí)將組合預(yù)測(cè)模型應(yīng)用于河北中部平原2012年各縣（區(qū)）玉米的單產(chǎn)估測(cè)，結(jié)果表明，模型精度較高（R2=0.52），玉米估測(cè)單產(chǎn)與實(shí)際單產(chǎn)的平均相對(duì)誤差和均方根誤差分別為9.86%、831.14kg/km2，達(dá)到極顯著水平（P<0.001），且組合預(yù)測(cè)模型的精度均優(yōu)于單一估測(cè)模型。研究發(fā)現(xiàn)，河北中部平原玉米估測(cè)單產(chǎn)隨年份發(fā)生波動(dòng)變化，呈先降低后升高的趨勢(shì)。玉米估測(cè)單產(chǎn)以西部地區(qū)最高，其次是北部和南部地區(qū)，東部地區(qū)最低。

摘要:設(shè)施栽培中作物鮮質(zhì)量動(dòng)態(tài)變化作為生長(zhǎng)發(fā)育的指示性特征，是蔬菜長(zhǎng)勢(shì)無損監(jiān)測(cè)的重要指標(biāo)之一。水培蔬菜通過離水直接稱量實(shí)現(xiàn)長(zhǎng)勢(shì)無損監(jiān)測(cè)，但是土培或基質(zhì)培無法通過直接鮮質(zhì)量稱量實(shí)現(xiàn)生長(zhǎng)過程的無損測(cè)量。本文提出了基于表型特征參數(shù)和生長(zhǎng)過程環(huán)境參數(shù)融合的鮮質(zhì)量估算方法，用于日光溫室環(huán)境下基質(zhì)培生菜個(gè)體和群體的鮮質(zhì)量無損估算。首先，監(jiān)測(cè)生菜全生命周期的環(huán)境參數(shù)，采集第1批次生菜生長(zhǎng)過程中的多樣本圖像和部分樣本鮮質(zhì)量，提取樣本圖像中不同生長(zhǎng)期生菜的形狀、顏色、紋理等特征，計(jì)算環(huán)境信息中的累積輻熱積等參數(shù)。然后，利用高斯過程回歸方法建立表型參數(shù)和環(huán)境參數(shù)與生菜鮮質(zhì)量的關(guān)系模型。最后，采集第2批次生菜群體的樣本數(shù)據(jù)，基于上述模型預(yù)測(cè)生菜3個(gè)生長(zhǎng)階段的個(gè)體和群體鮮質(zhì)量，以驗(yàn)證鮮質(zhì)量估算模型的泛化能力和可靠性。結(jié)果表明，與支持向量機(jī)、線性回歸、嶺回歸和神經(jīng)網(wǎng)絡(luò)相比，高斯過程模型的決定系數(shù)R2為0.9493，相對(duì)誤差的均值和標(biāo)準(zhǔn)差分別為11.50%和11.21%。模型泛化能力試驗(yàn)中，生菜群體鮮質(zhì)量比個(gè)體鮮質(zhì)量的預(yù)測(cè)相對(duì)誤差的平均值?。?個(gè)生長(zhǎng)階段分別相差4.44、5.71、5.89個(gè)百分點(diǎn)），且隨著群體數(shù)量增加，群體鮮質(zhì)量預(yù)測(cè)的相對(duì)誤差的均值和標(biāo)準(zhǔn)差逐漸減小。本鮮質(zhì)量估算方法預(yù)測(cè)的群體鮮質(zhì)量數(shù)據(jù)可為基質(zhì)培綠葉菜類作物的栽培管理決策提供數(shù)據(jù)支撐。

摘要:土壤含水率監(jiān)測(cè)是精準(zhǔn)農(nóng)業(yè)的重要組成部分，對(duì)于農(nóng)情監(jiān)測(cè)和農(nóng)業(yè)生產(chǎn)起著關(guān)鍵性作用。超寬帶雷達(dá)由于其體積小、質(zhì)量輕、穿透力強(qiáng)和功耗低等特性已被廣泛應(yīng)用于土壤含水率監(jiān)測(cè)研究。而現(xiàn)有超寬帶雷達(dá)反演土壤含水率多為理想裸土情況，實(shí)際應(yīng)用中地表植被覆蓋會(huì)對(duì)結(jié)果造成較大影響，針對(duì)此問題，融合超寬帶雷達(dá)和多光譜數(shù)據(jù)，利用支持向量機(jī)（SVM）模型對(duì)農(nóng)田尺度不同植被覆蓋下的土壤含水率進(jìn)行分級(jí)預(yù)測(cè)，以減小植被對(duì)預(yù)測(cè)精度的影響。研究結(jié)果表明，在超寬帶雷達(dá)回波數(shù)據(jù)提取出的不同時(shí)域特征組合中，選用峰值因子、峭度、均方根、峰-峰值、最大幅值、方差、偏斜度、平均值和最小幅值9個(gè)時(shí)域特征作為SVM模型輸入特征預(yù)測(cè)結(jié)果最好，總體精度為95.59%，Kappa系數(shù)為0.9492。加入植被指數(shù)NDVI后，不同時(shí)域特征組合作為特征輸入的模型精度均有顯著提高，其中將9個(gè)時(shí)域特征與NDVI共同作為SVM輸入預(yù)測(cè)效果最佳，總體精度為98.09%，Kappa系數(shù)為0.9780，與不考慮植被影響的預(yù)測(cè)結(jié)果比較，總體精度提高了2.50個(gè)百分點(diǎn)，Kappa系數(shù)提高了0.0288。

