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:病蟲(chóng)害是影響農(nóng)作物健康生長(zhǎng)、產(chǎn)量和質(zhì)量的制約因素之一，加強(qiáng)農(nóng)作物病蟲(chóng)害的監(jiān)測(cè)，對(duì)農(nóng)作物病蟲(chóng)害進(jìn)行精準(zhǔn)防控，對(duì)保障糧食安全，提高農(nóng)產(chǎn)品產(chǎn)量和質(zhì)量具有重要意義。隨著信息技術(shù)的發(fā)展，農(nóng)作物病蟲(chóng)害監(jiān)測(cè)由傳統(tǒng)的人工監(jiān)測(cè)逐漸向自動(dòng)化、信息化和智能化方向發(fā)展。農(nóng)作物病蟲(chóng)害監(jiān)測(cè)平臺(tái)、監(jiān)測(cè)傳感器技術(shù)以及相關(guān)的數(shù)據(jù)分析和處理技術(shù)是研究農(nóng)作物病蟲(chóng)害遙感監(jiān)測(cè)的關(guān)鍵技術(shù)，這些關(guān)鍵技術(shù)的發(fā)展水平，決定了農(nóng)作物病蟲(chóng)害遙感監(jiān)測(cè)技術(shù)的發(fā)展水平。本文從監(jiān)測(cè)平臺(tái)、監(jiān)測(cè)傳感器技術(shù)和相關(guān)數(shù)據(jù)分析與處理技術(shù)3方面對(duì)農(nóng)作物病蟲(chóng)害監(jiān)測(cè)技術(shù)研究進(jìn)展進(jìn)行綜述。在監(jiān)測(cè)平臺(tái)方面，歸納總結(jié)了地面監(jiān)測(cè)平臺(tái)、航空監(jiān)測(cè)平臺(tái)和衛(wèi)星監(jiān)測(cè)平臺(tái)的國(guó)內(nèi)外研究現(xiàn)狀，并分析了上述平臺(tái)優(yōu)缺點(diǎn)；在監(jiān)測(cè)傳感器技術(shù)方面，綜述了雷達(dá)傳感器、圖像傳感器、熱成像傳感器和光譜傳感器等在作物病蟲(chóng)害領(lǐng)域的研究進(jìn)展；在相關(guān)數(shù)據(jù)分析與處理技術(shù)方面，闡述了經(jīng)典統(tǒng)計(jì)算法、計(jì)算機(jī)圖像處理算法、機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法在農(nóng)作物病蟲(chóng)害監(jiān)測(cè)領(lǐng)域的研究成果。最后提出了監(jiān)測(cè)平臺(tái)、監(jiān)測(cè)傳感器技術(shù)和相關(guān)數(shù)據(jù)分析與處理技術(shù)的未來(lái)發(fā)展趨勢(shì)，以期為進(jìn)一步促進(jìn)我國(guó)農(nóng)作物病蟲(chóng)害監(jiān)測(cè)平臺(tái)及相關(guān)技術(shù)的發(fā)展提供參考。

摘要:針對(duì)果園環(huán)境中GNSS定位信號(hào)易丟失和傳統(tǒng)SLAM算法魯棒性較差的問(wèn)題，本文提出一種基于LiDAR/IMU緊耦合框架的全局無(wú)偏狀態(tài)估計(jì)果園機(jī)器人定位與建圖方法。LiDAR/IMU緊耦合框架基于因子圖進(jìn)行多源約束的IMU里程計(jì)構(gòu)建，實(shí)時(shí)輸出高頻位姿信息，IMU里程計(jì)因子和預(yù)積分因子優(yōu)化LiDAR里程計(jì)并提供位姿先驗(yàn)約束IMU零偏。引入局部點(diǎn)云地圖參與特征點(diǎn)云粗匹配和非特征點(diǎn)云遞進(jìn)式匹配進(jìn)一步稠密化源點(diǎn)云，改善LiDAR里程計(jì)的性能。融合GPS信號(hào)與LiDAR/IMU緊耦合框架的地圖構(gòu)建，能夠得到準(zhǔn)確且高頻連續(xù)的位姿信息，提高點(diǎn)云地圖的復(fù)用率。在果園和苗木等場(chǎng)景驗(yàn)證了該算法的性能，實(shí)驗(yàn)結(jié)果表明，與LIO-SAM等算法相比，定位精度維持在0.05m左右，均方根誤差為0.0162m。本文算法使機(jī)器人具有更高的精度、實(shí)時(shí)性和魯棒性，有效降低了系統(tǒng)累積誤差，保證了所構(gòu)建地圖的全局一致性。

摘要:針對(duì)單一傳感器地圖構(gòu)建時(shí)存在環(huán)境表征不充分，無(wú)法為移動(dòng)機(jī)器人自主導(dǎo)航提供完整環(huán)境地圖等問(wèn)題，本文通過(guò)將激光雷達(dá)與深度相機(jī)獲取的環(huán)境信息進(jìn)行互補(bǔ)融合，構(gòu)建出更完整精確的柵格地圖。首先，對(duì)傳統(tǒng)ORB-SLAM2算法進(jìn)行增強(qiáng)，使其具備稠密點(diǎn)云地圖構(gòu)建、八叉樹(shù)地圖構(gòu)建以及柵格地圖構(gòu)建等功能。其次，為驗(yàn)證增強(qiáng)后ORB-SLAM2算法的性能，在fr1_desk1數(shù)據(jù)集和真實(shí)場(chǎng)景下進(jìn)行測(cè)試，數(shù)據(jù)顯示增強(qiáng)后ORB-SLAM2算法絕對(duì)位姿誤差降低52.2%，相機(jī)跟蹤軌跡增長(zhǎng)14.7%，定位更加精準(zhǔn)。然后，D435i型深度相機(jī)采用增強(qiáng)型ORB-SLAM2算法，激光雷達(dá)采用的Gmapping-Slam算法，按照貝葉斯估計(jì)的規(guī)則進(jìn)行互補(bǔ)融合構(gòu)建全局柵格地圖。最后，搭建實(shí)驗(yàn)平臺(tái)進(jìn)行驗(yàn)證，并分別與深度相機(jī)和激光雷達(dá)2個(gè)傳感器建圖效果進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，本文融合算法對(duì)周?chē)系K物的識(shí)別能力更強(qiáng)，可獲取更完整的環(huán)境信息，地圖構(gòu)建更加清晰精確，滿足移動(dòng)機(jī)器人導(dǎo)航與路徑規(guī)劃的需要。

