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:體質(zhì)量（體重）是反映畜禽身體健康與生長(zhǎng)狀況、繁殖與生產(chǎn)性能的重要指標(biāo)。對(duì)畜禽體質(zhì)量精準(zhǔn)快速地評(píng)估和監(jiān)測(cè)是提升養(yǎng)殖生產(chǎn)管理水平、實(shí)現(xiàn)精準(zhǔn)畜牧生產(chǎn)的重要手段。傳統(tǒng)的直接稱量方式耗時(shí)費(fèi)力，易造成動(dòng)物的應(yīng)激反應(yīng)?；跈C(jī)器視覺技術(shù)的體質(zhì)量評(píng)估，能夠利用視覺檢測(cè)技術(shù)獲取體型特征建立其與體質(zhì)量之間的智能評(píng)估模型，是目前畜禽養(yǎng)殖智能化技術(shù)研究的熱點(diǎn)。首先對(duì)體質(zhì)量的評(píng)估方法進(jìn)行分類闡述；然后，詳細(xì)分析了機(jī)器視覺體尺圖像獲取的傳感器類型、畜禽體尺提取與處理方法及應(yīng)用現(xiàn)狀；重點(diǎn)開展基于機(jī)器學(xué)習(xí)方法的體尺、體征與體質(zhì)量評(píng)估模型相關(guān)研究的分析，對(duì)比了各類機(jī)器學(xué)習(xí)算法在體質(zhì)量評(píng)估方面的應(yīng)用效果和最新研究成果，特別探討和分析了深度學(xué)習(xí)算法在全自動(dòng)畜禽體質(zhì)量評(píng)估領(lǐng)域的發(fā)展?jié)摿?；最后，指出畜禽體質(zhì)量評(píng)估研究面臨的問題和未來研究的發(fā)展趨勢(shì)。

摘要:針對(duì)現(xiàn)有甘薯起壟整形機(jī)起壟效果較差、牽引阻力大等問題，設(shè)計(jì)了一種甘薯起壟整形機(jī)犁鏵式開溝起壟裝置，并闡述了其主要結(jié)構(gòu)和工作原理。結(jié)合甘薯種植模式和壟型結(jié)構(gòu)農(nóng)藝要求，采用水平直元線法確定了開溝起壟裝置犁體曲面的結(jié)構(gòu)參數(shù)及其取值范圍。運(yùn)用EDEM離散元仿真軟件，建立了犁鏵式開溝起壟裝置-土壤互作仿真模型。選取開溝犁體曲面安裝角、推土角、元線角差值為試驗(yàn)因素，以犁體土壤拋送距離和牽引阻力為評(píng)價(jià)指標(biāo)，進(jìn)行了Box-Behnken中心組合設(shè)計(jì)試驗(yàn)。仿真試驗(yàn)結(jié)果表明，當(dāng)作業(yè)速度為3.33 km/h時(shí)，安裝角、推土角和元線角差值最優(yōu)組合為27.19°、38.05°和10.69°。基于優(yōu)化的最優(yōu)組合參數(shù)進(jìn)行了田間試驗(yàn)，田間試驗(yàn)結(jié)果表明，犁鏵式開溝起壟裝置壟高穩(wěn)定性系數(shù)為98.53%，壟體土壤緊實(shí)度為236kPa，拖拉機(jī)作業(yè)油耗為11.94L/h，滿足甘薯開溝起壟農(nóng)藝要求，且均優(yōu)于板式起壟裝置作業(yè)效果。

摘要:針對(duì)長(zhǎng)江中下游稻油輪作區(qū)土壤黏重板結(jié)、秸稈量大等問題，油菜直播種床整備采用傳統(tǒng)旋耕方式常導(dǎo)致耕層淺、埋茬效果不足和平整度較低的實(shí)際問題，本文結(jié)合油菜種植農(nóng)藝要求，設(shè)計(jì)了主動(dòng)鏟鍬切土、拋土，并集成被動(dòng)式開畦溝、碎土、平整廂面裝置，實(shí)現(xiàn)適宜油菜直播的土壤翻耕、碎土、秸稈埋覆、平整等功能的鏟鍬式種床整備機(jī)；根據(jù)鏟鍬入土角、耕深、切土節(jié)距等要求，建立了曲柄連桿機(jī)構(gòu)運(yùn)動(dòng)學(xué)模型，基于Matlab軟件分析得出曲柄連桿機(jī)構(gòu)結(jié)構(gòu)參數(shù)；根據(jù)鏟尖運(yùn)動(dòng)軌跡、切土節(jié)距、溝底凸起高度等要求，確定了左右交錯(cuò)式鏟鍬和螺旋式的曲柄排列方式，開展了機(jī)組運(yùn)行參數(shù)的匹配設(shè)計(jì)，得出了機(jī)組前進(jìn)速度vm為0.4~0.5m/s、曲柄轉(zhuǎn)速n為240r/min；同時(shí)開展了土壤被鏟鍬拋出后運(yùn)動(dòng)過程分析，確定了罩殼安裝參數(shù)；建立了基于離散元方法的耕作部件-土壤-秸稈相互作用仿真模型，應(yīng)用EDEM 與ADAMS軟件耦合分析了機(jī)具的秸稈埋覆性能，仿真結(jié)果表明，平均秸稈埋覆率為91.64%，可實(shí)現(xiàn)秸稈深埋還田。田間試驗(yàn)表明，在高茬水稻秸稈工況下，鏟鍬式種床整備機(jī)的平均作業(yè)耕深為215.3mm，與傳統(tǒng)旋耕方式相比，平均耕深提高99.2mm；秸稈埋覆率為89.43%，相比傳統(tǒng)旋耕方式的埋覆率提升了27.61個(gè)百分點(diǎn)，且機(jī)組無纏繞和堵塞，通過性好，整機(jī)作業(yè)質(zhì)量達(dá)到稻茬地油菜直播種床整備的要求。

摘要:針對(duì)農(nóng)業(yè)機(jī)械自動(dòng)駕駛中非線性車輛模型具有未知干擾輸入，以及測(cè)量輸出不確定等問題，提出一種基于滾動(dòng)時(shí)域的車輛運(yùn)動(dòng)狀態(tài)估計(jì)方法（MHE）。將狀態(tài)估計(jì)問題轉(zhuǎn)化為固定時(shí)域的優(yōu)化問題并充分考慮約束條件，從而實(shí)現(xiàn)對(duì)帶約束非線性模型狀態(tài)的估計(jì)。為提高M(jìn)HE的計(jì)算效率并且考慮傳感器采樣頻率不同，以及可能出現(xiàn)測(cè)量值缺失或異常，設(shè)計(jì)出一種多線程運(yùn)行架構(gòu)，使MHE更適合實(shí)際應(yīng)用。使用Matlab建立水稻直播機(jī)自動(dòng)駕駛仿真系統(tǒng)，仿真結(jié)果表明，MHE算法能有效補(bǔ)償系統(tǒng)干擾和消除測(cè)量噪聲，MHE估計(jì)出的橫縱位置和航向角相比擴(kuò)展卡爾曼濾波（EKF）估計(jì)出的更接近系統(tǒng)真值。使用MHE狀態(tài)估計(jì)算法對(duì)水稻直播機(jī)無人作業(yè)過程中測(cè)得的橫向偏差與航向角偏差進(jìn)行估計(jì)。結(jié)果表明，時(shí)域窗口N取3～5時(shí)，MHE算法對(duì)消除狀態(tài)的穩(wěn)態(tài)誤差和抑制測(cè)量值的不平穩(wěn)性具有良好的效果，同時(shí)也能較好地反映狀態(tài)值的真實(shí)變化，證明了MHE算法在補(bǔ)償系統(tǒng)干擾和消除測(cè)量誤差方面的優(yōu)異性。

摘要:針對(duì)機(jī)械式排種器在高速作業(yè)條件下充種效果差，遞種過程不穩(wěn)定導(dǎo)致排種器合格指數(shù)低的問題，基于引導(dǎo)充種、縮短遞種距離設(shè)計(jì)思想，設(shè)計(jì)了大豆高速播種機(jī)側(cè)置導(dǎo)引式精量排種器，利用側(cè)置型孔結(jié)構(gòu)和導(dǎo)引板實(shí)現(xiàn)有序充種、穩(wěn)定可靠遞種。對(duì)充種、清種及遞種過程進(jìn)行了理論分析，建立了充填力模型，確定了影響排種器性能的關(guān)鍵參數(shù)為：充種傾角α、開口角β；確定了型孔的主要結(jié)構(gòu)參數(shù)，并以合格指數(shù)、漏播指數(shù)為評(píng)價(jià)指標(biāo)，采用二因素五水平中心旋轉(zhuǎn)組合試驗(yàn)方法，對(duì)充種傾角α、開口角β開展仿真試驗(yàn)。結(jié)果表明：切向充填力隨位置角的增大先增加后下降，z向充填力逐漸增大到最大值；充種傾角α、開口角β對(duì)合格指數(shù)、漏播指數(shù)影響極顯著，得到結(jié)構(gòu)參數(shù)的最優(yōu)組合為：充種傾角α為11.50°、開口角β為119.05°；臺(tái)架試驗(yàn)結(jié)果表明，在作業(yè)速度4~14km/h下，側(cè)置導(dǎo)引式大豆排種器合格指數(shù)不低于95.27%，漏播指數(shù)不大于4.73%，破損指數(shù)低于0.53%，滿足高速精密播種要求。

摘要:針對(duì)小白菜精量復(fù)式播種機(jī)采用單體排種器播種時(shí)傳動(dòng)系統(tǒng)復(fù)雜、各行出苗效果差異明顯等不足，設(shè)計(jì)了2個(gè)排種盤可同時(shí)播8行的小白菜正負(fù)氣壓組合式排種器，闡明了排種器的工作過程、原理及主要結(jié)構(gòu)參數(shù)，理論分析確定了排種盤和排種口結(jié)構(gòu)參數(shù)及其種子遷移軌跡。利用DEM-CFD氣固耦合動(dòng)網(wǎng)格模型分析了排種盤轉(zhuǎn)速、氣室負(fù)壓和氣室正壓對(duì)排種性能的影響，試驗(yàn)結(jié)果表明：負(fù)壓對(duì)排種器合格指數(shù)、重播指數(shù)及漏播指數(shù)均有顯著影響，負(fù)壓為-3000Pa、正壓為300Pa、轉(zhuǎn)速為30r/min、品種為中箕青605時(shí)，各行平均合格指數(shù)為93.12%、重播指數(shù)為3.59%、漏播指數(shù)為3.29%。利用JPS-12型排種器檢測(cè)試驗(yàn)臺(tái)開展了臺(tái)架試驗(yàn)，試驗(yàn)結(jié)果表明：排種盤轉(zhuǎn)速為30r/min、負(fù)壓為-3000Pa、正壓為300Pa時(shí)，各行平均合格指數(shù)為91.32%、平均重播指數(shù)為6.19%、平均漏播指數(shù)為2.49%。以較優(yōu)因素水平組合開展了田間試驗(yàn)，試驗(yàn)結(jié)果表明：小白菜平均苗數(shù)為10株/m、株距平均值為100.48mm，各行苗數(shù)一致性變異系數(shù)為8.05%，滿足小白菜種植農(nóng)藝要求。