摘要:為揭示添加微納米氣泡的加氣灌溉對(duì)秸稈還田條件下稻麥輪作區(qū)水稻生長(zhǎng)的影響，并提出合理進(jìn)氣量的加氣灌溉方式，設(shè)置6個(gè)處理（無秸稈還田不加氣灌溉（CK）、小麥秸稈還田不加氣灌溉（ST）、小麥秸稈還田+進(jìn)氣量0.3L/min加氣灌溉（SO1）、小麥秸稈還田+進(jìn)氣量0.5L/min加氣灌溉（SO2）、小麥秸稈還田+進(jìn)氣量0.7L/min加氣灌溉（SO3）和小麥秸稈還田+進(jìn)氣量0.9L/min加氣灌溉（SO4））開展水稻盆栽試驗(yàn)，觀測(cè)不同處理下的土壤還原性狀況以及水稻生長(zhǎng)規(guī)律。結(jié)果表明：秸稈還田會(huì)顯著增強(qiáng)土壤的還原性狀況，微納米加氣灌溉可以改善土壤還原性，且隨著進(jìn)氣量的增加改善效果逐漸增強(qiáng)，當(dāng)進(jìn)氣量為0.9L/min時(shí)，土壤活性還原性物質(zhì)含量、Fe2+含量、Mn2+含量最高可降低48.66%、56.11%和42.76%；進(jìn)氣量在0.5~0.7L/min時(shí)的加氣灌溉能夠促進(jìn)水稻的生長(zhǎng)發(fā)育，緩解秸稈還田帶來的水稻生長(zhǎng)前期生長(zhǎng)受到抑制的問題，促進(jìn)水稻根系良好生長(zhǎng)，利于水稻光合作用的有效性，促進(jìn)干物質(zhì)積累，從而提高水稻產(chǎn)量，微納米加氣灌溉處理較無秸稈還田以及秸稈還田不加氣灌溉處理最高可增產(chǎn)19.7%。綜合考慮添加微納米氣泡的加氣灌溉對(duì)于改善秸稈還田后土壤的還原性以及對(duì)水稻生長(zhǎng)發(fā)育的影響，推薦使用溶解氧質(zhì)量濃度為8.06mg/L的微納米氣泡水（SO3處理）對(duì)稻麥輪作區(qū)秸稈還田后的水稻進(jìn)行灌溉。

摘要:為探討寧夏鹽環(huán)定揚(yáng)黃灌區(qū)秸稈還田條件下保水劑用量對(duì)砂性土保水保肥效應(yīng)及玉米產(chǎn)量的影響，通過3年大田試驗(yàn)，以不施保水劑為對(duì)照，研究保水劑施用量（30、60、90、120kg/hm2）對(duì)砂性土壤容重、水分、養(yǎng)分及玉米生長(zhǎng)、產(chǎn)量和水分利用效率的影響，并對(duì)經(jīng)濟(jì)效益進(jìn)行分析。結(jié)果表明，與對(duì)照相比，施用保水劑可有效降低0~40cm層土壤容重，改善土壤孔隙狀況，以保水劑施用量90、120kg/hm2處理效果較優(yōu)。在玉米整個(gè)生育期，施用保水劑60、90、120kg/hm2時(shí)0~100cm層土壤貯水量較高，其3年平均分別較對(duì)照顯著提高18.3%、21.6%和23.5%。施用保水劑60、90kg/hm2處理耕層（0~40cm）土壤有機(jī)質(zhì)、有效磷和速效鉀含量較對(duì)照顯著增加，其改善土壤養(yǎng)分狀況效果最佳。施用保水劑可提高玉米植株株高、莖粗和地上部生物量，施用保水劑60、90kg/hm2處理的效果最為顯著。與對(duì)照相比，施用保水劑60kg/hm2處理對(duì)提高作物水分利用效率、玉米增產(chǎn)和增收效果最佳，其3年平均玉米水分利用效率、產(chǎn)量和純收益分別較對(duì)照顯著增加30.4%、26.0%和20.7%。施用保水劑60kg/hm2時(shí)能有效改善砂性土壤理化性狀，實(shí)現(xiàn)玉米的增產(chǎn)增收，可在寧夏鹽環(huán)定揚(yáng)黃灌區(qū)秸稈還田條件下的滴灌玉米田推廣應(yīng)用。