摘要:玉米苗期雜草的實(shí)時(shí)檢測(cè)和精準(zhǔn)識(shí)別是實(shí)現(xiàn)精準(zhǔn)除草和智能農(nóng)業(yè)的基礎(chǔ)和前提。針對(duì)保護(hù)性耕作模式地表環(huán)境復(fù)雜、雜草易受地表秸稈殘茬覆蓋影響、現(xiàn)有算法檢測(cè)速度不理想等問(wèn)題，提出一種適用于Jetson TX2移動(dòng)端部署的秸稈覆蓋農(nóng)田雜草檢測(cè)方法。運(yùn)用深度學(xué)習(xí)技術(shù)對(duì)玉米苗期雜草圖像的高層語(yǔ)義信息進(jìn)行提取與分析，構(gòu)建玉米苗期雜草檢測(cè)模型。在YOLO v5s模型的基礎(chǔ)上，縮小網(wǎng)絡(luò)模型寬度對(duì)其進(jìn)行輕量化改進(jìn)。為平衡模型檢測(cè)速度和檢測(cè)精度，采用TensorRT推理加速框架解析網(wǎng)絡(luò)模型，融合推理網(wǎng)絡(luò)中的維度張量，實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)的重構(gòu)與優(yōu)化，減少模型運(yùn)行時(shí)的算力需求。將模型遷移部署至Jetson TX2移動(dòng)端平臺(tái)，并對(duì)各模型進(jìn)行訓(xùn)練測(cè)試。檢測(cè)結(jié)果表明，輕量化改進(jìn)YOLO v5ss、YOLO v5sm、YOLO v5sl模型的精確率分別為85.7%、94%、95.3%，檢測(cè)速度分別為80、79.36、81.97f/s，YOLO v5sl模型綜合表現(xiàn)最佳。在Jetson TX2嵌入式端推理加速后，YOLO v5sl模型的檢測(cè)精確率為93.6%，檢測(cè)速度為28.33f/s，比模型加速前提速77.8%，能夠在保證檢測(cè)精度的同時(shí)實(shí)現(xiàn)玉米苗期雜草目標(biāo)的實(shí)時(shí)檢測(cè)，為硬件資源有限的田間精準(zhǔn)除草作業(yè)提供技術(shù)支撐。

摘要:為獲取玉米田耕層不同土壤的各項(xiàng)參數(shù)，本文將玉米田耕層典型土壤分為未與玉米根茬接觸的普通土壤（PT）和與玉米根茬結(jié)合形成根土復(fù)合體的土壤（GT），采用物理試驗(yàn)與離散元仿真相結(jié)合的方法，分別對(duì)離散元參數(shù)進(jìn)行標(biāo)定?；贖ertz-Mindlin（no slip）接觸模型，采用中心組合試驗(yàn)設(shè)計(jì)方法，以土壤堆積角為目標(biāo)值，進(jìn)行了四因素五水平仿真試驗(yàn)?；贖ertz-Mindlin with bonding接觸模型，采用Design-Expert軟件，應(yīng)用Plackett-Burman設(shè)計(jì)敏感性分析試驗(yàn)、最陡爬坡試驗(yàn)、Box-Behnken試驗(yàn)，以土壤硬度為目標(biāo)值，對(duì)顯著性參數(shù)進(jìn)行尋優(yōu)，得到PT最優(yōu)解組合為：粘結(jié)鍵法向剛度4.37×107N/m3、粘結(jié)鍵切向剛度1.46×107N/m3、切向極限應(yīng)力3.24×105Pa；GT最優(yōu)解組合為：粘結(jié)鍵法向剛度5.19×107N/m3、粘結(jié)鍵切向剛度4.25×107N/m3、法向極限應(yīng)力4.52×105Pa?；趦煞N土壤標(biāo)定的參數(shù)對(duì)其進(jìn)行了土壤直剪驗(yàn)證試驗(yàn)，結(jié)果表明，所標(biāo)定的兩種土壤仿真和實(shí)測(cè)最大剪應(yīng)力的相對(duì)誤差均低于10%，仿真參數(shù)可靠。本文提出的土壤顆粒建模方法、標(biāo)定方法及其所標(biāo)定的參數(shù)值準(zhǔn)確可靠，可為玉米田耕層土壤模型構(gòu)建提供理論依據(jù)。

摘要:針對(duì)利用離散元法進(jìn)行三七聯(lián)合收獲、莖稈殺秧等關(guān)鍵作業(yè)過(guò)程仿真分析時(shí)，三七莖稈本征參數(shù)、三七莖稈及作業(yè)裝備間接觸參數(shù)缺乏問(wèn)題，以三七莖稈為對(duì)象，利用EDEM軟件建立三七莖稈離散元Hertz-Mindlin/Hertz-Mindlin with bonding模型，通過(guò)堆積角試驗(yàn)和虛擬仿真試驗(yàn)對(duì)三七莖稈離散元參數(shù)進(jìn)行標(biāo)定，并建立三七莖稈殺秧裝置模型。通過(guò)力學(xué)特性試驗(yàn)確定三七莖稈本征參數(shù)；采用圓筒提升法進(jìn)行三七莖稈堆積角試驗(yàn)，使用Origin軟件對(duì)堆積角圖像進(jìn)行輪廓擬合得到三七莖稈堆積角為44.53°；設(shè)計(jì)Placktt-Burman試驗(yàn)、最陡爬坡試驗(yàn)和Central-Composite試驗(yàn)確定三七莖稈及作業(yè)裝備間接觸參數(shù)，并利用堆積角試驗(yàn)和剪切試驗(yàn)驗(yàn)證模型的可靠性。結(jié)果表明：三七莖稈與作業(yè)裝備間碰撞恢復(fù)系數(shù)、靜摩擦因數(shù)、滾動(dòng)摩擦因數(shù)分別為0.319、0.25、0.029；三七莖稈間的碰撞恢復(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0.4、0.29、0.032；Hertz-Mindlin with bonding模型法向剛度Kn為3.26×108N/m3、切向剛度Ks為2.17×108N/m3、法向臨界應(yīng)力σ為2.27MPa、切向臨界應(yīng)力γ為9.65MPa、粘結(jié)半徑Rd為0.1mm；堆積角驗(yàn)證試驗(yàn)中相對(duì)誤差為0.29%；剪切驗(yàn)證試驗(yàn)中相對(duì)誤差為1.52%，誤差較小。三七莖稈離散元模型與實(shí)際情況基本一致，三七莖稈模型和標(biāo)定離散元仿真參數(shù)可靠，可為三七莖稈離散元仿真研究提供參考。

摘要:針對(duì)土壤層殘膜回收裝備存在挖掘阻力大、功耗高、易壅土等問(wèn)題，設(shè)計(jì)抖動(dòng)鏈齒桿式殘膜-土壤-秸稈挖掘與輸送裝置，其中旋耕挖掘機(jī)構(gòu)降低挖掘阻力并解決壅土問(wèn)題，抖動(dòng)鏈齒輸送機(jī)構(gòu)提高殘膜-土壤-秸稈輸送效率。建立輸送鏈表面物料顆粒的受力模型，分析前進(jìn)速度與輸送鏈轉(zhuǎn)速之間的變化關(guān)系，計(jì)算抖動(dòng)輪與輸送鏈轉(zhuǎn)速；測(cè)定土壤剖面殘膜和秸稈的含量及分布并建立虛擬仿真土槽，模擬棉田土壤中殘膜和秸稈含量及分布特點(diǎn)。在EDEM中構(gòu)建殘膜-土壤-秸稈挖掘與輸送裝置仿真模型并設(shè)置挖掘鏟入土深度150mm，在不同前進(jìn)速度（0.75、1、1.25m/s）、旋耕刀片轉(zhuǎn)速（210、230、250r/min）、輸送鏈轉(zhuǎn)速（65、85、105r/min）組合條件下，模擬挖掘與輸送殘膜-土壤-秸稈過(guò)程中的壅土效果和顆粒速度變化特性；根據(jù)仿真試驗(yàn)結(jié)果可知，在挖掘與輸送裝置前進(jìn)速度較高的條件下易發(fā)生壅土問(wèn)題，土壤層殘膜、土壤和秸稈顆粒運(yùn)動(dòng)速度小于5m/s。田間試驗(yàn)結(jié)果與仿真試驗(yàn)結(jié)果基本相同，在不同的因素水平組合條件下，田間試驗(yàn)測(cè)量壅土高度范圍為71～246mm；田間試驗(yàn)表明，當(dāng)壅土高度小于等于90mm時(shí)不會(huì)發(fā)生挖掘阻力較大并停機(jī)的問(wèn)題。文中設(shè)計(jì)的挖掘與輸送裝置和作業(yè)效果分析方法，為設(shè)計(jì)新型的殘膜-土壤-秸稈挖掘與輸送裝置提供參考。