摘要:為減小油菜無人播種作業(yè)系統(tǒng)調(diào)頭產(chǎn)生的未作業(yè)區(qū)域面積，提高作業(yè)行切換對(duì)行精度，提出一種兩退三切魚尾調(diào)頭自動(dòng)控制方法?；贑aseTM1404型拖拉機(jī)、北斗RTK和2BFQ-8型油菜精量直播機(jī)構(gòu)建了一套油菜無人播種作業(yè)系統(tǒng)。根據(jù)該系統(tǒng)參數(shù)，定量分析了3種魚尾調(diào)頭模型的路徑幾何關(guān)系，以田頭未作業(yè)區(qū)域面積最少和對(duì)行精度最優(yōu)為目標(biāo)生成魚尾調(diào)頭路徑，基于幾何模型和運(yùn)動(dòng)學(xué)模型設(shè)計(jì)了改進(jìn)的模糊自適應(yīng)純追蹤控制器，依據(jù)該控制器結(jié)合油菜精量直播機(jī)播種規(guī)范構(gòu)建了控制策略。開展了3種魚尾調(diào)頭模型田頭未作業(yè)區(qū)域面積仿真，仿真結(jié)果表明，兩退三切魚尾調(diào)頭模型相對(duì)于傳統(tǒng)魚尾調(diào)頭模型田頭未作業(yè)區(qū)域面積減少14.62%~22.43%。運(yùn)用該調(diào)頭方法開展了田間無人播種作業(yè)試驗(yàn)，試驗(yàn)結(jié)果表明：兩退三切魚尾調(diào)頭方法較傳統(tǒng)魚尾調(diào)頭方法初始橫向偏差減小7.37~8.08cm，上升時(shí)間減少1.3~2.3s，無人作業(yè)對(duì)行精度為1.48cm。該研究為油菜無人播種作業(yè)過程中的梭行路徑調(diào)頭換行方法提供了技術(shù)支撐。

摘要:針對(duì)現(xiàn)有施肥機(jī)械出現(xiàn)的堆積堵塞、肥量調(diào)節(jié)困難以及施肥均勻性差的問題，設(shè)計(jì)了一種易于調(diào)節(jié)肥量、擋板推肥防堵塞的側(cè)深施肥裝置，闡述了該裝置工作原理，參考水田側(cè)深施肥農(nóng)藝要求和插秧機(jī)空間結(jié)構(gòu)，確定了施肥裝置基本結(jié)構(gòu)參數(shù)；對(duì)側(cè)深施肥裝置工作過程進(jìn)行理論分析，確定了影響裝置施肥性能的工作參數(shù)主要為排肥圓盤轉(zhuǎn)速和肥槽高度；利用EDEM離散元仿真軟件建立滑槽回轉(zhuǎn)式施肥裝置仿真模型，探究了排肥圓盤轉(zhuǎn)速和肥槽高度對(duì)施肥裝置充肥和排肥效果的影響，確定了排肥圓盤的最佳工作轉(zhuǎn)速為10~50r/min；為驗(yàn)證施肥性能，通過臺(tái)架試驗(yàn)對(duì)滑槽回轉(zhuǎn)式水田側(cè)深施肥裝置進(jìn)行試驗(yàn)研究，獲得了排肥圓盤轉(zhuǎn)速、肥槽高度對(duì)施肥穩(wěn)定性影響規(guī)律和排肥圓盤轉(zhuǎn)速、插秧機(jī)速度對(duì)施肥均勻性影響規(guī)律，各指標(biāo)均滿足國(guó)家施肥作業(yè)機(jī)械標(biāo)準(zhǔn)；通過與常見施肥結(jié)構(gòu)裝置進(jìn)行對(duì)比，證明滑槽回轉(zhuǎn)式水田側(cè)深施肥裝置在一定程度上提高了施肥均勻性。

摘要:結(jié)合油莎豆物料特性和黃淮海區(qū)域油莎豆種植農(nóng)藝要求，針對(duì)油莎豆種子表面凹凸不平、形狀不規(guī)則導(dǎo)致的流動(dòng)性差、充種性能不佳和每穴3粒種子投種時(shí)軸向分散等問題，設(shè)計(jì)了一種油莎豆V形凹槽窩眼排種輪低位集穴排種器。通過對(duì)窩眼排種輪直徑、型孔以及其表面增設(shè)的V形凹槽進(jìn)行設(shè)計(jì)，提高了精量分離充種性能；在窩眼排種輪下方加設(shè)低位投種集穴裝置，既可降低投種高度，又可將分散下落的種子向中間聚集，提高了成穴效果。利用EDEM軟件對(duì)排種器進(jìn)行了運(yùn)動(dòng)特性仿真，分析了不同結(jié)構(gòu)參數(shù)對(duì)充種效果的影響，確定了窩眼排種輪的結(jié)構(gòu)參數(shù)；以窩眼排種輪轉(zhuǎn)速、種層高度和型孔寬度為試驗(yàn)因素，以合格指數(shù)、漏播指數(shù)和重播指數(shù)為試驗(yàn)指標(biāo)，進(jìn)行了二次回歸正交旋轉(zhuǎn)組合仿真試驗(yàn)。仿真試驗(yàn)結(jié)果表明：影響合格指數(shù)的主次順序?yàn)楦C眼排種輪轉(zhuǎn)速、型孔寬度、種層高度；當(dāng)窩眼排種輪轉(zhuǎn)速為22.10r/min、型孔寬度為14.23mm、種層高度為52.59mm時(shí)，合格指數(shù)為92.11%、漏播指數(shù)為2.24%、重播指數(shù)為5.65%。最后進(jìn)行了臺(tái)架試驗(yàn)，對(duì)仿真結(jié)果進(jìn)行了驗(yàn)證，得出油莎豆低位集穴排種器的充種和集穴性能較好，滿足油莎豆精密播種要求。

摘要:針對(duì)粉末狀有機(jī)肥濕度大、流動(dòng)性差、條施困難等問題，設(shè)計(jì)了一種粉末狀有機(jī)肥排肥器。該裝置主要由肥箱、排肥撥輪、防自流擋板和排肥軸組成。為了提高排肥器的適用性，以不同含水率（（28±1）%、（32±1）%、（36±1）%）的粉末狀有機(jī)肥為研究對(duì)象進(jìn)行排肥器設(shè)計(jì)。對(duì)撥輪推動(dòng)過程中的有機(jī)肥進(jìn)行力學(xué)分析，將排肥撥輪設(shè)計(jì)成擺線型。為了防止有機(jī)肥直接通過肥箱底板的排肥口產(chǎn)生自流現(xiàn)象，以及破碎結(jié)塊的有機(jī)肥，設(shè)計(jì)了防自流擋板。以排肥指數(shù)和排肥口寬度為試驗(yàn)因素，排肥穩(wěn)定性變異系數(shù)為性能指標(biāo)，進(jìn)行二次正交旋轉(zhuǎn)組合試驗(yàn)，建立排肥器離散元仿真模型，得到排肥指數(shù)為6個(gè)、排肥口寬度36.36mm時(shí)排肥穩(wěn)定性最好；以斷條率、各行排肥量一致性變異系數(shù)、排肥穩(wěn)定性變異系數(shù)與排肥均勻性變異系數(shù)為評(píng)價(jià)指標(biāo)對(duì)設(shè)計(jì)的排肥器進(jìn)行性能測(cè)試試驗(yàn)，試驗(yàn)結(jié)果表明：排肥器對(duì)不同含水率有機(jī)肥以5~8km/h的速度施用時(shí)各性能指標(biāo)均在規(guī)定范圍內(nèi)，工作性能穩(wěn)定，滿足技術(shù)要求。

摘要:針對(duì)目前果園液態(tài)肥注肥作業(yè)存在易傷果樹根系、肥料利用率低、注肥不均勻等問題，為實(shí)現(xiàn)果園液態(tài)肥高利用率、橫向均勻擴(kuò)散施用，設(shè)計(jì)了一款氣流引導(dǎo)式果園注肥機(jī)，以高壓氣流疏松土壤引導(dǎo)液肥擴(kuò)散。分析了果樹注肥作業(yè)要求及氣流引導(dǎo)注肥作業(yè)原理，對(duì)注肥裝置、注肥氣液管路、注肥下壓裝置進(jìn)行理論分析及設(shè)計(jì)。通過氣流引導(dǎo)參數(shù)注肥參數(shù)交互試驗(yàn)進(jìn)行分析，確定了最優(yōu)的參數(shù)組合為：通氣壓力0.8MPa，注肥壓力1.5MPa?；谔摂M樣機(jī)技術(shù)完成氣流引導(dǎo)式果園注肥機(jī)的建模并完成樣機(jī)的試制，在果園進(jìn)行了田間試驗(yàn)。試驗(yàn)結(jié)果表明，注肥機(jī)作業(yè)效果穩(wěn)定，無液肥上溢現(xiàn)象，液肥縱向擴(kuò)散范圍264~320mm，橫向擴(kuò)散范圍250~270mm，作業(yè)效率0.10~0.12hm2/h，滿足果園液態(tài)肥作業(yè)要求。

摘要:為實(shí)現(xiàn)排肥器的精量排肥，對(duì)采用錯(cuò)位疊加單螺旋排肥曲線原理的弧槽雙螺旋式排肥器的排肥性能進(jìn)行理論分析，確定其排肥量及影響其排肥性能的因素，以螺距S、弧槽半徑Rp、中心距a為試驗(yàn)因素，并以均勻性變異系數(shù)、施肥精度為試驗(yàn)指標(biāo)，進(jìn)行了三因素三水平Box-Behnken試驗(yàn)，得到最優(yōu)參數(shù)：螺距S為35mm，弧槽半徑Rp為17.5mm，中心距a為35mm，在最優(yōu)參數(shù)組合下制作排肥器并進(jìn)行臺(tái)架驗(yàn)證試驗(yàn)與對(duì)比試驗(yàn)，試驗(yàn)結(jié)果表明：臺(tái)架試驗(yàn)的均勻性變異系數(shù)、施肥精度與仿真試驗(yàn)相對(duì)誤差分別為5.07%、4.69%，仿真與臺(tái)架試驗(yàn)吻合度較好，對(duì)比試驗(yàn)結(jié)果表明：優(yōu)化后弧槽雙螺旋式排肥器施肥精度為3.35%，施肥精度較高，優(yōu)化后弧槽雙螺旋式排肥器較未優(yōu)化弧槽雙螺旋式排肥器、單螺旋排肥器均勻性變異系數(shù)分別降低7.26、15.48個(gè)百分點(diǎn)，優(yōu)化后的弧槽雙螺旋式排肥器排肥性能良好。