摘要:為研究不同灌水方式配施腐植酸肥對(duì)水稻干物質(zhì)轉(zhuǎn)運(yùn)、碳含量和土壤呼吸速率以及無機(jī)氮含量的影響，在大田試驗(yàn)條件下設(shè)置了3種灌水方式（控制灌溉、淹灌和淺濕灌溉）和5種施肥方式（100%尿素（T1，為當(dāng)?shù)貍鹘y(tǒng)施肥方式，純氮量110kg/hm2）、30%腐植酸肥+70%尿素（T2）、50%腐植酸肥+50%尿素（T3）、70%腐植酸肥+30%尿素（T4）和100%腐植酸肥（T5，1500kg/hm2）)，共計(jì)15個(gè)試驗(yàn)處理，并對(duì)水稻的抽穗后期干物質(zhì)轉(zhuǎn)運(yùn)、成熟期水稻各器官的碳含量以及土壤呼吸速率和無機(jī)氮含量進(jìn)行觀測(cè)。結(jié)果表明：水肥處理影響了水稻的干物質(zhì)轉(zhuǎn)運(yùn)、碳含量和土壤呼吸速率以及氮素形態(tài)的積累，在CT5、WT5和FT5處理下水稻抽穗后期莖葉干物質(zhì)轉(zhuǎn)運(yùn)相比較其他水肥處理，具有顯著優(yōu)勢(shì)，且在成熟期各器官的碳含量也相對(duì)較大；隨著腐植酸肥的增加，3種灌水方式下的土壤呼吸速率逐漸增大，控制灌溉不同施肥處理下的土壤呼吸速率大于淹灌和淺濕灌溉，而淹灌和淺濕灌溉各處理之間的差異不顯著；腐植酸肥的增加，提高了土壤銨態(tài)氮和硝態(tài)氮含量，并在CT5處理下達(dá)到最大值。因此，控制灌溉下施加1500kg/hm2腐植酸肥，能夠提高水稻的生長(zhǎng)和改善土壤的呼吸和無機(jī)氮含量，綜合考慮CT5處理為最佳的水肥模式。

摘要:針對(duì)河套灌區(qū)寬畦田、大畦塊導(dǎo)致的灌水效率低的問題，為探求變化環(huán)境下適宜的畦灌技術(shù)參數(shù)，在河套灌區(qū)沈?yàn)豕嘤虻湫驮囼?yàn)基礎(chǔ)上，采用不同灌溉設(shè)計(jì)方案對(duì)典型砂土較大田塊（長(zhǎng)×寬為80m×25m）灌水質(zhì)量進(jìn)行評(píng)價(jià)，并在WinSRFR模型模擬基礎(chǔ)上分析不同參數(shù)對(duì)最佳方案灌水質(zhì)量指標(biāo)的敏感性變化情況。結(jié)果表明：砂土畦田規(guī)格（80m×25m）較大時(shí)農(nóng)田灌水效果較差，在中等流量（入畦流量Q=20L/s、單寬流量q=0.80L/(m·s)）水平下，減少尾部25%的田間面積（改水成數(shù)從1.0降低至0.75）可節(jié)省40%的灌水時(shí)間，并可減少16%的灌溉水在水流推進(jìn)過程中的滲漏損失。采用田塊規(guī)格+灌水時(shí)間設(shè)計(jì)方案后灌水效果較典型田塊得到顯著改善，垂直分割田塊（80m×12.5m）在較大流量水平（Q為26~30L/s、q為2.08~2.40L/(m·s)）下灌水效率從67%~80%提升至97%~99%，灌水均勻度從0.59~0.79提高至0.84~0.95，儲(chǔ)水效率從1.17降低至0.76，并且可以節(jié)省當(dāng)前灌水時(shí)間的20%以上，中等流量（Q=20L/s、q=1.60L/(m·s)）下在獲得更優(yōu)灌水質(zhì)量的同時(shí)可以節(jié)省40%的灌水時(shí)間，節(jié)水效果顯著。不同參數(shù)對(duì)灌水質(zhì)量評(píng)價(jià)指標(biāo)具有相同的變化規(guī)律，計(jì)劃需水水深對(duì)灌水質(zhì)量影響明顯，極小單寬流量情況下灌水質(zhì)量受田面坡度、畦田長(zhǎng)度影響較小。建議灌區(qū)采用的砂土畦田規(guī)格為80m×12.5m，并且可根據(jù)實(shí)際不同來水流量選擇所需的最佳單寬流量和灌水時(shí)間組合。

摘要:為獲取玉米高產(chǎn)和減少氮素淋失的合理有機(jī)無機(jī)配施模式，通過田間試驗(yàn)和脫氮-分解模型(DeNitrification-DeComposition,DNDC)模擬，研究了有機(jī)氮替代不同比例無機(jī)氮對(duì)玉米產(chǎn)量和硝態(tài)氮淋失的影響。玉米田間試驗(yàn)在內(nèi)蒙古河套灌區(qū)進(jìn)行，設(shè)置了6個(gè)處理，包括不施氮（CK）、單施無機(jī)氮（U1）以及用有機(jī)氮替代25%、50%、75%和100%無機(jī)氮（U3O1、U1O1、U1O3、O1）。利用2018—2020年的U1處理對(duì)模型進(jìn)行了校準(zhǔn)，用其他處理進(jìn)行驗(yàn)證。結(jié)果表明，該模型能較好地模擬作物產(chǎn)量（標(biāo)準(zhǔn)均方根誤差小于5%）和硝態(tài)氮淋失量（標(biāo)準(zhǔn)均方根誤差小于15%）。此外，利用該模型模擬評(píng)估不同管理措施對(duì)玉米產(chǎn)量和硝態(tài)氮淋失量發(fā)現(xiàn)，在U1處理的基礎(chǔ)上，增加無機(jī)氮施用量會(huì)導(dǎo)致作物產(chǎn)量下降，同時(shí)也會(huì)顯著增加硝態(tài)氮淋失量；增加有機(jī)氮施用量、灌水量、無機(jī)氮分施次數(shù)會(huì)增加玉米產(chǎn)量和硝態(tài)氮淋失量。在等施氮量240kg/hm2條件下，隨著有機(jī)氮施入比例增加，玉米產(chǎn)量呈先升后降的趨勢(shì)，硝態(tài)氮淋失量呈逐漸降低的態(tài)勢(shì)。綜合來看，有機(jī)無機(jī)氮配施比例為3∶2時(shí)，作物產(chǎn)量達(dá)到最高值（12578kg/hm2），硝態(tài)氮淋失量（15.7kg/hm2）也在可接受水平，可確定為該地區(qū)較優(yōu)有機(jī)無機(jī)氮配施模式。