摘要:收獲機(jī)作為農(nóng)業(yè)生產(chǎn)的重要生產(chǎn)工具，其喂入量控制一直是自動(dòng)控制領(lǐng)域研究的熱點(diǎn)問(wèn)題。本文通過(guò)分析收獲機(jī)工作方式，建立收獲時(shí)收獲機(jī)喂入量變化模型。設(shè)計(jì)開(kāi)發(fā)收獲機(jī)作業(yè)參數(shù)監(jiān)測(cè)系統(tǒng)，以小麥作為實(shí)驗(yàn)對(duì)象，在我國(guó)華北地區(qū)開(kāi)展田間實(shí)驗(yàn)，驗(yàn)證系統(tǒng)喂入量監(jiān)測(cè)精度并同步采集產(chǎn)量、含水率和作業(yè)速度等參數(shù)，系統(tǒng)喂入量監(jiān)測(cè)平均相對(duì)誤差為8.55%。以收獲機(jī)在割臺(tái)高度不變條件下保持額定喂入量為控制目標(biāo)狀態(tài)，收獲機(jī)作業(yè)速度作為控制量，采用模型預(yù)測(cè)的方法對(duì)收獲機(jī)喂入量進(jìn)行仿真控制。采用灰狼優(yōu)化算法優(yōu)化二次規(guī)劃的權(quán)值矩陣，仿真結(jié)果表明，權(quán)值矩陣優(yōu)化后，喂入量控制平均絕對(duì)誤差小于0.1kg/s，平均降低38.1%。喂入量控制誤差與收獲區(qū)域的產(chǎn)量成反比，與含水率成正比。在相鄰時(shí)域內(nèi)產(chǎn)量、含水率變化較小的收獲區(qū)域效果更好。

摘要:針對(duì)油菜薹機(jī)械化有序收獲裝備缺乏的問(wèn)題，設(shè)計(jì)了一種對(duì)行式油菜薹有序收獲機(jī)，完成油菜薹對(duì)行、夾持切割、柔性輸送、有序鋪放等收獲環(huán)節(jié)。闡述了收獲機(jī)整機(jī)結(jié)構(gòu)和作業(yè)過(guò)程，根據(jù)切割、輸送和鋪放過(guò)程中油菜薹的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)分析，確定了單圓盤(pán)切割器、夾持輸送裝置和導(dǎo)流板等部件的結(jié)構(gòu)和運(yùn)行參數(shù)，解析收獲機(jī)參數(shù)對(duì)切割損傷率和鋪放角變異系數(shù)的影響規(guī)律。研制對(duì)行式油菜薹有序收獲機(jī)樣機(jī)，以機(jī)器前進(jìn)速度、切刀轉(zhuǎn)速、輸送帶速度和導(dǎo)流板傾角為試驗(yàn)因素，以切割損傷率和鋪放角變異系數(shù)為評(píng)價(jià)指標(biāo)開(kāi)展四因素三水平Box-Behnken田間試驗(yàn)。利用數(shù)據(jù)分析軟件Design-Export 10建立試驗(yàn)指標(biāo)與因素之間的二次多項(xiàng)式回歸模型，分析各因素對(duì)試驗(yàn)指標(biāo)的影響規(guī)律；求解切割損傷率和鋪放角變異系數(shù)優(yōu)化模型，得出最優(yōu)參數(shù)組合為：機(jī)器前進(jìn)速度0.5m/s，切刀轉(zhuǎn)速910r/min，輸送速度0.75m/s，導(dǎo)流板傾角49°。驗(yàn)證試驗(yàn)表明，較優(yōu)參數(shù)組合條件下切割損傷率為4.95%，鋪放角變異系數(shù)為9.55%，與預(yù)測(cè)值之間的相對(duì)誤差小于5%，能夠滿足油菜薹有序收獲需求。

摘要:針對(duì)寧前胡采挖過(guò)程中挖掘阻力大的問(wèn)題，以鯊魚(yú)背鰭為研究對(duì)象，并結(jié)合農(nóng)藝要求，設(shè)計(jì)了一款寧前胡仿生挖掘鏟；根據(jù)摩爾-庫(kù)侖理論中土體應(yīng)力分析，當(dāng)選用鯊魚(yú)背鰭結(jié)構(gòu)作為仿生鏟的凸起結(jié)構(gòu)時(shí)，土壤更易達(dá)到破裂狀態(tài)；通過(guò)三維掃描儀掃描鯊魚(yú)標(biāo)本，獲取鯊魚(yú)背鰭三維模型，根據(jù)背鰭三維模型確定仿生鏟的凸起結(jié)構(gòu)，并通過(guò)NX12.0創(chuàng)建仿生挖掘鏟三維模型；利用三維掃描儀獲得寧前胡根莖外形輪廓特征，創(chuàng)建寧前胡根莖的離散元模型，并選用Hertz-Mindlin with JKR建立寧前胡根莖-土壤離散元復(fù)合模型；通過(guò)離散元仿真對(duì)比試驗(yàn)，得出X、Y、Z方向顆粒位移和挖掘阻力的平均值，分析挖掘鏟的減阻機(jī)理，仿生鏟比平面鏟在采挖過(guò)程中阻力減小14.37%；通過(guò)開(kāi)展土槽試驗(yàn)，對(duì)比根莖挖掘效果，與仿真試驗(yàn)中得出的寧前胡根莖在仿生挖掘鏟挖掘后，根莖在X、Y、Z方向上有更好的位移表現(xiàn)，仿生鏟和平面鏟的挖掘阻力平均值分別為1342.28、1622.73N，仿生鏟比平面鏟在采挖過(guò)程中阻力減小17.28%，與仿真試驗(yàn)得出的減阻率十分接近，滿足寧前胡采挖過(guò)程中的減阻要求。

摘要:為提高油橄欖的振動(dòng)收獲效率，針對(duì)油橄欖密植果園的種植環(huán)境，設(shè)計(jì)一種單偏心塊懸掛式油橄欖采收機(jī)。通過(guò)對(duì)果實(shí)進(jìn)行受力分析得到果實(shí)脫落加速度可簡(jiǎn)化為果實(shí)果柄結(jié)合力與果實(shí)質(zhì)量的比值，測(cè)量得到脫落加速度的90%分位數(shù)為1113.35m/s2。通過(guò)正交試驗(yàn)仿真研究果樹(shù)樹(shù)形參數(shù)（主干直徑、主干高度、主枝夾角）和激振參數(shù)（激振頻率、激振力）之間關(guān)系，并對(duì)仿真與試驗(yàn)相關(guān)性進(jìn)行分析，表明仿真與試驗(yàn)的平均相關(guān)系數(shù)為0.73，平均相對(duì)誤差為26.5%，主干直徑和主干高度對(duì)激振參數(shù)有顯著影響。使用采收樣機(jī)對(duì)油橄欖（萊星）進(jìn)行了試驗(yàn)，結(jié)果表明：夾持點(diǎn)振幅與激振頻率呈正相關(guān)關(guān)系；果樹(shù)側(cè)枝3個(gè)監(jiān)測(cè)點(diǎn)的共振頻率為22.5Hz，與響應(yīng)面試驗(yàn)結(jié)果的21.8Hz相近；油橄欖樹(shù)的平均采凈率約為91.22%，且無(wú)果實(shí)損傷。