摘要:針對(duì)現(xiàn)有玉米植株抗倒性測(cè)量裝置的人工施力速度不穩(wěn)定且未能垂直于植株進(jìn)行測(cè)量，致使測(cè)量結(jié)果誤差較大的問題，設(shè)計(jì)一種以電機(jī)驅(qū)動(dòng)的玉米植株抗倒性測(cè)量裝置。該裝置可快速測(cè)量玉米莖稈從直立到不同倒伏角度時(shí)所能承受的最大力矩。通過對(duì)玉米倒伏時(shí)的受力進(jìn)行分析，建立植株力學(xué)模型，提出評(píng)價(jià)玉米抗倒性的指標(biāo)。進(jìn)行裝置檢測(cè)角度精確性試驗(yàn)，結(jié)果表明：該裝置檢測(cè)角度與實(shí)際角度的偏差為1°，滿足檢測(cè)要求。進(jìn)行裝置加載速度穩(wěn)定性試驗(yàn)，結(jié)果表明：所設(shè)計(jì)裝置的測(cè)量角度隨時(shí)間變化平穩(wěn)，驗(yàn)證了裝置加載速度的穩(wěn)定性。分別以最大抗推力矩和最大抗拉力為指標(biāo)，對(duì)不同玉米品種和種植密度進(jìn)行了推、拉倒伏田間試驗(yàn)。結(jié)果表明：在密度75000株/hm2時(shí)，最大抗推力矩和最大抗拉力與倒伏率的相關(guān)系數(shù)分別為-0.971、-0.873。在密度105000株/hm2時(shí)，最大抗推力矩、最大抗拉力與倒伏率相關(guān)系數(shù)分別為-0.991、-0.927。結(jié)果表明，以最大抗推力矩作為評(píng)價(jià)抗倒伏能力指標(biāo)優(yōu)于最大抗拉力。在田間試驗(yàn)基礎(chǔ)上，以最大抗推力矩為試驗(yàn)指標(biāo)進(jìn)一步開展裝置可靠性驗(yàn)證試驗(yàn)，試驗(yàn)結(jié)果與現(xiàn)有研究結(jié)論一致。

摘要:針對(duì)我國(guó)北方果園施藥設(shè)備自動(dòng)化程度不高、農(nóng)藥利用率低、適應(yīng)性差等問題，設(shè)計(jì)了基于冠層體積估算的果園自動(dòng)變距精準(zhǔn)施藥系統(tǒng)。施藥系統(tǒng)的噴施臂在控制系統(tǒng)的控制下可以在水平和垂直方向調(diào)整噴霧距離和噴施高度，以適應(yīng)不同果園的果樹特征。為實(shí)現(xiàn)精準(zhǔn)噴施，利用紅外測(cè)距傳感器組成了傳感器陣列，通過該陣列探測(cè)冠層，將測(cè)得的數(shù)據(jù)用數(shù)學(xué)方法構(gòu)建了冠層體積估算模型，并設(shè)計(jì)了噴霧參數(shù)調(diào)整方案，使得噴霧距離與噴霧量可進(jìn)行相應(yīng)調(diào)整。為驗(yàn)證施藥系統(tǒng)的性能，測(cè)試了噴施臂在接收到移動(dòng)指令時(shí)的響應(yīng)時(shí)間與運(yùn)動(dòng)實(shí)際耗時(shí)以及冠層體積估算模型的準(zhǔn)確率，并選用仿真桃樹進(jìn)行了定距和變距兩組自動(dòng)對(duì)靶噴施試驗(yàn)。結(jié)果表明，噴施臂的移動(dòng)可實(shí)現(xiàn)瞬間響應(yīng)，運(yùn)動(dòng)實(shí)際耗時(shí)與理論耗時(shí)幾乎一致，冠層體積估算模型的相對(duì)誤差為11.27%；與定距對(duì)靶噴霧相比，自動(dòng)變距對(duì)靶噴施的農(nóng)藥附著率提高了18.66%，節(jié)約了30.25%的藥液。

摘要:針對(duì)胡麻聯(lián)合收獲過程中莖稈位姿變化與運(yùn)動(dòng)特性等關(guān)鍵環(huán)節(jié)離散元研究缺乏柔性模型和接觸參數(shù)的問題，本文以胡麻根部莖稈、中部莖稈、頸部莖稈為研究對(duì)象，以其本征參數(shù)為研究基礎(chǔ)，計(jì)算得胡麻莖稈各部建模參數(shù)，采用離散元法bonding模型構(gòu)建胡麻莖稈柔性模型，并以胡麻莖稈各部本征參數(shù)、接觸參數(shù)試驗(yàn)值為水平值，通過Plackett-Burman試驗(yàn)和Central-Composite試驗(yàn)確定胡麻莖稈之間、莖稈與收獲裝備之間的接觸參數(shù)，通過胡麻莖稈剪切試驗(yàn)與堆積角試驗(yàn)驗(yàn)證模型可靠性。結(jié)果表明：胡麻植株離散元柔性模型參數(shù)中法向剛度Kn為1.13×109N/m3，切向剛度Ks為5.6×108N/m3，法向臨界應(yīng)力σ為6.67MPa，切向臨界應(yīng)力γ為8.5MPa，粘結(jié)半徑Rj為0.25mm；胡麻莖稈-收獲裝備間恢復(fù)系數(shù)、靜摩擦因數(shù)、滾動(dòng)摩擦因數(shù)最優(yōu)值分別為0.33、0.28、0.14，胡麻莖稈-胡麻莖稈間恢復(fù)系數(shù)、靜摩擦因數(shù)、滾動(dòng)摩擦因數(shù)最優(yōu)值分別為0.3、0.508、0.033；剪切試驗(yàn)中胡麻莖稈根部、中部、頸部剪切最大載荷與仿真結(jié)果相對(duì)誤差分別為1.67%、3.09%、5.44%，堆積角試驗(yàn)中胡麻莖稈平均堆積角與仿真結(jié)果相對(duì)誤差為0.31%，誤差較小。胡麻莖稈柔性模型與接觸參數(shù)和實(shí)際情況較為相符，可表征胡麻莖稈物理特性，為胡麻莖稈離散元仿真提供參考。

摘要:針對(duì)目前國(guó)內(nèi)馬鈴薯定量裝袋機(jī)在定量裝袋時(shí)存在測(cè)量不穩(wěn)定、裝袋損傷較大以及裝換袋效率低等問題，采用S型拉力傳感器原理稱量，提高了稱量精度和穩(wěn)定性。在此基礎(chǔ)上對(duì)定量裝袋裝置進(jìn)行了結(jié)構(gòu)設(shè)計(jì)，通過對(duì)定量裝袋裝置關(guān)鍵部件的分析確定了結(jié)構(gòu)參數(shù)，并明確了影響裝袋性能的關(guān)鍵因素及取值范圍。以輸送帶速度、引流板角度以及裝袋高度為試驗(yàn)因素，以稱量合格率、破皮率和傷薯率為試驗(yàn)評(píng)價(jià)指標(biāo)，借助軟件Design-Expert 10.0.3，采用Design-Behnken進(jìn)行三因素三水平試驗(yàn)，對(duì)試驗(yàn)結(jié)果進(jìn)行方差分析，通過響應(yīng)面試驗(yàn)分析了各交互因素對(duì)試驗(yàn)指標(biāo)的影響規(guī)律，對(duì)定量裝袋裝置的結(jié)構(gòu)以及工作參數(shù)進(jìn)行優(yōu)化，結(jié)合實(shí)際工況確定各因素最佳取值，在此基礎(chǔ)上進(jìn)行5次試驗(yàn)臺(tái)定量裝袋試驗(yàn)，驗(yàn)證試驗(yàn)表明，當(dāng)輸送線速度為0.44m/s、引流板角度為62.3°、裝袋高度為496.1mm時(shí)，其稱量合格率為97.32%，破皮率為1.22%，傷薯率為0.94%。對(duì)比參數(shù)優(yōu)化后的理論值，實(shí)測(cè)值與理論值的相對(duì)誤差分別為1.23%、2.40%、2.17%，表明本定量裝袋裝置提高了裝袋合格率，在提高裝換袋效率的同時(shí)減少了破皮和傷薯等損傷。

摘要:針對(duì)大蒜聯(lián)合收獲作業(yè)過程中根系切凈率低與損傷率高的問題，設(shè)計(jì)了一種按壓式切根裝置，闡述了其主要結(jié)構(gòu)與工作機(jī)理。通過理論計(jì)算確定了夾持輸送與切割機(jī)構(gòu)作業(yè)參數(shù)，構(gòu)建大蒜夾持運(yùn)動(dòng)方程和撥輪組動(dòng)力、變形及切割力學(xué)模型。以鏈輪、撥輪和圓盤刀轉(zhuǎn)速為試驗(yàn)因素，傷蒜率和切凈率為試驗(yàn)指標(biāo)，利用Design-Expert 8.0.5軟件進(jìn)行回歸與響應(yīng)面分析，構(gòu)建三元二次回歸模型，得到各因素對(duì)指標(biāo)值的影響順序。結(jié)果表明，當(dāng)鏈輪、撥輪和圓盤刀轉(zhuǎn)速為107、52、197r/min時(shí)，裝置性能最優(yōu)，傷蒜率和切凈率分別為0.63%和97.07%。對(duì)比鱗莖頂端定位“浮動(dòng)切根裝置”的最優(yōu)參數(shù)組合，結(jié)果表明，所提出的裝置傷蒜率降低2.15個(gè)百分點(diǎn)，切凈率提高3.9個(gè)百分點(diǎn)。對(duì)優(yōu)化因素進(jìn)行試驗(yàn)驗(yàn)證，驗(yàn)證與優(yōu)化結(jié)果基本一致，滿足大蒜機(jī)械化收獲高效切根作業(yè)要求。

摘要:植物工廠水培生菜采收過程中易損傷菜葉，為提升采收質(zhì)量，結(jié)合水培生菜農(nóng)藝特征，設(shè)計(jì)了一款水培生菜低損柔性采收裝置。利用圖像處理檢測(cè)水培生菜輪廓外切矩形，獲取生菜株高及菜葉展開尺寸，進(jìn)而通過柔性手指對(duì)菜葉的低損抓取、切割器對(duì)生菜莖的一次切除，實(shí)現(xiàn)水培生菜低損柔性采收。分析確定了柔性抓取機(jī)構(gòu)、切莖機(jī)構(gòu)、控制系統(tǒng)等關(guān)鍵部件的作業(yè)流程及結(jié)構(gòu)參數(shù)。利用響應(yīng)曲面試驗(yàn)方法，優(yōu)化了柔性手指抓取高度比、抓取圓周比、柔性手指彎曲角的參數(shù)組合。試驗(yàn)結(jié)果表明，各因素影響采收成功率的顯著性順序?yàn)槿嵝允种笍澢恰⒆トA周比、抓取高度比，各因素對(duì)菜葉損傷面積的影響均極顯著。利用二次擬合方程求得最優(yōu)參數(shù)組合為抓取高度比0.55、抓取圓周比0.76、柔性手指彎曲角39.7°。對(duì)最優(yōu)參數(shù)組合進(jìn)行試驗(yàn)驗(yàn)證，結(jié)果表明，菜葉損傷面積為186mm2，采收成功率為96%，實(shí)現(xiàn)了水培生菜低損柔性采收。

摘要:針對(duì)菊花人工采摘效率低、尚未實(shí)現(xiàn)機(jī)械化等問題，設(shè)計(jì)了一種氣動(dòng)翻轉(zhuǎn)梳齒式菊花采摘裝置。該采摘裝置主要由采摘部件、清齒部件、氣動(dòng)拋送機(jī)構(gòu)、絲杠升降機(jī)構(gòu)、行走裝置和收集裝置等組成，利用梳齒的梳刷作用將花朵采摘下來，借助清齒部件和氣動(dòng)拋送機(jī)構(gòu)完成收集工作，采摘部件的工作高度通過絲杠升降機(jī)構(gòu)進(jìn)行調(diào)節(jié)。根據(jù)菊花的生長(zhǎng)特性和采摘要求，確定了采摘部件中偏置曲柄滑塊機(jī)構(gòu)和采摘梳齒的結(jié)構(gòu)參數(shù)和運(yùn)動(dòng)參數(shù)。搭建了采摘樣機(jī)，以曲柄轉(zhuǎn)速、梳齒間距、機(jī)器行駛速度為試驗(yàn)因素，以采摘率、損傷率和含雜率為試驗(yàn)指標(biāo)，進(jìn)行了三元二次回歸組合試驗(yàn)，建立了因素與指標(biāo)間數(shù)學(xué)模型并確定了最優(yōu)的參數(shù)組合，試驗(yàn)表明：在曲柄轉(zhuǎn)速為47.94r/min、梳齒間距為8mm、機(jī)器行駛速度為0.17m/s的因素水平組合下，采摘效果最佳。此時(shí)，采摘率為92%，損傷率為1.83%，含雜率為10%。該氣動(dòng)翻轉(zhuǎn)梳齒式菊花采摘裝置運(yùn)行穩(wěn)定，通過性良好，滿足菊花采摘的農(nóng)藝要求。