摘要:為對(duì)設(shè)施甜瓜高效集約化生產(chǎn)實(shí)施準(zhǔn)確有效的水肥管理，以“千玉六號(hào)”甜瓜為對(duì)象，于2020年4—7月在陜西省楊凌區(qū)的雙層大跨度溫室內(nèi)進(jìn)行試驗(yàn)，設(shè)水肥兩因素，依據(jù)蒸騰蒸發(fā)量（ETc）和目標(biāo)產(chǎn)量法設(shè)計(jì)3個(gè)灌水量（W1：低水，75%ETc；W2：中水，100%ETc；W3：高水，125%ETc）及3個(gè)施肥量（F1：低肥，施肥量758.44kg/hm2；F2：中肥，施肥量948.05kg/hm2；F3：高肥，施肥量1137.66kg/hm2），研究不同水肥條件對(duì)甜瓜生長(zhǎng)、產(chǎn)量、品質(zhì)及水肥利用效率的影響，運(yùn)用綜合評(píng)價(jià)方法確定最優(yōu)灌水施肥制度。結(jié)果表明，水肥耦合對(duì)甜瓜各指標(biāo)的影響不同，基于博弈論的組合賦權(quán)法對(duì)甜瓜生長(zhǎng)、產(chǎn)量、品質(zhì)及水肥利用效率4類因素12個(gè)指標(biāo)進(jìn)行綜合賦權(quán)，其中總產(chǎn)量權(quán)重最大，為0.343，游離氨基酸含量最小，為0.007?；诨疑P(guān)聯(lián)與TOPSIS耦合模型進(jìn)行綜合評(píng)價(jià)，中水中肥處理下復(fù)合貼近度最佳。水肥配施對(duì)甜瓜綜合生長(zhǎng)的交互作用顯著，灌水量及施肥量對(duì)甜瓜綜合生長(zhǎng)的調(diào)控均呈先增加再降低的趨勢(shì)，與實(shí)際生產(chǎn)相符。當(dāng)灌水量為810.52~990.64m3/hm2、施肥量為853.25~1042.85kg/hm2時(shí)甜瓜綜合生長(zhǎng)得分最高，為最優(yōu)的水肥配施方案。本研究可為當(dāng)?shù)卦O(shè)施甜瓜生產(chǎn)中水肥科學(xué)管理提供依據(jù)。

摘要:針對(duì)干旱區(qū)綠洲土壤鹽漬化的生態(tài)環(huán)境問題，以新疆維吾爾自治區(qū)奇臺(tái)綠洲為研究區(qū)，基于58個(gè)表層土壤鹽度數(shù)據(jù)及與之對(duì)應(yīng)的Landsat TM多光譜遙感影像數(shù)據(jù)，分別選取柵格重采樣(空間分辨率為30～990m)和鄰域?yàn)V波(窗口尺度為3×3、5×5、…、31×31)兩種尺度轉(zhuǎn)換方法獲取不同尺度下Landsat TM派生數(shù)據(jù)，并據(jù)此計(jì)算相應(yīng)的環(huán)境變量（總數(shù)為720）；隨后利用梯度提升決策樹（GBDT）模型在不同尺度下依托環(huán)境變量對(duì)土壤鹽度進(jìn)行模擬，并分析其定量關(guān)系。結(jié)果表明：?jiǎn)我怀叨认?，基?0m空間分辨率的鄰域?yàn)V波方法對(duì)土壤鹽度的解析力總體優(yōu)于柵格重采樣模式，其最大解析力分別為78.55%、75.31%?；旌隙喾N尺度下，對(duì)土壤鹽度的解析效果較單一尺度得到明顯提升，解析力最高可達(dá)90.66%，有效實(shí)現(xiàn)了信息互補(bǔ)。柵格重采樣模式相對(duì)于鄰域?yàn)V波而言，其調(diào)整R2波動(dòng)范圍更為寬泛，說明柵格重采樣尺度變換方法相較于鄰域?yàn)V波對(duì)土壤鹽度-環(huán)境變量關(guān)系的表征更具靈敏性。