摘要:為了實(shí)現(xiàn)排種的均勻穩(wěn)定，針對(duì)預(yù)切種式宿根蔗補(bǔ)種的難題，設(shè)計(jì)了一種宿根蔗補(bǔ)種機(jī)均勻排種控制系統(tǒng)，由輥耙、理蔗壓板、種箱以及電控系統(tǒng)等組成。通過(guò)運(yùn)用EDEM對(duì)排種機(jī)構(gòu)的排種過(guò)程進(jìn)行仿真分析及虛擬試驗(yàn)，探討了系統(tǒng)主要工作參數(shù)對(duì)排種性能的影響，對(duì)機(jī)構(gòu)進(jìn)行了優(yōu)化設(shè)計(jì)。通過(guò)單因素試驗(yàn)及Box-Behnken響應(yīng)面正交試驗(yàn)，研究了輥耙角速度、理蔗壓板壓力、種箱內(nèi)蔗種數(shù)量、理蔗壓板活動(dòng)角對(duì)排種均勻度的影響規(guī)律，建立了排種機(jī)構(gòu)排種性能的響應(yīng)面方程，構(gòu)建了排種系統(tǒng)參數(shù)調(diào)節(jié)的控制模型和控制算法。以種箱內(nèi)蔗種數(shù)量作為控制器輸入量，控制器通過(guò)自動(dòng)調(diào)整輥耙角速度和理蔗壓板壓力來(lái)控制排種系統(tǒng)排種過(guò)程的均勻性。試驗(yàn)結(jié)果表明，應(yīng)用參數(shù)自調(diào)節(jié)排種控制系統(tǒng)進(jìn)行排種作業(yè)時(shí)，排種合格率為94.44%，與未應(yīng)用參數(shù)自調(diào)節(jié)的排種系統(tǒng)相比提高8.88個(gè)百分點(diǎn)；排種均勻度為0.46段2。研究可為提高甘蔗宿根補(bǔ)種的均勻性及穩(wěn)定性提供技術(shù)支持。

摘要:為評(píng)估農(nóng)業(yè)機(jī)械作業(yè)對(duì)大豆產(chǎn)量的影響，本文開(kāi)展不同機(jī)型、不同壓實(shí)次數(shù)的拖拉機(jī)壓實(shí)試驗(yàn)，獲取不同壓實(shí)環(huán)境中的土壤物理性質(zhì)和大豆產(chǎn)量數(shù)據(jù)，分別從影響大豆產(chǎn)量的機(jī)械因素、土壤因素和復(fù)合因素出發(fā)，使用多元線性回歸（Multiple linear regression，MLR）、隨機(jī)森林（Random forest，RF）、自適應(yīng)增強(qiáng)模型（Adaptive boosting，AdaBoost）、人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network，ANN）4種機(jī)器學(xué)習(xí)算法建立大豆產(chǎn)量影響預(yù)測(cè)模型，對(duì)模型性能及模型特征重要性進(jìn)行綜合分析。研究結(jié)果表明，機(jī)械作業(yè)與大豆產(chǎn)量間關(guān)系復(fù)雜，集成學(xué)習(xí)算法（AdaBoost和RF）所建立的模型具有更好的擬合效果，模型決定系數(shù)更高；利用復(fù)合因素對(duì)大豆產(chǎn)量建立的模型擬合度最高，其次為機(jī)械因素和土壤因素，其中基于AdaBoost的復(fù)合因素對(duì)大豆產(chǎn)量影響模型其擬合程度最優(yōu)，其R2為0.92，MAE為1.33%，RMSE為1.86%；機(jī)械因素、土壤因素都會(huì)影響大豆產(chǎn)量，其中機(jī)械壓實(shí)次數(shù)以及表層和亞表層的土壤堅(jiān)實(shí)度為影響大豆產(chǎn)量的重要因素，在實(shí)際生產(chǎn)中可通過(guò)減少機(jī)械作業(yè)次數(shù)、疏松表層及亞表層土壤來(lái)改善機(jī)械壓實(shí)影響。

摘要:針對(duì)目前馬鈴薯種薯切塊機(jī)存在切種質(zhì)量差和自動(dòng)化程度低等問(wèn)題，基于切種農(nóng)藝與農(nóng)機(jī)相融合的設(shè)計(jì)思想，設(shè)計(jì)了一種馬鈴薯種薯自動(dòng)切塊裝置。通過(guò)整列定位輸送機(jī)構(gòu)完成種薯排列輸送定位，經(jīng)夾持取料機(jī)構(gòu)和切刀機(jī)構(gòu)組合作用下完成種薯切塊過(guò)程，整機(jī)由PLC控制切塊動(dòng)作工序，實(shí)現(xiàn)了切種流程的自動(dòng)化。結(jié)合典型種薯幾何尺寸參數(shù)，完成馬鈴薯種薯切塊裝置的關(guān)鍵結(jié)構(gòu)設(shè)計(jì)，對(duì)種薯切塊作業(yè)過(guò)程進(jìn)行理論分析，明晰影響種薯切塊效果的主要因素和各因素的取值范圍。以切種合格率、切種盲眼率為評(píng)價(jià)指標(biāo)，以圓臺(tái)輥組中心距、鏈條輸送速度、V形刀具夾角為試驗(yàn)因素，進(jìn)行三因素三水平響應(yīng)面試驗(yàn)，通過(guò)Design-Expert 12.0.3軟件對(duì)試驗(yàn)結(jié)果進(jìn)行方差分析和交互作用分析，利用軟件優(yōu)化模塊確定試驗(yàn)最優(yōu)參數(shù)組合。在最優(yōu)參數(shù)組合條件下進(jìn)行種薯切塊試驗(yàn)驗(yàn)證，驗(yàn)證結(jié)果表明：當(dāng)圓臺(tái)輥組中心距為101.60mm、鏈條輸送速度為0.019m/s、V形刀具夾角為49.50°時(shí)，切種合格率為97.56%，切種盲眼率為1.27%，與優(yōu)化值相對(duì)誤差小于5%，表明優(yōu)化后最優(yōu)參數(shù)組合可靠性高，可以滿足種薯切塊要求。