摘要:為研究軸流泵葉片后掠對(duì)葉頂區(qū)空化流場(chǎng)及性能的影響，以南水北調(diào)工程TJ04-ZL-02編號(hào)葉輪縮放模型為原型葉輪，將葉片重心積迭線圓周后掠得到后掠20°和后掠40°葉輪?；贏NSYS CFX 軟件對(duì)全流場(chǎng)進(jìn)行數(shù)值模擬，對(duì)比分析原型葉輪與后掠葉輪流道內(nèi)壓力、空泡、流線分布的變化，并對(duì)不同空化條件下葉片后掠對(duì)葉頂區(qū)漩渦強(qiáng)度、渦量和速度場(chǎng)的影響進(jìn)行分析。研究表明：后掠葉輪臨界空化余量降低，后掠葉片吸力面空化面積及空泡體積分?jǐn)?shù)均低于原型葉片。在空化工況下，葉片后掠減小吸力面?zhèn)鹊蛪簠^(qū)域，有效抑制葉頂區(qū)三角形空化云的發(fā)展。由于葉片后掠減小葉頂區(qū)壓差，導(dǎo)致葉頂泄漏量減小，TLV核心區(qū)漩渦強(qiáng)度和渦量隨后掠角度的增大而減小，隨著空化程度加劇，TLV漩渦強(qiáng)度和渦量均變大，葉頂區(qū)流場(chǎng)更加復(fù)雜紊亂。

摘要:為了探究無人機(jī)多光譜遙感影像估算作物光合有效輻射吸收比例（Fraction of absorbed photosynthetically active radiation，F(xiàn)PAR）的潛力，以無人機(jī)多光譜影像提取的植被指數(shù)、紋理指數(shù)、葉面積指數(shù)為模型輸入?yún)?shù)，在分析不同參數(shù)與FPAR相關(guān)性的基礎(chǔ)上優(yōu)選植被指數(shù)與紋理指數(shù)，并分別以一元線性模型、多元逐步回歸模型、嶺回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型等方法估算玉米FPAR。結(jié)果表明：植被指數(shù)、紋理指數(shù)、葉面積指數(shù) 3種參數(shù)與FPAR都具有較強(qiáng)的相關(guān)性，其中植被指數(shù)相關(guān)系數(shù)最大；在不同類型的FPAR估算模型中，BP神經(jīng)網(wǎng)絡(luò)模型的估算效果最優(yōu)，F(xiàn)PAR估算模型決定系數(shù)R2、均方根誤差（RMSE）分別為0.857、0.173，驗(yàn)證模型R2、RMSE分別為0.868、0.186，模型估算值與田間實(shí)測(cè)值間相對(duì)誤差（RE）為8.71%；在不同形式的模型參數(shù)組合中，均以植被指數(shù)、紋理指數(shù)、葉面積指數(shù) 3種參數(shù)融合的FPAR模型的估算與驗(yàn)證效果最優(yōu)，說明多特征參數(shù)融合能有效改善FPAR估算效果。該研究為基于無人機(jī)多光譜遙感數(shù)據(jù)精準(zhǔn)估算玉米FPAR及生產(chǎn)潛力提供了科學(xué)依據(jù)。

摘要:快速獲取作物葉片葉綠素含量對(duì)及時(shí)診斷作物健康狀況、指導(dǎo)田間管理具有重要意義。本研究以關(guān)中地區(qū)2020年夏玉米為研究對(duì)象，獲取試驗(yàn)區(qū)無人機(jī)多光譜影像，提取植被指數(shù)，分析所選植被指數(shù)與SPAD的相關(guān)性，篩選得到模型的輸入變量，利用偏最小二乘法（PLS）、隨機(jī)森林回歸（RF）和分層線性模型（HLM）分別構(gòu)建拔節(jié)期、抽雄期、灌漿期以及全生育期的SPAD估算模型，最終選出最優(yōu)估算模型，以期為快速獲取夏玉米SPAD提供參考。研究發(fā)現(xiàn)：除NRI之外，NDVI、OSAVI、GNDVI、RVI、MCARI、MSR、CIre與SPAD均顯著相關(guān)，其中，OSAVI、NDVI與SPAD呈現(xiàn)出較強(qiáng)且穩(wěn)定的相關(guān)性；各個(gè)生育期的最優(yōu)模型均是RF模型，在拔節(jié)期、抽雄期、灌漿期和全生育期，驗(yàn)證集R2分別為0.81、0.81、0.73、0.61，RMSE分別為1.24、2.32、3.13、3.20；對(duì)于SPAD估算模型，將降雨量、最高氣溫這兩個(gè)氣象因子與植被指數(shù)耦合的HLM模型可以一定程度提升線性模型的估算精度，但其精度低于RF模型。因此，基于無人機(jī)多光譜影像的RF模型可以實(shí)現(xiàn)夏玉米SPAD的快速準(zhǔn)確估算。

摘要:為精準(zhǔn)化管理果園，針對(duì)存在裸露土壤、遮蔽物、果樹冠層陰影和雜草等復(fù)雜環(huán)境下難以提取導(dǎo)航線問題，通過無人機(jī)搭載多光譜相機(jī)獲取蘋果園影像數(shù)據(jù)后提取果樹像元并進(jìn)行全局果樹行導(dǎo)航線提取。通過處理多光譜影像數(shù)據(jù)得到正射影像圖(DOM)、數(shù)字表面模型(DSM)圖像，選取并計(jì)算易于區(qū)分雜草與蘋果樹的歸一化差異綠度指數(shù)（NDGI）、比值植被指數(shù)（RVI）分布圖，構(gòu)建DSM、NDGI、RVI融合圖像后，綜合利用過綠植被(EXG)指數(shù)和歸一化差異冠層陰影指數(shù)（NDCSI）以閾值分割法剔除融合圖像中土壤、遮蔽物、陰影等像元，降低非植被像元對(duì)果樹提取的干擾。對(duì)比使用支持向量機(jī)（SVM）法、隨機(jī)森林（RF）法和最大似然（MLC）法分別提取最終融合圖像和普通正射影像中的蘋果樹像元，并計(jì)算混淆矩陣評(píng)價(jià)各識(shí)別精度。試驗(yàn)表明，MLC法對(duì)融合圖像中果樹的識(shí)別效果最優(yōu)，其用戶精度、制圖精度、總體分類精度、Kappa系數(shù)分別為88.57%、93.93%、93.00%、0.8824；相對(duì)于普通正射影像，本文構(gòu)建的最終融合圖像使3種方法的識(shí)別精度均得到有效提升。其中，融合圖像對(duì)RF法的用戶精度提升幅度最大，為27.12個(gè)百分點(diǎn)；對(duì)SVM法的制圖精度提升幅度最大，為9.03個(gè)百分點(diǎn)；對(duì)3種方法的總體分類精度提升幅度最低為13個(gè)百分點(diǎn)；對(duì)SVM法的Kappa系數(shù)提升幅度最大，為22.55%，且對(duì)其余兩種方法的提升也均在20%以上。將本文得到的蘋果樹像元提取結(jié)果圖像做降噪、二值化、形態(tài)學(xué)轉(zhuǎn)換等處理后，以感興趣區(qū)域劃分法提取各果樹行特征點(diǎn)，并以最小二乘法擬合各行特征點(diǎn)得到導(dǎo)航線，其平均角度偏差為0.5975°，10次測(cè)試整體平均用時(shí)為0.4023s。所提方法為復(fù)雜環(huán)境中果樹像元和果樹行導(dǎo)航線提取提供了重要依據(jù)。

摘要:為了解決近色背景果實(shí)識(shí)別困難問題，針對(duì)果實(shí)近球形的形態(tài)特性，提出了一種利用深度圖像從果實(shí)形態(tài)角度進(jìn)行果實(shí)識(shí)別定位的算法。該算法使用深度攝像頭獲取果樹的深度圖像，通過深度圖像計(jì)算出各像素點(diǎn)的梯度向量，將梯度向量看作運(yùn)動(dòng)矢量場(chǎng)，并計(jì)算出矢量場(chǎng)的散度，根據(jù)散度最大原則，從矢量場(chǎng)中搜索出輻散中心點(diǎn)；然后利用果實(shí)和葉片等深圖像的差異從輻散中心點(diǎn)中篩選出果實(shí)中心點(diǎn)，以果實(shí)中心點(diǎn)為起點(diǎn)采用八方向搜索方法搜索出果實(shí)邊界點(diǎn)，將果實(shí)邊界點(diǎn)依次連接后形成的封閉區(qū)域內(nèi)的果實(shí)圖像導(dǎo)入點(diǎn)云；最后根據(jù)果實(shí)圖像部分點(diǎn)云利用RANSAC算法求出目標(biāo)果實(shí)的擬合球形，進(jìn)而得出果實(shí)的尺寸以及三維空間位置。該算法無需傳統(tǒng)算法需要利用的顏色特征，而僅利用了深度圖像中的深度信息進(jìn)行果實(shí)識(shí)別定位，能夠克服傳統(tǒng)算法受色彩、光照等因素影響的弊端，并且由于該算法完全沒有利用到彩色圖像信息，因此不僅可以實(shí)現(xiàn)綠色果實(shí)的識(shí)別定位，還可以實(shí)現(xiàn)采摘機(jī)器人在夜間環(huán)境下正常工作，為復(fù)雜環(huán)境下的果實(shí)識(shí)別定位算法研究提供了技術(shù)支撐。

摘要:實(shí)現(xiàn)餌料的自動(dòng)投喂是自動(dòng)化水產(chǎn)養(yǎng)殖的重點(diǎn)，對(duì)魚群的攝食強(qiáng)度進(jìn)行識(shí)別能夠?yàn)榫珳?zhǔn)投餌提供參考。目前大多數(shù)關(guān)于魚群攝食強(qiáng)度的研究都是基于循環(huán)養(yǎng)殖池或者自制魚缸中，并不適用于開放式養(yǎng)殖池塘?；趯?shí)際環(huán)境，采用水上觀測(cè)方式建立了魚群攝食強(qiáng)度視頻數(shù)據(jù)集，并提出了一種基于改進(jìn)長(zhǎng)期卷積循環(huán)網(wǎng)絡(luò)（LRCN）的魚群攝食強(qiáng)度分類模型，將注意力機(jī)制SE模塊嵌入卷積神經(jīng)網(wǎng)絡(luò)中，通過SE-CNN網(wǎng)絡(luò)提取視頻幀的特征，輸入至雙層GRU網(wǎng)絡(luò)中，最后通過全連接分類層得出視頻類別。提出的SE-LRCN模型實(shí)現(xiàn)了對(duì)魚群攝食視頻的強(qiáng)度三分類。試驗(yàn)結(jié)果表明，本文提出的模型分類準(zhǔn)確率達(dá)到97%，F(xiàn)1值達(dá)到94.8%，與改進(jìn)前的LRCN模型相比，準(zhǔn)確率提高12個(gè)百分點(diǎn)，F(xiàn)1值提高12.4個(gè)百分點(diǎn)。研究模型可以更精細(xì)地識(shí)別魚群的攝食強(qiáng)度，為自動(dòng)化精準(zhǔn)投餌提供參考。