摘要:為準(zhǔn)確評(píng)價(jià)東北旱作區(qū)耕層質(zhì)量特征，針對(duì)全部初選指標(biāo)采用主成分分析法（PCA）建立了東北旱作區(qū)耕層質(zhì)量評(píng)價(jià)的最小數(shù)據(jù)集（Minimum data set, MDS），并運(yùn)用最小數(shù)據(jù)集耕層質(zhì)量指數(shù)（MDS-Plough horizon integrated quality index, MDS-PHIQI）和障礙因子診斷模型對(duì)研究區(qū)耕層質(zhì)量及主導(dǎo)障礙因子進(jìn)行分析。結(jié)果表明：東北旱作區(qū)耕層質(zhì)量評(píng)價(jià)的最小數(shù)據(jù)集由土壤有機(jī)質(zhì)含量、全氮含量、有效磷含量、粘粒含量、耕作層穿透阻力和壓實(shí)層厚度組成，最小數(shù)據(jù)集可替代全部初選指標(biāo)對(duì)東北旱作區(qū)耕層質(zhì)量進(jìn)行評(píng)價(jià)；東北旱作區(qū)耕層質(zhì)量指數(shù)分布在0.10~0.53之間，均值為0.30，整體處于低和中等水平。東北旱作區(qū)合理耕層指標(biāo)參數(shù)的適宜范圍為：有機(jī)質(zhì)質(zhì)量比大于等于37.16g/kg，全氮質(zhì)量比大于等于1.75g/kg，有效磷質(zhì)量比大于等于26.38mg/kg，粘粒質(zhì)量分?jǐn)?shù)為4.60%~6.19%，耕作層穿透阻力小于等于364.56kPa，壓實(shí)層厚度小于等于8.18cm。東北旱作區(qū)糧食產(chǎn)量低產(chǎn)區(qū)耕層多存在結(jié)構(gòu)型障礙，中產(chǎn)區(qū)耕層結(jié)構(gòu)型障礙和養(yǎng)分限制共存，而高產(chǎn)區(qū)耕層主要表現(xiàn)為養(yǎng)分限制型障礙。整體來看，研究區(qū)耕層質(zhì)量的主要障礙因素為耕作層穿透阻力、土壤全氮含量、有機(jī)質(zhì)含量，需針對(duì)上述指標(biāo)采取針對(duì)性的耕作和培肥措施。

摘要:以玉米秸稈纖維素為原料，以三氟乙酸(Trifluoroacetic acid, TFA)為催化劑，提出采用一鍋法高效制備三醋酸纖維素(Cellulose triacetate, CTA)的新工藝，并進(jìn)行了合成試驗(yàn)。以CTA的取代度和產(chǎn)率為指標(biāo)，分析了TFA添加量、反應(yīng)溫度、反應(yīng)時(shí)間以及乙酸酐添加量對(duì)CTA取代度及產(chǎn)率的影響，并優(yōu)化了合成工藝，結(jié)果表明，CTA的最佳制備條件為：TFA添加量15mL/g、反應(yīng)溫度25℃、反應(yīng)時(shí)間30min、乙酸酐添加量5mL/g，得到的CTA的取代度為2.95，產(chǎn)率為96.2%。通過傅里葉變換紅外光譜分析、X射線衍射分析以及氫核磁共振分析對(duì)產(chǎn)物理化特性進(jìn)行了表征，結(jié)果表明，纖維素發(fā)生了乙?；磻?yīng)，并合成了CTA；熱重分析結(jié)果表明，該工藝制備的CTA具有較高的熱穩(wěn)定性。

摘要:為了準(zhǔn)確測(cè)量肉雞養(yǎng)殖過程中雞舍內(nèi)的氨氣濃度，實(shí)現(xiàn)舍內(nèi)氨氣環(huán)境的精準(zhǔn)調(diào)控，設(shè)計(jì)了一種由氣體檢測(cè)系統(tǒng)、氣體循環(huán)系統(tǒng)和輔助裝置構(gòu)成的主動(dòng)式氨氣檢測(cè)裝置。裝置通過控制風(fēng)扇實(shí)現(xiàn)狀態(tài)切換，使用電化學(xué)氨氣模組檢測(cè)氣體，通過微控制器（Micro control unit，MCU）實(shí)現(xiàn)濃度數(shù)據(jù)分析、處理，并運(yùn)用計(jì)算流體力學(xué)（Computational fluid dynamics, CFD）技術(shù)模擬裝置在不同狀態(tài)下的速度云圖和速度矢量圖，由此得到空氣齡，確定單次進(jìn)氣時(shí)間。裝置在氨氣檢測(cè)狀態(tài)時(shí)氣流呈逆時(shí)針循環(huán)流動(dòng)，使氨氣濃度更均勻，最大空氣齡為0.804s，裝置設(shè)定單次檢測(cè)時(shí)間為1s，每10s檢測(cè)一次，每6個(gè)值的均值作為1min的值。在養(yǎng)殖雞舍內(nèi)進(jìn)行現(xiàn)場(chǎng)試驗(yàn)，結(jié)果表明本文裝置檢測(cè)的氨氣濃度和氨氣變送器檢測(cè)值的Pearson相關(guān)系數(shù)達(dá)到0.832，與檢測(cè)結(jié)果趨勢(shì)相符，平均相差為3.46%，方差也較小，總體比氨氣變送器檢測(cè)值波動(dòng)小，檢測(cè)更穩(wěn)定。該檢測(cè)裝置具有速度快、精度高和穩(wěn)定性強(qiáng)等優(yōu)點(diǎn)。