摘要:棉花是我國(guó)重要的經(jīng)濟(jì)作物和戰(zhàn)略儲(chǔ)備物資，及時(shí)、準(zhǔn)確地獲取棉花空間分布信息對(duì)于棉花產(chǎn)量預(yù)測(cè)、農(nóng)業(yè)政策的制定與調(diào)整具有重要意義。針對(duì)高分辨率遙感影像獲取難度大以及傳統(tǒng)機(jī)器學(xué)習(xí)對(duì)特征信息利用不足的問(wèn)題，本文以新疆南部地區(qū)圖木舒克市為目標(biāo)區(qū)域，提出一種以U-HRNet為基本框架，融合CBAM注意力機(jī)制的CBAM-U-HRNet棉花種植地塊提取模型。選擇U-Net、HRNet和U-HRNet作為對(duì)比模型，評(píng)估CBAM-U-HRNet模型在Sentinel-2(10m)和GF-2(1m)2種空間分辨率數(shù)據(jù)集上的表現(xiàn)以及在棉花地塊提取的優(yōu)勢(shì)。結(jié)果表明，基于Sentinel-2遙感影像的CBAM-U-HRNet組合模型對(duì)棉花地塊的提取精度最優(yōu)，mIoU和mPA分別達(dá)到92.78%和95.32%。與Sentinel-2數(shù)據(jù)集相比，空間分辨率更高的GF-2數(shù)據(jù)在HRNet、U-Net和U-HRNet網(wǎng)絡(luò)上取得了更高的精度。對(duì)于兩種不同空間分辨率的數(shù)據(jù)集，基于CBAM-U-HRNet模型的棉花地塊提取精度較為接近，表明CBAM-U-HRNet模型能夠減少由于數(shù)據(jù)集空間分辨率不同導(dǎo)致的錯(cuò)分。與隨機(jī)森林算法相比，CBAM-U-HRNet模型對(duì)棉花地塊提取的準(zhǔn)確率更高。研究結(jié)果可以為干旱地區(qū)棉花識(shí)別與種植地塊快速提取提供技術(shù)支撐。

摘要:冬小麥種植區(qū)域分布廣泛，為監(jiān)測(cè)與評(píng)估其生長(zhǎng)信息和生長(zhǎng)環(huán)境，本文通過(guò)引入三相混合介質(zhì)模型表征植被層，引入高斯隨機(jī)粗糙面表征農(nóng)田粗糙地表，構(gòu)建了一種冬小麥覆被農(nóng)田地表的多層非均質(zhì)混合電磁散射模型。首先分別對(duì)比本文提出的多層非均質(zhì)混合模型與水云模型、Oh模型在冬小麥拔節(jié)期及孕穗期的后向散射系數(shù)預(yù)測(cè)結(jié)果，對(duì)本模型的有效性進(jìn)行分析和驗(yàn)證；隨后，通過(guò)分析該模型等效介電常數(shù)，并求解其電磁散射及輻射傳輸方程，獲取植被生長(zhǎng)信息、植被含水率及土壤粗糙度等因素對(duì)覆被農(nóng)田地表等效介電常數(shù)和雷達(dá)后向散射系數(shù)的影響規(guī)律。結(jié)果表明，本文提出的多層非均質(zhì)混合模型與水云模型及Oh模型預(yù)測(cè)結(jié)果有較好的一致性，同時(shí)與雙彌散模型獲得的小麥層等效介電常數(shù)R2分別為0.9817、0.9922、0.9863、0.9711，同樣具有較好的一致性；此外，本文提出的模型對(duì)拔節(jié)期、孕穗期小麥含水率的預(yù)測(cè)結(jié)果與實(shí)際測(cè)量值的均方根誤差分別為0.88%、4.65%，該模型能夠較好地模擬覆被農(nóng)田地表電磁散射特征，為后續(xù)無(wú)人機(jī)微波反演冬小麥生長(zhǎng)及土壤水分信息提供堅(jiān)實(shí)理論基礎(chǔ)。

摘要:為了實(shí)現(xiàn)火龍果采收自動(dòng)化作業(yè)，提出一種基于改進(jìn)U-Net的火龍果圖像分割和姿態(tài)估計(jì)方法。首先，在U-Net 模型的跳躍連接（編碼器與解碼器部分特征圖進(jìn)行的連接操作）中引入通道和空間注意力機(jī)制模塊(Concurrent spatial and channel squeeze and channel excitation, SCSE)，同時(shí)將SCSE模塊集成到殘差模塊（Double residual block, DRB）中，在增強(qiáng)網(wǎng)絡(luò)提取有效特征能力的同時(shí)提高網(wǎng)絡(luò)的收斂速度，得到一種基于注意力殘差U-Net的火龍果圖像分割網(wǎng)絡(luò)。通過(guò)該網(wǎng)絡(luò)分割出果實(shí)及其附生枝條的掩膜圖像，利用圖像處理技術(shù)和相機(jī)成像模型擬合出果實(shí)及其附生枝條的輪廓、果實(shí)質(zhì)心、果實(shí)最小外接矩形框和三維邊界框，進(jìn)而結(jié)合果實(shí)及其附生枝條的位置關(guān)系進(jìn)行火龍果三維姿態(tài)估計(jì)，并在火龍果種植園中獲得一個(gè)測(cè)試集，以評(píng)價(jià)該算法的性能，最后在自然果園環(huán)境下進(jìn)行實(shí)地采摘試驗(yàn)。試驗(yàn)結(jié)果表明，火龍果果實(shí)圖像分割平均交并比(mIoU)和平均像素準(zhǔn)確率(mPA)分別達(dá)到86.69%和93.89%，三維姿態(tài)估計(jì)平均誤差為8.8°，火龍果采摘機(jī)器人在果園環(huán)境下的采摘成功率為86.7%，平均采摘時(shí)間為22.3s。

摘要:針對(duì)棉花軋工質(zhì)量現(xiàn)行人工感官檢驗(yàn)中存在的勞動(dòng)強(qiáng)度大、主觀性強(qiáng)、檢測(cè)效率低等問(wèn)題，設(shè)計(jì)一種基于機(jī)器視覺(jué)的棉花軋工質(zhì)量檢測(cè)系統(tǒng)。系統(tǒng)由壓棉機(jī)構(gòu)、圖像采集機(jī)構(gòu)、檢測(cè)處理機(jī)、檢測(cè)控制板卡和觸控顯示屏組成。設(shè)計(jì)了低角度直接照明系統(tǒng)與圖像采集機(jī)構(gòu)，LED光源以檢測(cè)視窗法線呈45°方向照射，工業(yè)相機(jī)透過(guò)光學(xué)玻璃采集棉花圖像。采用圖像紋理特征表達(dá)棉花外觀形態(tài)，通過(guò)測(cè)定軋工質(zhì)量實(shí)物標(biāo)準(zhǔn)的角二階矩，建立圖像紋理特征與外觀形態(tài)關(guān)系模型，融合噪聲點(diǎn)評(píng)價(jià)與高低閾值自適應(yīng)的Canny方法進(jìn)行圖像濾波與分割識(shí)別，根據(jù)歐氏距離進(jìn)行軋工質(zhì)量等級(jí)判定，并選取棉樣進(jìn)行系統(tǒng)試驗(yàn)驗(yàn)證。結(jié)果表明，軋工質(zhì)量實(shí)物標(biāo)準(zhǔn)P1、P2、P3的角二階矩分別為[0.8932，1]、[0.6891，0.7761]、[0.2136，0.5873]，各等級(jí)間的角二階矩紋理特征值區(qū)別明顯，驗(yàn)證了圖像紋理表達(dá)棉花外觀形態(tài)的可行性。系統(tǒng)的疵點(diǎn)粒數(shù)指標(biāo)檢測(cè)相對(duì)偏差為0.15，疵點(diǎn)與背景的分離效果明顯。與國(guó)標(biāo)檢驗(yàn)方法相比，軋工質(zhì)量視覺(jué)系統(tǒng)檢測(cè)準(zhǔn)確率達(dá)94.20%，檢測(cè)偏差上下浮動(dòng)不大于1個(gè)軋工質(zhì)量等級(jí)，與國(guó)標(biāo)檢驗(yàn)結(jié)果一致性高。單個(gè)棉樣系統(tǒng)檢測(cè)耗時(shí)1.2s，檢測(cè)效率提升77.36%。系統(tǒng)能夠滿足現(xiàn)場(chǎng)使用要求,為棉花軋工質(zhì)量指標(biāo)的儀器化檢測(cè)提供了技術(shù)參考。