摘要:為解決通過人工及溫度閾值分割評(píng)估蛋雞羽毛覆蓋度準(zhǔn)確度不夠的問題，提出基于熱紅外圖像和彩色圖像計(jì)算羽毛覆蓋度的方法。利用Otsu算法結(jié)合不同的顏色模型提取雞體目標(biāo)及背部羽毛覆蓋完好區(qū)域，通過計(jì)算面積比值，獲取背部羽毛覆蓋度。針對(duì)熱紅外圖像目標(biāo)雞體邊緣模糊導(dǎo)致分割效果較差的問題，提出基于分量R、B灰度直方圖的自適應(yīng)性熱紅外圖像增強(qiáng)方法，該方法突出了前景與背景的差異，增強(qiáng)了邊緣的清晰度。實(shí)驗(yàn)結(jié)果表明，熱紅外圖像雞體目標(biāo)及羽毛覆蓋完好區(qū)域的分割準(zhǔn)確度達(dá)到97.18%和96.86%，彩色圖像分割準(zhǔn)確度達(dá)到99.58%和97.86%。對(duì)于羽毛覆蓋度，熱紅外圖像的計(jì)算結(jié)果接近羽毛覆蓋度真實(shí)值。對(duì)同一批蛋雞計(jì)算羽毛覆蓋度，熱紅外圖像比彩色圖像的計(jì)算結(jié)果最少時(shí)高2.01個(gè)百分點(diǎn)，最大時(shí)高30.29個(gè)百分點(diǎn)。通過分析原因，發(fā)現(xiàn)蛋雞剮蹭雞籠等行為露出的白色羽毛根部，是彩色圖像計(jì)算覆蓋度結(jié)果出現(xiàn)偏差的主要因素。羽毛覆蓋度會(huì)影響雞體體表溫度。通過實(shí)驗(yàn)發(fā)現(xiàn)，雞體羽毛覆蓋度與體表溫度呈極顯著負(fù)相關(guān)（P<0.01），依據(jù)羽毛覆蓋度對(duì)蛋雞進(jìn)行分級(jí)，對(duì)比相同級(jí)別、不同區(qū)域的蛋雞體表溫度，發(fā)現(xiàn)相同級(jí)別的羽毛嚴(yán)重?fù)p傷區(qū)域平均溫度比背部平均溫度高10℃以上，對(duì)比相同區(qū)域、不同級(jí)別的蛋雞體表溫度，發(fā)現(xiàn)背部平均溫度最高相差3.89℃，損傷區(qū)域平均溫度最高相差5.36℃。

摘要:針對(duì)豬只人工計(jì)數(shù)方法消耗時(shí)間和勞動(dòng)力，育肥豬較為活躍且喜好聚集，圖像中存在大量的高密度區(qū)域，導(dǎo)致豬只之間互相粘連、遮擋等問題，基于SOLO v2實(shí)例分割算法，提出了一種自然養(yǎng)殖場(chǎng)景下融合多尺度特征金字塔與二代可變形卷積的高密度群養(yǎng)豬計(jì)數(shù)模型。通過優(yōu)化模型結(jié)構(gòu)來減少計(jì)算資源的消耗與占用。將科大訊飛給出的豬只計(jì)數(shù)的公開數(shù)據(jù)集劃分為豬只分割數(shù)據(jù)集和豬只盤點(diǎn)測(cè)試集，利用豬只分割數(shù)據(jù)集獲得較好的分割模型，然后在豬只盤點(diǎn)測(cè)試集中測(cè)試盤點(diǎn)準(zhǔn)確率，實(shí)現(xiàn)豬群分割和豬只計(jì)數(shù)。實(shí)驗(yàn)結(jié)果表明，本文提出的高密度豬只計(jì)數(shù)模型的分割準(zhǔn)確率達(dá)到96.7%，且模型內(nèi)存占用量為256MB，為改進(jìn)前的2/3，實(shí)現(xiàn)了遮擋、粘連和重疊情況下的豬只個(gè)體高準(zhǔn)確率分割。在含有500幅豬只圖像計(jì)數(shù)測(cè)試集中，模型計(jì)算豬只數(shù)量誤差為0時(shí)的圖像數(shù)量為207幅，較改進(jìn)前提高26%。模型計(jì)算豬只數(shù)量誤差小于2頭豬的圖像數(shù)量占測(cè)試圖像總數(shù)量的97.2%。模型計(jì)算豬只數(shù)量誤差大于3頭豬的圖像數(shù)量占總體圖像數(shù)量比例僅為1%。最后，對(duì)比基于YOLO v5的群養(yǎng)豬計(jì)數(shù)方法，本文模型具有更優(yōu)的分割效果和計(jì)數(shù)準(zhǔn)確率，驗(yàn)證了本文方法對(duì)群養(yǎng)豬只計(jì)數(shù)的有效性。因此，本文模型既實(shí)現(xiàn)了高密度豬群的精準(zhǔn)計(jì)數(shù)，還通過優(yōu)化模型結(jié)構(gòu)大大降低了模型對(duì)計(jì)算設(shè)備的依賴，使其適用于養(yǎng)殖場(chǎng)內(nèi)豬群在線計(jì)數(shù)。

摘要:人工養(yǎng)殖的雄性梅花鹿在發(fā)情期間攻擊行為劇增，易造成鹿茸損傷，自動(dòng)監(jiān)測(cè)其攻擊行為能為研究減少攻擊行為提供重要依據(jù)。本文基于注意力機(jī)制和長(zhǎng)短記憶序列研究了一種光流注意力網(wǎng)絡(luò)（Optical flow attention attacking recognition network， OAAR），對(duì)梅花鹿的攻擊、采食、躺臥、站立行為進(jìn)行識(shí)別。OAAR網(wǎng)絡(luò)包括前置網(wǎng)絡(luò)、基礎(chǔ)網(wǎng)絡(luò)和時(shí)序網(wǎng)絡(luò)，前置網(wǎng)絡(luò)由LK光流算法（Lucas kanade optical flow algorithm）組成，用于提取RGB數(shù)據(jù)光流信息；基礎(chǔ)網(wǎng)絡(luò)中采用自注意力模塊，將ResNet-152網(wǎng)絡(luò)改造為ARNet152（Attention ResNet-152），用于將RGB、光流數(shù)據(jù)集經(jīng)ARNet152提取特征后輸入時(shí)序網(wǎng)絡(luò)；時(shí)序網(wǎng)絡(luò)采用添加注意力模塊的長(zhǎng)短記憶序列（Attention long short term network，ALST），并通過分類器輸出行為得分和分類結(jié)果。視頻數(shù)據(jù)集包括10942段，共310574幀，劃分為攻擊、采食、站立和躺臥4個(gè)大類，攻擊行為又劃分為撞擊、腳踢和追逐3個(gè)小類；訓(xùn)練集、驗(yàn)證集和測(cè)試集比例為3∶1∶1。研究結(jié)果顯示，OAAR模型在測(cè)試集上正確率為97.45%、召回率為97.46%、F1值為97.45%，ROC曲線中各類識(shí)別效果良好，特征嵌入圖中各類行為特征區(qū)分度較高，各項(xiàng)結(jié)果均優(yōu)于LSTM、雙流I3D和雙流ITSN網(wǎng)絡(luò)，具有較好的泛化能力和抗干擾性。在本研究算法基礎(chǔ)上集成的鹿只行為自動(dòng)識(shí)別采集系統(tǒng)，為提高梅花鹿養(yǎng)殖生產(chǎn)管理水平和生產(chǎn)效率提供了技術(shù)基礎(chǔ)。

摘要:在種雞養(yǎng)殖和管理過程中，借助非接觸式、連續(xù)的聲音檢測(cè)手段和智能化設(shè)備，飼養(yǎng)員可以全面了解蛋雞的健康狀況以及個(gè)體需求，為提高生產(chǎn)效率并同時(shí)改善種雞福利化養(yǎng)殖，提出了一種基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的種雞發(fā)聲分類識(shí)別方法，以海蘭褐種雞為研究對(duì)象，收集種雞舍內(nèi)常見的5類聲音，再將其聲音一維信號(hào)轉(zhuǎn)換為二維圖像信號(hào)，利用卷積神經(jīng)網(wǎng)絡(luò)建立輕量級(jí)的深度學(xué)習(xí)模型，80%數(shù)據(jù)進(jìn)行訓(xùn)練，20%數(shù)據(jù)進(jìn)行測(cè)試，該模型實(shí)現(xiàn)了動(dòng)物聲音信號(hào)從輸入端到識(shí)別結(jié)果輸出端的高效檢測(cè)。對(duì)比已有研究，本文方法對(duì)種雞舍內(nèi)常見的5類聲音識(shí)別整體準(zhǔn)確率提高3.7個(gè)百分點(diǎn)。試驗(yàn)結(jié)果表明，該方法平均準(zhǔn)確率為95.7%，模型對(duì)飲水聲、風(fēng)機(jī)噪聲、產(chǎn)蛋叫聲識(shí)別召回率均達(dá)到100%，其中風(fēng)機(jī)噪聲和產(chǎn)蛋叫聲精確率和F1值也均達(dá)到100%，而應(yīng)激叫聲召回率最低，為88.3%。本研究可為規(guī)?；療o人值守雞舍的智能裝備研發(fā)提供一定理論參考。

摘要:甘蔗產(chǎn)量預(yù)測(cè)對(duì)于制定甘蔗生長(zhǎng)期間的精準(zhǔn)管理決策具有重要意義。遺傳算法(Genetic algorithm，GA)優(yōu)化神經(jīng)網(wǎng)絡(luò)可以提高預(yù)測(cè)效率及預(yù)測(cè)精度，通過高速計(jì)算快速找到最優(yōu)解?；谡拷^測(cè)實(shí)驗(yàn)站2011—2020年間田間物聯(lián)網(wǎng)獲取的氣象因子（大氣相對(duì)濕度、大氣溫度、降雨量）、田間水熱因子及甘蔗產(chǎn)量，采用BP神經(jīng)網(wǎng)絡(luò)及GA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)所選地區(qū)甘蔗產(chǎn)量進(jìn)行預(yù)測(cè)與相關(guān)性分析。結(jié)果表明，通過Pearson及Spearman相關(guān)系數(shù)可知，甘蔗產(chǎn)量與月土壤最高溫度、月土壤最低溫度、月土壤平均溫度、月大氣最高溫度、月大氣平均溫度、月大氣平均相對(duì)濕度為極顯著相關(guān)，相關(guān)系數(shù)高于0.7，與月土壤平均含水率、月降雨量顯著相關(guān)，與月大氣最低溫度相關(guān)性較弱。GA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)甘蔗產(chǎn)量的預(yù)測(cè)精度明顯高于BP神經(jīng)網(wǎng)絡(luò)模型，R2達(dá)到0.8428，MAPE僅為0.90%，RMSE為1.10t/hm2，預(yù)測(cè)值與試驗(yàn)值之間擬合程度較高，V型交叉驗(yàn)證結(jié)果表明模型預(yù)測(cè)結(jié)果準(zhǔn)確穩(wěn)定。因此，GA-BP模型能夠更加科學(xué)、合理地預(yù)測(cè)甘蔗產(chǎn)量，對(duì)甘蔗田間管理措施及統(tǒng)籌分配具有重要的指導(dǎo)意義。