摘要:為解決微好氧同步預(yù)升溫序批式干發(fā)酵工藝實(shí)際運(yùn)行過程中現(xiàn)有裝備存在曝氣不充分、噴淋均勻度低等問題，加快促進(jìn)纖維物料降解和中間物質(zhì)轉(zhuǎn)化并提高產(chǎn)氣效率，創(chuàng)新設(shè)計(jì)裝備噴淋系統(tǒng)、曝氣系統(tǒng)，優(yōu)化集成了微好氧預(yù)升溫序批式厭氧干發(fā)酵一體化裝備，實(shí)現(xiàn)微好氧快速預(yù)升溫、噴淋均勻接種、高效生產(chǎn)沼氣。通過噴頭特性比選出適合粘稠沼液循環(huán)的螺旋式噴嘴，并計(jì)算出當(dāng)噴淋面積為0.6m×0.6m時(shí)，最佳噴頭間距和管道直徑分別為0.37m和0.08m，噴淋覆蓋面積可達(dá)到物料表面積的87.33%。為方便物料進(jìn)出，設(shè)計(jì)曝氣管道對(duì)稱分布在物料兩側(cè)，共設(shè)置6支平行曝氣管，單側(cè)管道間距和兩端管道間距分別為0.5m和0.7m。集成裝備并耦合微好氧同步預(yù)升溫序批式干發(fā)酵工藝，通過長(zhǎng)期試驗(yàn)確定實(shí)際運(yùn)行中的多組反應(yīng)器序批啟動(dòng)調(diào)控策略應(yīng)為8組反應(yīng)器，啟動(dòng)間隔為3d，發(fā)酵周期為24d?；谝?guī)?；膛ｐB(yǎng)殖場(chǎng)對(duì)技術(shù)裝備應(yīng)用經(jīng)濟(jì)效益進(jìn)行核算，得出投資回收周期約為4年，與傳統(tǒng)濕法厭氧發(fā)酵技術(shù)相比減少了約1.3年。

摘要:針對(duì)中小規(guī)模養(yǎng)豬場(chǎng)糞污收集與利用處理效率低、利用技術(shù)不配套等問題，以存欄量2000頭的養(yǎng)豬場(chǎng)為例，計(jì)算了糞污的產(chǎn)生和收集量，結(jié)合養(yǎng)豬現(xiàn)有設(shè)施基礎(chǔ)，設(shè)計(jì)了“日產(chǎn)日清、原位處理”的豬糞好氧快速發(fā)酵高溫?zé)o害化處理工藝，設(shè)計(jì)了一種智能好氧高溫發(fā)酵罐，并按照工藝設(shè)計(jì)要求，在養(yǎng)豬場(chǎng)進(jìn)行了試驗(yàn)。結(jié)果表明：養(yǎng)殖規(guī)模為2000頭的養(yǎng)豬場(chǎng)，每天產(chǎn)生含水率60%的固糞1.2t，主要構(gòu)筑物占地面積485.5m2，其中設(shè)備占地13.2m2；豬糞發(fā)酵前后全氮損失率為8.3%，全磷損失率為1.7%，全鉀損失率為0；發(fā)酵產(chǎn)物含水率為43%、蛔蟲卵死亡率100%、糞大腸菌群數(shù)小于3個(gè)/g，均達(dá)到相關(guān)行業(yè)無害化衛(wèi)生要求標(biāo)準(zhǔn)；當(dāng)環(huán)境溫度為10～25℃時(shí)，發(fā)酵罐平均能耗為63.5kW·h/d。

摘要:在低pH值、低離子強(qiáng)度、長(zhǎng)時(shí)間高溫加熱條件下乳清蛋白可以自組裝形成納米纖維聚合物。纖維的形成主要有自發(fā)和核誘導(dǎo)2種方式，對(duì)改善乳清蛋白的功能性質(zhì)具有重要作用。通過界面性質(zhì)與纖維結(jié)構(gòu)的關(guān)系探究CaCl2對(duì)核形成、核誘導(dǎo)以及成熟纖維的影響。結(jié)果表明：核誘導(dǎo)方式比自發(fā)方式對(duì)CaCl2的耐受性更強(qiáng)，CaCl2濃度為50mmol/L時(shí)，均相核誘導(dǎo)、二次核誘導(dǎo)乳清蛋白形成的纖維聚合物較自發(fā)方式樣品乳化穩(wěn)定性指數(shù)分別降低了30.92%、34.09%，泡沫穩(wěn)定性指數(shù)分別降低了68.18%、78.59%。加入20~50mmol/L CaCl2能提高蛋白質(zhì)的聚合速率，同時(shí)降低反應(yīng)的活化能，但這種快速聚合破壞了纖維有序組裝的過程，核誘導(dǎo)方式由于加快了纖維聚合物的形成速度，與自發(fā)方式相比，核誘導(dǎo)對(duì)CaCl2的耐受程度更高。