摘要:針對(duì)作物病害識(shí)別系統(tǒng)功能單一，缺乏系統(tǒng)升級(jí)機(jī)制，人工升級(jí)系統(tǒng)成本較大的問(wèn)題，以番茄病害為例，提出了基于OpenCV的番茄葉片圖像自動(dòng)標(biāo)注算法和改進(jìn)YOLO v5的番茄病害識(shí)別模型；結(jié)合數(shù)據(jù)集自動(dòng)劃分、模型自動(dòng)訓(xùn)練與評(píng)估、手機(jī)APP自動(dòng)創(chuàng)建與更新理念，設(shè)計(jì)了一種可以自動(dòng)升級(jí)的番茄病害識(shí)別系統(tǒng)；引入專(zhuān)家審查校正機(jī)制，提高了系統(tǒng)識(shí)別結(jié)果的可靠性。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)實(shí)現(xiàn)了對(duì)番茄的健康葉片與9類(lèi)病害葉片進(jìn)行識(shí)別，可以在實(shí)際應(yīng)用中通過(guò)手機(jī)APP識(shí)別番茄病害的同時(shí)自動(dòng)擴(kuò)充番茄病害圖像數(shù)據(jù)集，并根據(jù)數(shù)據(jù)擴(kuò)充量自動(dòng)啟動(dòng)系統(tǒng)的升級(jí)優(yōu)化流程，由此不斷提升該系統(tǒng)的番茄病害識(shí)別性能。該系統(tǒng)為番茄生產(chǎn)提供了一個(gè)便捷、可靠的番茄病害識(shí)別工具。

摘要:為減少水稻產(chǎn)量損失，迫切需要建立快速、準(zhǔn)確的水稻葉瘟監(jiān)測(cè)和鑒別方法。本文以東北水稻為研究對(duì)象，以小區(qū)試驗(yàn)為基礎(chǔ)，使用高光譜圖像儀獲取受稻瘟病菌侵染后不同發(fā)病程度的水稻葉片高光譜圖像并提取光譜數(shù)據(jù)。首先，通過(guò)SG平滑方法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，然后運(yùn)用主成分分析（PCA）、Pearson相關(guān)系數(shù)分析法（PCCs）、PLS-VIP方法對(duì)光譜數(shù)據(jù)進(jìn)行降維，并提出了一種基于Logistic混沌映射PSO尋優(yōu)的SVM分級(jí)檢測(cè)模型（LMPSO-SVM）。為了驗(yàn)證提出方法的有效性，以不同降維方法提取的特征變量為輸入，分別建立基于人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）和PSO-SVM的分級(jí)模型并進(jìn)行對(duì)比分析。仿真結(jié)果表明，各模型對(duì)4級(jí)病害的識(shí)別效果最好，綜合5種級(jí)別病害，SVM和ANN分級(jí)模型的預(yù)測(cè)準(zhǔn)確率波動(dòng)相對(duì)較大，對(duì)于病害預(yù)測(cè)效果不太理想；而在不同特征選擇下建立的LMPSO-SVM分級(jí)模型對(duì)各級(jí)病害預(yù)測(cè)準(zhǔn)確率均較高，準(zhǔn)確率波動(dòng)較小，其中基于PCA提取特征變量和全波段作為輸入的模型平均準(zhǔn)確率非常相近，分別為96.49%和96.12%，PCA提取的輸入變量?jī)H為5個(gè)，大大簡(jiǎn)化了模型復(fù)雜性，降低了訓(xùn)練難度和訓(xùn)練時(shí)間。綜合分析，PCA-LMPSO-SVM模型的訓(xùn)練效果最好，可以認(rèn)為是最佳病害分級(jí)模型，其5種級(jí)別病害準(zhǔn)確率分別為94.29%、96.43%、93.44%、98.30%和100%。因此，本文提出的方法可進(jìn)一步提高水稻稻瘟病分級(jí)檢測(cè)精度和可靠性，結(jié)果可為確定稻瘟病發(fā)生情況提供一定的理論基礎(chǔ)和技術(shù)支撐。

摘要:針對(duì)水稻病害識(shí)別方法準(zhǔn)確度低、模型收斂速度緩慢的問(wèn)題，本文提出了一種高性能的輕量級(jí)水稻病害識(shí)別模型，簡(jiǎn)稱為CA（Coordinate attention）-MobileNetV3。通過(guò)微調(diào)的遷移學(xué)習(xí)策略完善了模型的訓(xùn)練，提升了模型收斂速度。首先創(chuàng)建10個(gè)種類(lèi)的數(shù)據(jù)集，其中包含9種水稻病害和1種水稻健康葉片。其次使用CA模塊，在通道注意力中嵌入空間坐標(biāo)信息，提高模型的特征提取能力與泛化能力。最后，將改進(jìn)后的MobileNetV3網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)，并加入SVM多分類(lèi)器，提高模型精度。實(shí)驗(yàn)結(jié)果表明，在本文構(gòu)建的水稻病害數(shù)據(jù)集上，初始的MobileNetV3識(shí)別準(zhǔn)確率僅為95.78%，F(xiàn)1值為95.36%；加入CA模塊后識(shí)別準(zhǔn)確率和F1值分別提高至96.73%和96.56%；再加入SVM多分類(lèi)器，通過(guò)遷移學(xué)習(xí)后，改進(jìn)模型的識(shí)別準(zhǔn)確率和F1值分別達(dá)到97.12%和97.04%，參數(shù)量和耗時(shí)僅為2.99×106和0.91s，明顯優(yōu)于其他模型。本文提出的CA-MobileNetV3水稻病害識(shí)別模型能夠有效識(shí)別水稻葉部病害，實(shí)現(xiàn)了輕量級(jí)、高性能、易部署的水稻病害分類(lèi)識(shí)別算法。