摘要:為揭示氮素對(duì)玉米生長(zhǎng)發(fā)育中各器官形態(tài)指標(biāo)的影響，構(gòu)建能夠模擬玉米器官形態(tài)的模型，本研究以玉米為試驗(yàn)材料開展田間試驗(yàn)，設(shè)置4個(gè)施氮處理（0kg/hm2（N1）、225kg/hm2（N2）、338kg/hm2（N3）、450kg/hm2（N4）），探究不同施氮量水平下玉米不同生育階段器官形態(tài)指標(biāo)（包括葉長(zhǎng)、葉寬、節(jié)長(zhǎng)、節(jié)間直徑和葉鞘長(zhǎng)）的變化規(guī)律，并建立作物器官形態(tài)結(jié)構(gòu)模擬模型。結(jié)果表明，氮肥處理對(duì)葉長(zhǎng)的生長(zhǎng)影響差異顯著（P<0.01），而不同葉位對(duì)葉長(zhǎng)的影響極顯著（P<0.001），氮肥處理對(duì)葉寬、玉米節(jié)間長(zhǎng)度和莖稈直徑的影響均不顯著，其中，2020年各生育階段對(duì)葉鞘長(zhǎng)的影響差異顯著（P<0.01）；此外，生育階段、氮肥處理和葉位對(duì)玉米葉鞘長(zhǎng)的影響均不顯著。構(gòu)建了玉米器官尺度的模擬模型，并利用2年的試驗(yàn)數(shù)據(jù)分別對(duì)模型參數(shù)進(jìn)行了率定與驗(yàn)證。各器官形態(tài)指標(biāo)模型模擬結(jié)果中模型模擬效率（EF）均在0.72以上，模型對(duì)葉長(zhǎng)和葉寬模擬的均方根誤差（RMSE）均值分別為7.285cm和1.200cm，節(jié)長(zhǎng)、節(jié)間直徑和葉鞘長(zhǎng)的RMSE分別為1.593、0.171、1.282cm，模型對(duì)葉長(zhǎng)和葉寬的平均絕對(duì)誤差（MAE）均值分別為5.817、0.708cm，節(jié)長(zhǎng)、節(jié)間直徑和葉鞘長(zhǎng)的MAE分別為1.111、0.116、0.923cm。本模型對(duì)玉米各器官發(fā)育過程的模擬具有較好的預(yù)測(cè)性和解釋性。

摘要:傳統(tǒng)機(jī)器人V-SLAM前端定位算法是基于人工設(shè)定的特征點(diǎn)提取和描述子局部匹配進(jìn)行定位的，由于人工設(shè)定的主觀性會(huì)導(dǎo)致提取方法魯棒性差、復(fù)雜場(chǎng)景適應(yīng)能力弱(場(chǎng)景明亮變化、噪聲的引入、運(yùn)動(dòng)模糊)以及局部描述子匹配精度低等問題，為此，提出一種前端定位算法(SuperPoint Brief and K-means visual location, SBK-VL)，該算法首先采用一種改進(jìn)的概率p-SuperPoint深度學(xué)習(xí)算法提取特征點(diǎn)，以解決特征點(diǎn)魯棒性低、復(fù)雜場(chǎng)景適應(yīng)力弱的問題。其次提出一種全局信息(特征點(diǎn)聚類)和局部信息(Brief描述子)相結(jié)合的復(fù)合描述子，降低傳統(tǒng)描述子誤匹配及匹配精度低的問題，實(shí)驗(yàn)結(jié)果顯示該復(fù)合描述子的平均匹配正確率為92.71%。最后將該SBK-VL替換ORB-SLAM2的前端，引入一種Ransac隨機(jī)抽樣方法對(duì)位姿進(jìn)行檢驗(yàn)，并使用絕對(duì)軌跡誤差、相對(duì)軌跡誤差、平均跟蹤時(shí)間與ORB-SLAM2算法和GCNv2-SLAM算法進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，本文算法具有更好的均衡性能，一方面可提升經(jīng)典V-SLAM算法的復(fù)雜場(chǎng)景適應(yīng)性和估計(jì)精度，另一方面相比傳統(tǒng)深度學(xué)習(xí)SLAM算法具有更好的實(shí)時(shí)性和更低計(jì)算成本。

摘要:提出了一種基于改進(jìn)ORB_SLAM2的視覺導(dǎo)航方法。針對(duì)ORB_SLAM2構(gòu)建的稀疏地圖信息不充分、缺少占據(jù)信息、復(fù)用性差而無法直接用于導(dǎo)航的問題，對(duì)ORB_SLAM2算法進(jìn)行了改進(jìn)，融合環(huán)境的3D、2D占據(jù)特征以及路標(biāo)點(diǎn)空間位置、視覺特征等多模態(tài)信息構(gòu)建了包含定位、規(guī)劃、交互圖層的多圖層地圖以支撐機(jī)器人的精準(zhǔn)定位和最優(yōu)路徑規(guī)劃；針對(duì)機(jī)器人的自主導(dǎo)航任務(wù)，基于先驗(yàn)多圖層地圖建立約束進(jìn)行機(jī)器人的位姿估計(jì)，融合運(yùn)動(dòng)約束進(jìn)行機(jī)器人位姿優(yōu)化，實(shí)現(xiàn)了基于先驗(yàn)地圖的機(jī)器人精準(zhǔn)定位，同時(shí)基于規(guī)劃圖層進(jìn)行機(jī)器人的最優(yōu)路徑規(guī)劃，提升了機(jī)器人的自主導(dǎo)航能力。在TUM數(shù)據(jù)集及北京鷲峰國(guó)家森林公園進(jìn)行實(shí)驗(yàn)，結(jié)果表明：所構(gòu)建的多圖層地圖提升了機(jī)器人定位的精度和效率，性能明顯優(yōu)于RGB-D SLAM；基于先驗(yàn)地圖的視覺定位方法能夠進(jìn)行機(jī)器人移動(dòng)過程中精準(zhǔn)、實(shí)時(shí)地定位，助力機(jī)器人按照所規(guī)劃的路徑實(shí)現(xiàn)準(zhǔn)確的自主導(dǎo)航。

摘要:為解決微流控芯片孢子檢測(cè)復(fù)用率低的問題，提出一種基于氣載微流控芯片的作物病害孢子流式動(dòng)態(tài)檢測(cè)方法。根據(jù)微尺度下作物病害孢子氣體動(dòng)力學(xué)特征設(shè)計(jì)平行雙鞘流聚焦的微流控芯片，實(shí)現(xiàn)孢子的聚焦流動(dòng)；利用光路聚焦原理和雙向Mie散射原理設(shè)計(jì)光電檢測(cè)結(jié)構(gòu)；將微流控芯片和光電檢測(cè)結(jié)構(gòu)組合搭建光電檢測(cè)系統(tǒng)，根據(jù)前向散射光強(qiáng)信息建立粒徑與光強(qiáng)的檢測(cè)模型，并融合前向和側(cè)向散射光強(qiáng)信息，實(shí)現(xiàn)稻曲病孢子和聚苯乙烯微球的有效分類。仿真和實(shí)驗(yàn)結(jié)果表明：樣品在芯片入口流速為2.5mL/min、鞘流流速為12mL/min時(shí)，粒子聚焦寬度為8μm，粒子富集率可達(dá)96.7%；稻曲病孢子和聚苯乙烯微球粒徑與光強(qiáng)檢測(cè)模型的決定系數(shù)為0.9666,平均檢測(cè)誤差為7.04%，芯片復(fù)用率提高約9倍。研究結(jié)果為作物病害檢測(cè)傳感器的研發(fā)提供了理論基礎(chǔ)。

摘要:為闡明黑土稻作碳氮磷吸收累積分配對(duì)水氮耦合模式的響應(yīng)機(jī)制并解析氮磷養(yǎng)分限制狀況，設(shè)置常規(guī)淹灌（F）、淺濕灌溉（S）和控制灌溉（C）3種灌溉模式，0、85、110、135kg/hm2（N0、N1、N2、N3）4個(gè)施氮量水平，共計(jì)12個(gè)處理，研究不同水氮耦合模式對(duì)水稻各生育期植株碳氮磷含量、累積量、分配比例、化學(xué)計(jì)量比以及氮磷養(yǎng)分限制狀況的影響。結(jié)果表明：不同水氮耦合處理下，生育期內(nèi)莖鞘碳氮磷含量分別為35.87%~39.43%、0.44%~2.19%、0.14%~0.32%，葉碳氮磷含量分別為36.34%~40.83%、0.76%~3.70%、0.14%~0.36%，穗碳氮磷含量分別為37.05%~41.72%、0.82%~1.63%、0.24%~0.39%?？刂乒喔瓤商岣甙喂?jié)孕穗期至成熟期碳氮累積量，常規(guī)淹灌生育期內(nèi)磷累積量始終高于淺濕灌溉和控制灌溉。3種灌溉模式下，成熟期N1、N2、N3處理較N0處理碳累積量分別提高31.46%、52.55%、57.37%，氮累積量分別提高52.98%、117.63%、144.88%，磷累積量分別提高50.28%、79.85%、93.89%。水稻莖鞘碳氮磷分配比例先增后減，葉碳氮磷分配比例持續(xù)減小，穗碳氮磷比例持續(xù)增加。與常規(guī)淹灌和淺濕灌溉相比，控制灌溉模式對(duì)水稻植株碳含量影響較小，但能提升水稻植株生長(zhǎng)中后期氮含量，并降低植株磷含量，從而降低水稻植株C/N，提高水稻植株C/P和N/P。施氮處理顯著提高水稻植株氮含量，小幅提升水稻植株磷含量，對(duì)水稻植株碳含量影響相對(duì)較小，進(jìn)而降低水稻植株C/N、C/P，提高水稻植株N/P。常規(guī)淹灌和淺濕灌溉模式下，水稻地上部植株從磷限制過渡到氮磷共同限制再到氮限制狀態(tài)，控制灌溉模式下，水稻地上部植株僅從磷限制過渡到氮磷共同限制狀態(tài)?？傮w上，控制灌溉可促進(jìn)氮素吸收并提升水稻產(chǎn)量，綜合考慮CN2為最佳水氮耦合模式。