摘要:壓差預(yù)冷是廣泛應(yīng)用于果蔬保鮮的預(yù)冷措施，采用垂直送風(fēng)方式相較于傳統(tǒng)的水平送風(fēng)方式具有更好的冷卻效果。通過建立單箱蘋果垂直送風(fēng)式壓差預(yù)冷過程的數(shù)值模型，分析了送風(fēng)速度、送風(fēng)溫度及箱體開孔率對(duì)預(yù)冷性能的影響。模擬結(jié)果表明，當(dāng)送風(fēng)速度由0.5m/s增大至2.5m/s時(shí)，蘋果的冷卻時(shí)間由127min下降至90min，蘋果中心溫度平均偏差由0.51℃下降至0.20℃；當(dāng)送風(fēng)溫度由2℃升高至6℃時(shí)，7/8冷卻時(shí)間不變，冷卻終溫與送風(fēng)溫度接近；當(dāng)箱體開孔率由15%增大至30%時(shí)，冷卻速率相近，壓降由418Pa降低至86.8Pa，蘋果中心溫度平均偏差由0.73℃上升至1.11℃。結(jié)合實(shí)際情況，在15%開孔率下垂直送風(fēng)式壓差預(yù)冷的最佳送風(fēng)速度約為2.0m/s，低于相同工況下水平送風(fēng)的最佳送風(fēng)速度；在壓降滿足設(shè)計(jì)要求的前提下，出于結(jié)構(gòu)強(qiáng)度考慮，宜采用較小的箱體開孔面積；為了減小質(zhì)量損失率，應(yīng)使氣流均勻流過所有蘋果表面，從而使其表面溫度快速下降。

摘要:馬鈴薯儲(chǔ)藏過程中，在高溫、缺氧等環(huán)境下，極易產(chǎn)生黑心病等內(nèi)部缺陷，嚴(yán)重影響馬鈴薯加工品的品質(zhì)和原料加工利用率。黑心病薯無法從外觀分辨，傳統(tǒng)檢測(cè)方法需要將馬鈴薯切開后判斷，僅適用于抽樣檢測(cè)。基于自主研發(fā)的馬鈴薯內(nèi)部品質(zhì)光譜檢測(cè)裝置進(jìn)行光譜數(shù)據(jù)采集，分別采集234條健康馬鈴薯和236條黑心病馬鈴薯能量譜和吸光度譜數(shù)據(jù)用于判別模型建立，采用隨機(jī)法按3∶1將樣本集劃分為校正集和驗(yàn)證集，以靈敏度、特異性指數(shù)、分類正確率作為模型評(píng)價(jià)指標(biāo)?；谖舛茸V，經(jīng)標(biāo)準(zhǔn)化（Auto）預(yù)處理后，在波段500~950nm范圍內(nèi)建立馬鈴薯黑心病偏最小二乘線性判別模型（PLS-LDA），并通過競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)法與連續(xù)投影法（CARS-SPA）進(jìn)行聯(lián)合變量篩選，最終采用9個(gè)變量，對(duì)黑心病判別的靈敏度、特異性指數(shù)、總分類正確率分別達(dá)98.87%、98.30%和98.44%?；谀芰孔V，采用雙波長(zhǎng)相關(guān)系數(shù)法，分別計(jì)算任意波長(zhǎng)對(duì)組合的能量差值和比值，與黑心病進(jìn)行相關(guān)分析，最終采用2個(gè)變量能量比值T699/T435建立線性判別模型（LDA），對(duì)黑心病判別的靈敏度、特異性指數(shù)、總分類正確率分別達(dá)97.71%、96.15%和97.67%。因此，基于吸光度譜的CARS-SPA-PLS-LDA模型和基于能量譜的(T699/T435)-LDA模型均可有效識(shí)別馬鈴薯黑心病，與吸光度譜模型相比，能量譜模型僅采用2個(gè)變量，模型更簡(jiǎn)單穩(wěn)定，并且解決了白背景與暗電流2個(gè)參比限制的難題，適用性更廣泛。

摘要:為解決無人化水田植保機(jī)在田間作業(yè)時(shí)上線速度慢、精度不高和抗干擾能力差的問題，提出了一種基于快速冪次趨近律和全局滑模控制的水田植保機(jī)路徑跟蹤控制方法。首先建立了含有滑移干擾項(xiàng)和航向角干擾項(xiàng)的水田植保機(jī)四輪異相位轉(zhuǎn)向運(yùn)動(dòng)學(xué)模型，提出了一種基于全局滑?？刂坪涂焖賰绱乌吔傻闹本€作業(yè)跟蹤轉(zhuǎn)向控制算法，解決了滑?？刂扑惴ǖ亩墩窈挖吔B(tài)對(duì)干擾敏感的問題，使用Lyapunov判據(jù)檢驗(yàn)了算法的收斂性。使用Matlab建立了仿真模型，對(duì)算法進(jìn)行了仿真，相比基于指數(shù)趨近律和等速趨近律的滑?？刂扑惴?，本文算法的快速性更好。實(shí)際作業(yè)實(shí)驗(yàn)結(jié)果表明，該方法直線跟蹤橫向偏差絕對(duì)值最大為0.0778m，能夠有效提高自主導(dǎo)航控制系統(tǒng)的穩(wěn)定性和快速性。