摘要:針對(duì)現(xiàn)有草莓病害程度診斷方法存在識(shí)別精度低、參數(shù)量大、推理時(shí)間長(zhǎng)等問(wèn)題，提出了一種基于交互式雙分支特征融合的草莓病害程度快速診斷方法。該方法首先以短程密集連接模塊為基礎(chǔ)，構(gòu)建一種輕量化的交互式雙分支特征融合網(wǎng)絡(luò)（Interactive bilateral feature fusion network，IBFFNet），用于提取圖像的語(yǔ)義特征和細(xì)節(jié)特征。然后，通過(guò)注意力簡(jiǎn)化的金字塔池化模塊獲取上下文分支中的多尺度語(yǔ)義特征，利用邊緣增強(qiáng)模塊豐富空間分支中的邊緣細(xì)節(jié)特征。最后，融合多尺度語(yǔ)義特征和空間細(xì)節(jié)特征，實(shí)現(xiàn)病斑和葉片區(qū)域的精確分割。在草莓葉部病害程度數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果顯示，IBFFNet2_Seg的平均交并比達(dá)到77.8%，在單張NVIDIA GTX1050顯卡上處理速度可達(dá)40.6f/s，滿足實(shí)際應(yīng)用中對(duì)算法實(shí)時(shí)性和分割精度的要求。此外，在測(cè)試集上IBFFNet2_Seg預(yù)測(cè)病害程度與真實(shí)程度的決定系數(shù)R2為0.98，說(shuō)明該模型可以準(zhǔn)確預(yù)測(cè)草莓病害嚴(yán)重程度。本研究可為草莓病害精準(zhǔn)防治提供可靠的技術(shù)支撐。

摘要:甜椒在生長(zhǎng)發(fā)育過(guò)程中容易產(chǎn)生畸形果，機(jī)器代替人工對(duì)甜椒畸形果識(shí)別和摘除一方面可提高甜椒品質(zhì)和產(chǎn)量，另一方面可解決當(dāng)前人工成本過(guò)高、效率低下等問(wèn)題。為實(shí)現(xiàn)機(jī)器人對(duì)甜椒果實(shí)的識(shí)別，提出了一種基于改進(jìn)YOLO v7-tiny目標(biāo)檢測(cè)模型，用于區(qū)分正常生長(zhǎng)和畸形生長(zhǎng)的甜椒果實(shí)。將無(wú)參數(shù)注意力機(jī)制（Parameterfree attention module, SimAM）融合到骨干特征提取網(wǎng)絡(luò)中，增強(qiáng)模型的特征提取和特征整合能力；用Focal-EIOU（Focal and efficient intersection over union）損失替換原損失函數(shù)CIOU（Complete intersection over union），加快模型收斂并降低損失值；使用SiLU激活函數(shù)代替原網(wǎng)絡(luò)中的Leaky ReLU，增強(qiáng)模型的非線性特征提取能力。試驗(yàn)結(jié)果表明，改進(jìn)后的模型整體識(shí)別精確度、召回率、平均精度均值（Mean average precision, mAP）mAP0.5、mAP0.5-0.95分別為99.1%、97.8%、98.9%、94.5%，與改進(jìn)前相比，分別提升5.4、4.7、2.4、10.7個(gè)百分點(diǎn)，模型內(nèi)存占用量為 10.6MB，單幅圖像檢測(cè)時(shí)間為4.2ms。與YOLO v7、Scaled-YOLO v4、YOLOR-CSP等目標(biāo)檢測(cè)模型相比，模型在F1值上與YOLO v7相同，相比Scaled-YOLO v4、YOLOR-CSP分別提升0.7、0.2個(gè)百分點(diǎn)，在mAP0.5-0.95上分別提升0.6、1.2、0.2個(gè)百分點(diǎn)，而內(nèi)存占用量?jī)H為上述模型的14.2%、10.0%、10.0%。本文所提出的模型實(shí)現(xiàn)了小體量而高精度，便于在移動(dòng)端進(jìn)行部署，為后續(xù)機(jī)械化采摘和品質(zhì)分級(jí)提供技術(shù)支持。

摘要:甘蔗蔗梢分叉點(diǎn)的精確識(shí)別與高度定位是實(shí)現(xiàn)甘蔗收獲機(jī)切梢器實(shí)時(shí)控制的關(guān)鍵技術(shù)之一，也是提高甘蔗收獲機(jī)械化水平和降低甘蔗含雜率的重要途徑。針對(duì)甘蔗地環(huán)境復(fù)雜、光照變化大、蔗梢分叉點(diǎn)相互遮擋等問(wèn)題，首先通過(guò)田間調(diào)查，并現(xiàn)場(chǎng)測(cè)試、分析甘蔗生長(zhǎng)點(diǎn)、甘蔗分叉點(diǎn)及相互關(guān)系的特征規(guī)律，采集圖像的甘蔗分叉點(diǎn)的統(tǒng)計(jì)分析，并結(jié)合現(xiàn)場(chǎng)對(duì)甘蔗分叉點(diǎn)高度的測(cè)量統(tǒng)計(jì)分析，發(fā)現(xiàn)其均具有明顯的正態(tài)統(tǒng)計(jì)特征。接著，提出了一種基于改進(jìn)YOLO v5s的蔗梢分叉點(diǎn)識(shí)別方法。該方法采用單目和雙目相機(jī)在廣西大學(xué)扶綏農(nóng)科基地采集甘蔗圖像數(shù)據(jù)，并進(jìn)行數(shù)據(jù)預(yù)處理和標(biāo)注，構(gòu)建了甘蔗蔗梢分叉點(diǎn)數(shù)據(jù)集。然后，在YOLO v5s中引入BiFPN特征融合結(jié)構(gòu)和CA注意力機(jī)制，以增強(qiáng)不同層次特征的交互和表達(dá)能力，并使用GSConv卷積和Slim-Neck范式設(shè)計(jì)，在原始模型主干網(wǎng)絡(luò)中引入Ghost模塊替換原始普通卷積，來(lái)降低模型的計(jì)算量和參數(shù)量，提高模型的運(yùn)行效率。最后，通過(guò)在現(xiàn)場(chǎng)采集的數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試，驗(yàn)證了該方法的有效性和優(yōu)越性。實(shí)驗(yàn)結(jié)果表明，該方法在甘蔗蔗梢分叉點(diǎn)數(shù)據(jù)集上平均精確率達(dá)到92.3%、召回率89.3%和檢測(cè)時(shí)間19.3ms，相比原始YOLO v5s網(wǎng)絡(luò)，平均精確率提高5個(gè)百分點(diǎn)，召回率提高4個(gè)百分點(diǎn)，參數(shù)量降低43%，模型內(nèi)存占用量減少5.5MB，檢測(cè)時(shí)間減少0.7ms。最后，根據(jù)甘蔗分叉點(diǎn)具有明顯的正態(tài)統(tǒng)計(jì)特征的規(guī)律，利用該特征結(jié)合雙目視覺(jué)的定位算法，可為開(kāi)展甘蔗收獲機(jī)切梢的特征識(shí)別、切梢器高度定位及實(shí)時(shí)控制研究奠定理論及技術(shù)基礎(chǔ)。