摘要:為了探究生物炭混摻量對(duì)不同配比沼液間接地下滴灌土壤水力特性的影響，采用室內(nèi)土箱模擬試驗(yàn)，設(shè)置4個(gè)生物炭混摻水平（生物炭、土壤質(zhì)量百分比分別為0、1%、2%、5%（B0、B1、B2、B5））和4個(gè)沼液配比水平（沼液、水體積比分別為0、1∶8、1∶6、1∶4(Z0、Z1∶8、Z1∶6、Z1∶4）），探求小麥秸稈生物炭混摻對(duì)沼液間接地下滴灌土壤持水性能、土壤飽和導(dǎo)水率和土壤濕潤(rùn)體特征的影響。結(jié)果表明：土壤持水性能隨生物炭混摻量和沼液配比的增大而提升；Van-Genuchten模型能夠準(zhǔn)確擬合各處理土壤水分特征曲線；生物炭混摻和沼液灌溉可以增加土壤孔隙度和毛管孔隙度；土壤飽和導(dǎo)水率隨生物炭混摻量的增加呈先降低后升高的趨勢(shì)，隨沼液配比的增大而趨于減??；冪函數(shù)能夠準(zhǔn)確描述不同處理濕潤(rùn)鋒運(yùn)移距離與灌水時(shí)間的關(guān)系；生物炭混摻量為5%時(shí)，濕潤(rùn)鋒垂直向下運(yùn)移距離增大，垂直向上和水平方向運(yùn)移距離減小，存在深層滲漏可能；濕潤(rùn)鋒運(yùn)移距離、濕潤(rùn)體體積、土壤高含水率分布區(qū)域面積均在生物炭混摻量為2%、沼液配比為1∶4時(shí)結(jié)果最優(yōu)。綜合考慮各項(xiàng)指標(biāo)， 處理Z1∶4B2的生物炭混摻量和沼液配比能夠使間接地下滴灌下的粉壤土獲得較好的土壤水力特性。

摘要:為確定限制引水背景下河套灌區(qū)土壤水-地下水動(dòng)態(tài)及其轉(zhuǎn)化關(guān)系，為優(yōu)化農(nóng)田水管理策略提供理論依據(jù)，選取河套灌區(qū)典型斗渠區(qū)域，基于2年土壤水、地下水的監(jiān)測(cè)數(shù)據(jù)，分析在不同作物種植區(qū)、不同灌溉期的農(nóng)田土壤水、地下水的動(dòng)態(tài)變化規(guī)律。運(yùn)用水量平衡法對(duì)地下水淺埋區(qū)農(nóng)田土壤水與地下水的轉(zhuǎn)化關(guān)系進(jìn)行定量研究，結(jié)果表明：生育期內(nèi)農(nóng)田土壤水分變化屬于“灌溉降水入滲補(bǔ)充-騰發(fā)消耗型”；受灌溉影響，不同時(shí)期地下水埋深動(dòng)態(tài)具有顯著的灌溉型特征，土壤水滲漏補(bǔ)給地下水明顯抬升地下水位，地下水排水和潛水蒸發(fā)又降低地下水位；在作物生育期內(nèi)，土壤水與地下水進(jìn)行雙向補(bǔ)給，且不同時(shí)期具有不同的轉(zhuǎn)化特征；研究區(qū)2年生育期內(nèi)灌溉降水補(bǔ)給土壤水分別為544.56mm和541.85mm，平均騰發(fā)量為465.5mm和434.8mm，土壤儲(chǔ)水量減少61.96mm和63.1mm，土壤水補(bǔ)給地下水為207.73mm和236.94mm。研究可為當(dāng)?shù)丶跋嘟貐^(qū)農(nóng)業(yè)節(jié)水灌溉提供科學(xué)依據(jù)。

摘要:為提升設(shè)施農(nóng)業(yè)遠(yuǎn)程監(jiān)控系統(tǒng)的數(shù)據(jù)可視化與信息化程度，設(shè)計(jì)了一種溫室遠(yuǎn)程監(jiān)控系統(tǒng)，該系統(tǒng)主要由巡檢機(jī)器人、移動(dòng)通信網(wǎng)絡(luò)、云服務(wù)器與遠(yuǎn)程監(jiān)控中心組成，實(shí)現(xiàn)了溫室端與遠(yuǎn)程監(jiān)控中心端之間的文本、圖像、視頻3類數(shù)據(jù)傳輸。綜合應(yīng)用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法實(shí)現(xiàn)人機(jī)交互與溫室端番茄識(shí)別任務(wù)?；贖aar級(jí)聯(lián)算法與LBPH算法實(shí)現(xiàn)了管理員人臉識(shí)別，識(shí)別成功率達(dá)90%；基于YOLO v3與ResNet-50算法分別識(shí)別手部與手部關(guān)鍵點(diǎn)，單手、雙手的識(shí)別置信度分別為0.98與0.96；基于提取的食指指尖坐標(biāo)與左右手部候選框中心點(diǎn)坐標(biāo)實(shí)現(xiàn)了手指交互與圖像尺寸縮放的功能。應(yīng)用Swin Small+Cascade Mask RCNN網(wǎng)絡(luò)模型，針對(duì)農(nóng)業(yè)數(shù)據(jù)集有限的問題，對(duì)比分析了應(yīng)用遷移學(xué)習(xí)方法前后的番茄檢測(cè)效果。試驗(yàn)結(jié)果表明，應(yīng)用遷移學(xué)習(xí)方法后，模型收斂速度有所提升且收斂后的損失值均有所下降；同時(shí)，IoU為0、0.5、0.75時(shí)的平均精度（mask AP）分別提升了7.8、 6.4、7.2個(gè)百分點(diǎn)，模型性能更優(yōu)。

摘要:為實(shí)現(xiàn)溫室甜瓜栽培的精準(zhǔn)自動(dòng)灌溉，設(shè)計(jì)了一種基于甜瓜最優(yōu)生長(zhǎng)需求的灌溉決策系統(tǒng)。兼顧甜瓜產(chǎn)量、品質(zhì)、水氮利用效率3個(gè)類別10個(gè)指標(biāo)建立綜合評(píng)價(jià)體系，引入融合最大隸屬度的AHP法確定甜瓜栽培綜合最優(yōu)的日灌水水平，采用K-means聚類算法對(duì)日最優(yōu)灌溉量與環(huán)境溫濕度數(shù)據(jù)進(jìn)行分析，建立了甜瓜不同生育期基于環(huán)境飽和水汽壓差（Vapor pressure deficit，VPD）聚類結(jié)果的定量灌溉決策模型。結(jié)果表明，灌水水平120%蒸騰蒸發(fā)量下甜瓜綜合生長(zhǎng)最優(yōu)，不同生育期內(nèi)VPD與灌溉量在聚類形心數(shù)為3時(shí)輪廓系數(shù)(0.72)最大，組間輪廓清晰，界限分明，且在VPD較高時(shí)，灌水量顯著增高，聚類結(jié)果最優(yōu)。自動(dòng)灌溉系統(tǒng)采用RS485型溫濕度傳感器實(shí)時(shí)監(jiān)測(cè)溫室內(nèi)的環(huán)境參數(shù)，由STM32F103ZET6單片機(jī)實(shí)現(xiàn)基于模型的灌溉控制，由電子流量計(jì)對(duì)灌水量計(jì)量反饋，并通過云平臺(tái)實(shí)現(xiàn)遠(yuǎn)程監(jiān)控功能。系統(tǒng)應(yīng)用驗(yàn)證試驗(yàn)表明，甜瓜在產(chǎn)量、可溶性固形物含量和可溶性蛋白含量上略優(yōu)于常規(guī)農(nóng)藝管理，在節(jié)水方面優(yōu)勢(shì)顯著，甜瓜全生育期累積節(jié)省灌水量15.9%，并極大地降低勞動(dòng)力成本，實(shí)現(xiàn)自動(dòng)精量灌溉。

摘要:為了實(shí)現(xiàn)牛乳中亞硝酸鹽含量的快速檢測(cè)，基于亞硝酸鹽在弱酸條件下與對(duì)氨基苯磺酸和鹽酸萘乙二胺反應(yīng)后生成紫紅色偶氮化合物，從而影響可見光波段處光反射特性的原理，以發(fā)光二極管(LED)為光源設(shè)計(jì)了一種便攜式牛乳中亞硝酸鹽含量檢測(cè)儀。首先，以市售牛乳為對(duì)象，以國(guó)家標(biāo)準(zhǔn)指出的NaNO2為亞硝酸鹽，采用連續(xù)投影算法從380~780nm光譜范圍內(nèi)提取出用于檢測(cè)亞硝酸鹽含量的特征波長(zhǎng)，并確定了5個(gè)波長(zhǎng)(469、500、546、628、665nm)的LED用于采集漫反射光照度。進(jìn)而設(shè)計(jì)了由微控制器模塊、光源模塊、光傳感器模塊、電源和輸入輸出模塊組成的檢測(cè)儀?；?個(gè)波長(zhǎng)下的漫反射光照度，采用偏最小二乘回歸法建立了定量預(yù)測(cè)牛乳中亞硝酸鹽含量的模型。最后對(duì)檢測(cè)儀的性能進(jìn)行了驗(yàn)證。驗(yàn)證結(jié)果表明，該檢測(cè)儀對(duì)亞硝酸鹽質(zhì)量濃度的檢測(cè)誤差為-0.13~0.07mg/L，平均絕對(duì)誤差為0.03mg/L。

摘要:以興安多羔羊?yàn)閷?duì)象，利用凱氏定氮法、索氏提取法和灼燒法對(duì)羊肉營(yíng)養(yǎng)組成進(jìn)行分析，利用固相微萃取結(jié)合氣相色譜質(zhì)譜聯(lián)用技術(shù)對(duì)羊肉風(fēng)味物質(zhì)進(jìn)行分析，明確不同性別和部位對(duì)興安多羔羊肉營(yíng)養(yǎng)組成和揮發(fā)性風(fēng)味物質(zhì)種類及其含量的影響。結(jié)果表明：興安多羔羊肉含水率75.32%，粗脂肪質(zhì)量分?jǐn)?shù)2.41%，粗蛋白質(zhì)量分?jǐn)?shù)19.81%，粗灰分質(zhì)量分?jǐn)?shù)1.11%；共檢出28種脂肪酸和18種氨基酸；母羔肌肉中粗脂肪含量有低于公羔的趨勢(shì)；股四頭肌含有更多不飽和脂肪酸和脂肪氧化產(chǎn)物；共檢測(cè)到72種揮發(fā)性風(fēng)味物質(zhì)，占較大比例的是醛類和醇類物質(zhì)。不同的性別和部位對(duì)羔羊肉營(yíng)養(yǎng)組成和風(fēng)味物質(zhì)有一定影響。母羔中有7種揮發(fā)性風(fēng)味物質(zhì)含量顯著大于公羔；母羔由于脂肪含量低、膻味和油脂氣息小，與公羔相比可接受度更高；背最長(zhǎng)肌中2(5H)呋喃酮和己醇的含量顯著高于股四頭肌，但十三醛含量顯著低于股四頭肌。