摘要:為提高同步轉(zhuǎn)向高地隙噴霧機(jī)軌跡跟蹤的穩(wěn)定性與魯棒性，提出一種基于模型預(yù)測(cè)控制理論的模糊自適應(yīng)軌跡跟蹤方法。首先，基于剛體運(yùn)動(dòng)學(xué)以及幾何約束推導(dǎo)出噴霧機(jī)的非線性運(yùn)動(dòng)學(xué)模型，并對(duì)該運(yùn)動(dòng)學(xué)模型進(jìn)行簡(jiǎn)化；然后，基于簡(jiǎn)化的運(yùn)動(dòng)學(xué)模型建立噴霧機(jī)的狀態(tài)預(yù)測(cè)模型；最后，結(jié)合實(shí)際工況設(shè)計(jì)了模糊自適應(yīng)預(yù)測(cè)控制器。仿真試驗(yàn)表明：與傳統(tǒng)的預(yù)測(cè)控制器相比，模糊自適應(yīng)預(yù)測(cè)控制器的跟蹤速度更快、穩(wěn)定性更好。場(chǎng)地試驗(yàn)表明：在進(jìn)行初始誤差2.5、5m的直線軌跡跟蹤以及無初始誤差的圓形軌跡跟蹤時(shí)，其平均誤差分別為0.0442、0.0602、0.0901m。本文建立的噴霧機(jī)運(yùn)動(dòng)學(xué)模型可以很好地體現(xiàn)同步轉(zhuǎn)向高地隙噴霧機(jī)的運(yùn)動(dòng)特點(diǎn)，設(shè)計(jì)的模糊自適應(yīng)預(yù)測(cè)控制器可以保證噴霧機(jī)路徑跟蹤的準(zhǔn)確性和魯棒性。

摘要:基于虛關(guān)節(jié)法和構(gòu)件有限元分析建立了考慮驅(qū)動(dòng)副、滾珠絲桿副、線性導(dǎo)軌和運(yùn)動(dòng)桿件彈性變形的3T1R混聯(lián)機(jī)構(gòu)靜剛度矩陣模型。通過在構(gòu)件末端添加多自由度虛擬關(guān)節(jié)的方式來等效構(gòu)件的彈性，將支鏈等效為一系列剛性構(gòu)件，通過主動(dòng)副、被動(dòng)副以及虛擬關(guān)節(jié)連接的形式，給出了運(yùn)動(dòng)關(guān)節(jié)和虛擬關(guān)節(jié)變量對(duì)機(jī)構(gòu)末端位姿的映射，應(yīng)用虛功原理得到機(jī)構(gòu)靜平衡方程，推導(dǎo)了機(jī)構(gòu)在一定外載下的剛度矩陣模型，采用無量綱變換法定義了局部線剛度和角剛度評(píng)價(jià)指標(biāo)與全局線剛度和角剛度評(píng)價(jià)指標(biāo)，據(jù)此分析了混聯(lián)機(jī)構(gòu)在典型位姿和工作空間域內(nèi)的靜剛度性能，并利用有限元仿真驗(yàn)證了剛度模型的準(zhǔn)確性。結(jié)果表明，所建半解析剛度模型具有較高的精度；機(jī)構(gòu)z向線剛度在工作空間內(nèi)關(guān)于x=y軸線對(duì)稱分布；機(jī)構(gòu)x向、y向的線剛度沿x軸、y軸方向不變，具有解耦性；機(jī)構(gòu)線剛度遠(yuǎn)大于角剛度。

摘要:針對(duì)常規(guī)方法難以有效求解冗余機(jī)械臂逆運(yùn)動(dòng)學(xué)的不足，提出了一種基于改進(jìn)果蠅優(yōu)化算法的逆運(yùn)動(dòng)學(xué)解決方案。改進(jìn)算法采用線性候選解產(chǎn)生機(jī)制，克服了基本果蠅優(yōu)化算法不能搜索負(fù)值空間及無法在指定的區(qū)域內(nèi)均勻搜索的缺陷。通過混合學(xué)習(xí)嗅覺搜索策略的構(gòu)建，有效增強(qiáng)并合理平衡算法的全局探索與局部開發(fā)。此外，通過視覺實(shí)時(shí)更新策略的引入，提升了算法的搜索效率及加速了算法的收斂速度。以7自由度冗余機(jī)械臂的逆運(yùn)動(dòng)學(xué)求解為例展開對(duì)比試驗(yàn)分析，結(jié)果表明所提出算法在尋優(yōu)速度、精度以及結(jié)果穩(wěn)定性等方面明顯優(yōu)于對(duì)比算法，說明該方法能夠有效解決冗余機(jī)械臂的逆運(yùn)動(dòng)學(xué)問題。

摘要:設(shè)計(jì)了一種由壓電作動(dòng)器驅(qū)動(dòng)的微操作機(jī)構(gòu)?；谌犴槞C(jī)構(gòu)原理設(shè)計(jì)了橋式位移放大機(jī)構(gòu)，以改善壓電作動(dòng)器的輸出位移。利用偽剛體法和Euler-Bernoulli柔性梁理論建立微操作機(jī)構(gòu)的靜力學(xué)模型，并通過Lagrange方法推導(dǎo)出其動(dòng)力學(xué)方程，進(jìn)而獲得機(jī)構(gòu)的自然頻率。借助于差分進(jìn)化算法進(jìn)行柔性鉸鏈幾何尺寸優(yōu)化，并與計(jì)算機(jī)有限元仿真分析進(jìn)行交叉驗(yàn)證。最后，實(shí)驗(yàn)驗(yàn)證了所提出微操作機(jī)構(gòu)能夠獲得位移放大倍數(shù)為9.8和行程為180μm；在基于觀測(cè)器PID控制下，機(jī)構(gòu)位移均方根誤差和最大位移誤差分別為0.071、0.128μm。本文提出的微操作機(jī)構(gòu)具有精度高、魯棒性強(qiáng)的運(yùn)動(dòng)效果。