摘要:針對(duì)火腿、香腸等肉制品在生產(chǎn)、運(yùn)輸和銷售過程中容易出現(xiàn)品質(zhì)腐敗以及貨架期縮短的問題，基于近紅外光譜技術(shù)對(duì)火腿的品質(zhì)腐敗參數(shù)進(jìn)行研究，研發(fā)了一種具有自建模功能的便攜式火腿品質(zhì)腐敗檢測(cè)裝置，并基于物聯(lián)網(wǎng)技術(shù)開發(fā)了火腿貨架期預(yù)警系統(tǒng)?；谘邪l(fā)的檢測(cè)裝置，采集了74塊火腿樣品的可見/近紅外光譜，在經(jīng)過不同的預(yù)處理后，分別建立了火腿顏色（L*、a*、b*）、pH值、揮發(fā)性鹽基氮含量和菌落總數(shù)（TVC）的偏最小二乘（PLS）預(yù)測(cè)模型。在此基礎(chǔ)上，利用競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法篩選特征變量，建立簡(jiǎn)化的PLS模型，各參數(shù)的預(yù)測(cè)模型相關(guān)系數(shù)分別為0.9317、0.9369、0.9578、0.9554、0.9285、0.9862，均方根誤差分別為0.3530、0.2529、0.0961、0.0354、0.3724mg/（100g）、0.4398lgCFU/g。結(jié)果表明，該裝置可以用于火腿品質(zhì)腐敗參數(shù)的檢測(cè)。同時(shí)研究了火腿儲(chǔ)藏期間TVC生長(zhǎng)規(guī)律，使用Modified Gompertz方程對(duì)TVC的生長(zhǎng)曲線進(jìn)行擬合，建立了TVC的生長(zhǎng)動(dòng)力學(xué)模型，通過TVC的光譜預(yù)測(cè)模型和生長(zhǎng)動(dòng)力學(xué)模型建立了貨架期的預(yù)測(cè)模型。選用阿里云服務(wù)器和MySQL數(shù)據(jù)庫作為服務(wù)端的開發(fā)工具，基于TCP/IP網(wǎng)絡(luò)通信協(xié)議，將裝置的檢測(cè)數(shù)據(jù)實(shí)時(shí)傳輸?shù)椒?wù)器端，進(jìn)而保存到數(shù)據(jù)庫中。最后將貨架期的數(shù)據(jù)反饋至客戶端，通過對(duì)貨架期的監(jiān)控實(shí)現(xiàn)火腿腐敗變質(zhì)的實(shí)時(shí)預(yù)警。經(jīng)過實(shí)驗(yàn)測(cè)試表明，該系統(tǒng)可以用于火腿貨架期的實(shí)時(shí)預(yù)警。

摘要:農(nóng)機(jī)行駛速度切變通常會(huì)導(dǎo)致自動(dòng)導(dǎo)航系統(tǒng)控制精度和穩(wěn)定性下降、導(dǎo)向輪擺動(dòng)幅度增大、影響作業(yè)效果等問題。本文從建模和控制的角度對(duì)上述問題進(jìn)行了研究改進(jìn)，設(shè)計(jì)了智能控制器、轉(zhuǎn)角傳感器、RTK基準(zhǔn)站等關(guān)鍵設(shè)備，建立包含橫擺動(dòng)力學(xué)的狀態(tài)空間模型，實(shí)現(xiàn)了能夠適應(yīng)較大速度變化的狀態(tài)反饋控制器。并以東風(fēng)DF1004-2型輪式拖拉機(jī)為實(shí)驗(yàn)平臺(tái)，進(jìn)行了智能化改裝和實(shí)驗(yàn)驗(yàn)證。智能農(nóng)機(jī)路徑跟蹤控制一般假設(shè)速度為常數(shù)，基于運(yùn)動(dòng)學(xué)模型設(shè)計(jì)反饋控制或者追蹤控制，由于沒有對(duì)橫擺角速率狀態(tài)加以利用，偏差糾正收斂較慢，偏差較大，且速度發(fā)生切變時(shí)，導(dǎo)向輪調(diào)整幅度變大，精度和穩(wěn)定性均會(huì)下降。通過對(duì)農(nóng)機(jī)進(jìn)行系統(tǒng)辨識(shí)，建立農(nóng)機(jī)橫擺運(yùn)動(dòng)的動(dòng)力學(xué)模型，然后運(yùn)用辨識(shí)出的動(dòng)力學(xué)模型設(shè)計(jì)基于LQR算法的柔化反饋控制，較好地解決了上述問題。在農(nóng)田中實(shí)驗(yàn)結(jié)果表明，農(nóng)機(jī)自主導(dǎo)航系統(tǒng)在無速度切變時(shí)控制精度達(dá)到0.03m，速度發(fā)生切變時(shí)為0.05m，未發(fā)生失穩(wěn)現(xiàn)象，能夠滿足農(nóng)機(jī)日常生產(chǎn)工作需求。

摘要:對(duì)前期提出的三平移并聯(lián)機(jī)構(gòu)2P4R(Pa)-PR(Pa)R進(jìn)行了動(dòng)力學(xué)分析及其性能優(yōu)化。首先，基于該機(jī)構(gòu)的符號(hào)式位置正解，直接求得其各桿件（角）速度和（角）加速度；然后，采用基于虛功原理的序單開鏈法，對(duì)該機(jī)構(gòu)進(jìn)行動(dòng)力學(xué)建模，并通過比較3個(gè)驅(qū)動(dòng)力的理論計(jì)算值與仿真結(jié)果，驗(yàn)證了動(dòng)力學(xué)建模的正確性；進(jìn)一步，以桿件長(zhǎng)度和質(zhì)量參數(shù)作為設(shè)計(jì)變量，以可達(dá)工作空間和能量傳遞效率兩種性能指標(biāo)為目標(biāo)函數(shù)，對(duì)該機(jī)構(gòu)進(jìn)行運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)性能的二級(jí)遞進(jìn)優(yōu)化，得到機(jī)構(gòu)在上述兩種性能指標(biāo)下的最優(yōu)解，使機(jī)構(gòu)可達(dá)工作空間性能指標(biāo)提高56.2%，全局能量傳通效率性能指標(biāo)提高63.6%，為機(jī)構(gòu)設(shè)計(jì)與樣機(jī)研制奠定了基礎(chǔ)。

摘要:針對(duì)大型精密復(fù)雜零部件的集成裝配，提出一種將全域全向運(yùn)動(dòng)與調(diào)姿微運(yùn)動(dòng)融合于一體的輪式并聯(lián)調(diào)姿機(jī)器人。通過共享部分自由度方式將全向運(yùn)動(dòng)特征融合于并聯(lián)機(jī)構(gòu)，解決大范圍任意方向移動(dòng)與小空間內(nèi)精密調(diào)姿高效連續(xù)操作的問題；針對(duì)輪式并聯(lián)調(diào)姿裝備的定平臺(tái)開放特性與冗余特征，設(shè)計(jì)基于力位混合的單分支與整體冗余控制策略，選取并優(yōu)化輪式并聯(lián)調(diào)姿機(jī)構(gòu)的主動(dòng)輸入方式，基于螺旋理論對(duì)位置控制軸的選取合理性進(jìn)行分析，評(píng)估2種控制方式在不同的末端姿態(tài)域內(nèi)的性能，得到設(shè)備在不同目標(biāo)姿態(tài)時(shí)力位混合控制主動(dòng)輸入選取策略?；贏DAMS與Simulink軟件搭建環(huán)境一致性良好，可控制較強(qiáng)的機(jī)電一體化模型，驗(yàn)證輪式并聯(lián)調(diào)姿裝備采用力位混合控制策略可行性與設(shè)備調(diào)姿精度。工程樣機(jī)實(shí)驗(yàn)結(jié)果驗(yàn)證了所提出的冗余控制策略能夠?qū)崿F(xiàn)輪式并聯(lián)調(diào)姿機(jī)器人功能，保證了調(diào)姿精度，為開發(fā)具有高可靠性、大尺度、重載荷、高精度同時(shí)兼具高精度全向運(yùn)動(dòng)和精密調(diào)姿功能的高效連續(xù)作業(yè)特征的6自由度并聯(lián)調(diào)姿、對(duì)位、裝配智能機(jī)器人奠定了理論與實(shí)踐基礎(chǔ)。

摘要:提出基于分離-重構(gòu)方法獲得智能算法的適應(yīng)度函數(shù)，并與解析法相結(jié)合求解一般結(jié)構(gòu)多自由度機(jī)器人逆運(yùn)動(dòng)學(xué)，一般結(jié)構(gòu)滿足至少一組相鄰關(guān)節(jié)軸線交于一點(diǎn)。利用分離-重構(gòu)的方法構(gòu)建分離-重構(gòu)適應(yīng)度函數(shù)，使用智能算法驗(yàn)證分離-重構(gòu)適應(yīng)度函數(shù)，求解出部分關(guān)節(jié)角，再結(jié)合解析法求出其余關(guān)節(jié)角。以一般結(jié)構(gòu)的FANUC CRX-10iA型協(xié)作機(jī)器人為算例，使用改進(jìn)的CMA-ES算法驗(yàn)證分離-重構(gòu)適應(yīng)度函數(shù)，仿真結(jié)果表明，在相同條件下求解的點(diǎn)對(duì)點(diǎn)運(yùn)動(dòng)中，單次平均求解時(shí)間為0.0040s，適應(yīng)度函數(shù)值穩(wěn)定在10-7數(shù)量級(jí)，且迭代收斂次數(shù)穩(wěn)定在25次左右；在空間中對(duì)兩種連續(xù)軌跡進(jìn)行跟蹤時(shí)，單次平均耗時(shí)分別為0.0068s和0.0102s，位置誤差均穩(wěn)定在10-7m數(shù)量級(jí)，且各關(guān)節(jié)運(yùn)動(dòng)曲線平滑，提升了多自由度機(jī)器人逆運(yùn)動(dòng)學(xué)分析的效率和精度。以REBot-V-6R型六自由度機(jī)器人為實(shí)驗(yàn)對(duì)象，基于VC++6.0創(chuàng)建MFC實(shí)驗(yàn)平臺(tái)，進(jìn)行連續(xù)的空間軌跡跟蹤實(shí)驗(yàn)，仿真與實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。

摘要:針對(duì)高性能3D打印需求，提出了一種結(jié)構(gòu)簡(jiǎn)潔且高效的三平動(dòng)(3T)并聯(lián)機(jī)器人。首先，為得到期望的自由度構(gòu)型，提出一種拓?fù)溲莼O(shè)計(jì)方法，即將一種三平一轉(zhuǎn)自由度(3T1R)并聯(lián)機(jī)構(gòu)作為初始構(gòu)型，根據(jù)螺旋理論解析該機(jī)構(gòu)自由度及其性質(zhì)，在此基礎(chǔ)上，將動(dòng)平臺(tái)向其中心無限縮聚至一點(diǎn)，并使3條支鏈的末端連桿鉸接于該點(diǎn)，進(jìn)而對(duì)機(jī)構(gòu)的末端鉸接桿進(jìn)行再設(shè)計(jì)，最終演化得到一種僅存在轉(zhuǎn)動(dòng)副且末端含鉸接結(jié)構(gòu)的三平動(dòng)并聯(lián)機(jī)構(gòu)。其次，根據(jù)輸入關(guān)節(jié)與末端鉸接點(diǎn)之間的關(guān)系，采用幾何投影法和閉環(huán)矢量法構(gòu)建該并聯(lián)機(jī)構(gòu)的運(yùn)動(dòng)學(xué)方程，推導(dǎo)其位置正/逆解，并進(jìn)一步得到速度雅可比矩陣，進(jìn)而建立速度和加速度映射模型。隨后，利用分層切片的搜索算法，預(yù)估機(jī)器人工作空間，并分析其奇異性。為綜合評(píng)估機(jī)器人性能，對(duì)機(jī)構(gòu)靈巧度、速度、承載力及剛度性能指標(biāo)進(jìn)行分析，進(jìn)而提出一種多目標(biāo)優(yōu)化設(shè)計(jì)模型，并據(jù)此開展尺度綜合，獲得最優(yōu)尺度參數(shù)。最后，借助多體動(dòng)力學(xué)軟件進(jìn)行軌跡跟蹤仿真校驗(yàn)。研究結(jié)果表明，該并聯(lián)機(jī)器人結(jié)構(gòu)簡(jiǎn)潔緊湊，性能優(yōu)良，為其后續(xù)實(shí)體樣機(jī)制造及實(shí)際應(yīng)用奠定了理論基礎(chǔ)。