摘要:魚(yú)群活躍度是魚(yú)類(lèi)健康福利養(yǎng)殖的特征性指標(biāo)之一，實(shí)現(xiàn)魚(yú)群活躍度細(xì)粒度分類(lèi)有利于更精細(xì)地描述魚(yú)群健康狀況、評(píng)估魚(yú)群福利水平?；诠S化循環(huán)水養(yǎng)殖系統(tǒng)，本文建立了水下大西洋鮭魚(yú)群活躍度細(xì)粒度分類(lèi)視頻數(shù)據(jù)集，并提出一種基于幀間深度特征差分的魚(yú)群活躍度分類(lèi)模型，通過(guò)引入殘差連接的小型卷積神經(jīng)網(wǎng)絡(luò)提取視頻幀的特征，進(jìn)而在相鄰幀之間做差分運(yùn)算和平方運(yùn)算得到視頻幀間特征，最后將其輸入基于外部注意力機(jī)制的分類(lèi)網(wǎng)絡(luò)IFDNet中得到視頻類(lèi)別。試驗(yàn)結(jié)果表明，本文提出的CNN-IFDNet模型分類(lèi)準(zhǔn)確率達(dá)到97.72%，F(xiàn)1值達(dá)到97.42%，以較低的計(jì)算復(fù)雜度實(shí)現(xiàn)了對(duì)水下視頻魚(yú)群活躍度的三分類(lèi)。相較于實(shí)驗(yàn)室環(huán)境，基于真實(shí)養(yǎng)殖環(huán)境對(duì)魚(yú)群活躍度所展開(kāi)的算法研究實(shí)際應(yīng)用性更強(qiáng)，可以為精細(xì)化描述魚(yú)群的活躍度、實(shí)現(xiàn)智能監(jiān)測(cè)魚(yú)類(lèi)健康狀況提供參考，幫助養(yǎng)殖人員發(fā)現(xiàn)并排除導(dǎo)致魚(yú)群活躍度異常的水質(zhì)環(huán)境、病害等因素。

摘要:蛋鴨行為模式是判斷籠養(yǎng)鴨養(yǎng)殖過(guò)程中健康狀況及福利狀態(tài)的重要指標(biāo)，為了通過(guò)機(jī)器視覺(jué)實(shí)現(xiàn)識(shí)別蛋鴨多行為模式，提出了一種基于改進(jìn)YOLO v4 (You only look once)的目標(biāo)檢測(cè)算法，不同的行為模式為蛋鴨的養(yǎng)殖管理方案提供依據(jù)。本文算法通過(guò)更換主干特征提取網(wǎng)絡(luò)MobileNetV2，利用深度可分離卷積模塊，在提升檢測(cè)精度的同時(shí)降低模型參數(shù)量，有效提升檢測(cè)速度。在預(yù)測(cè)輸出部分引入無(wú)參數(shù)的注意力機(jī)制SimAM模塊，進(jìn)一步提升模型檢測(cè)精度。通過(guò)使用本文算法對(duì)籠養(yǎng)蛋鴨行為驗(yàn)證集進(jìn)行了檢測(cè)，優(yōu)化后模型平均精度均值達(dá)到96.97%，圖像處理幀率為49.28f/s，相比于原始網(wǎng)絡(luò)模型，平均精度均值及處理速度分別提升5.03%和88.24%。與常用目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行效果對(duì)比，改進(jìn)YOLO v4網(wǎng)絡(luò)相較于Faster R-CNN、YOLO v5、YOLOX的檢測(cè)平均精度均值分別提升12.07%、30.6%及2.43%。將本文提出的改進(jìn)YOLO v4網(wǎng)絡(luò)進(jìn)行試驗(yàn)研究，試驗(yàn)結(jié)果表明本文算法可以準(zhǔn)確地對(duì)不同時(shí)段的籠養(yǎng)蛋鴨行為進(jìn)行記錄，根據(jù)蛋鴨表現(xiàn)出的不同行為模式來(lái)幫助識(shí)別蛋鴨的異常情況，如部分行為發(fā)生異常時(shí)長(zhǎng)或在異常時(shí)段發(fā)生等，從而為蛋鴨的養(yǎng)殖管理提供有價(jià)值的指導(dǎo)，為實(shí)現(xiàn)鴨舍自動(dòng)化、智能化管理提供技術(shù)支持。

摘要:針對(duì)目前群養(yǎng)生豬智能化養(yǎng)殖中復(fù)雜環(huán)境下豬只目標(biāo)檢測(cè)精度低的問(wèn)題，提出了一種基于改進(jìn)YOLOX的群養(yǎng)生豬輕量化目標(biāo)檢測(cè)模型Ghost-YOLOX-BiFPN。該模型采用Ghost卷積替換普通卷積，在減少主干網(wǎng)絡(luò)參數(shù)的情況下，提高了模型的特征提取能力。使用加入CBAM注意力機(jī)制的BiFPN作為模型的Neck部分，使得模型充分融合不同體型豬只的特征圖，并使用Focal Loss損失函數(shù)解決豬圈環(huán)境下豬只與背景難以區(qū)分的問(wèn)題，增強(qiáng)模型對(duì)正樣本的學(xué)習(xí)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后模型對(duì)群養(yǎng)生豬檢測(cè)精度為95.80%，相比于原始YOLOX算法，檢測(cè)精度提升2.84個(gè)百分點(diǎn)，參數(shù)量降低63%。最后將本文輕量化模型部署到Nvidia Jetson Nano移動(dòng)端開(kāi)發(fā)板，通過(guò)在開(kāi)發(fā)板上實(shí)際運(yùn)行表明，本文所提模型實(shí)現(xiàn)了對(duì)不同大小、不同品種豬只的準(zhǔn)確識(shí)別，為后續(xù)智能化生豬養(yǎng)殖提供支持。

摘要:針對(duì)玉米育種文本數(shù)據(jù)中存在重疊三元組、實(shí)體表達(dá)方式多樣等問(wèn)題，提出一種嵌入詞匯信息的BERT-CRF（Bidirectional encoder representations from transformers-conditional random field）玉米育種實(shí)體關(guān)系聯(lián)合抽取方法。首先，分析了玉米育種語(yǔ)料表達(dá)特征，采用對(duì)實(shí)體邊界、關(guān)系類(lèi)別和實(shí)體位置信息同步標(biāo)注的策略；其次，構(gòu)建了嵌入詞匯信息的BERT-CRF模型進(jìn)行訓(xùn)練和預(yù)測(cè)，自建玉米育種知識(shí)詞典，通過(guò)在BERT中嵌入詞匯信息，融合字符特征和詞匯特征，增強(qiáng)模型的語(yǔ)義能力，利用CRF模型輸出全局最優(yōu)標(biāo)簽序列，設(shè)計(jì)了實(shí)體關(guān)系三元組匹配算法（Entity and relation triple matching algorithm，ERTM），將標(biāo)簽進(jìn)行匹配和映射來(lái)獲取三元組；最后，為驗(yàn)證該方法的有效性，在玉米育種數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明，本文模型精確率、召回率和F1值分別為91.84%、95.84%、93.80%，與現(xiàn)有模型相比性能均有提升。說(shuō)明該方法能夠有效抽取玉米育種領(lǐng)域知識(shí)，為構(gòu)建玉米育種知識(shí)圖譜及其它下游任務(wù)提供數(shù)據(jù)基礎(chǔ)。

摘要:在動(dòng)物體溫異常識(shí)別中，紅外測(cè)溫等方式容易產(chǎn)生系統(tǒng)偏差使得判斷結(jié)果不可靠?；谏疃葘W(xué)習(xí)的方法在不同測(cè)溫設(shè)備上的魯棒性與泛化性能較差，且難以應(yīng)用于數(shù)據(jù)量少、隨機(jī)性強(qiáng)、標(biāo)準(zhǔn)不一致等非規(guī)范化的測(cè)溫場(chǎng)景。因此，本文提出了一種面向非規(guī)范化數(shù)據(jù)源的動(dòng)物體溫異常識(shí)別方法，通過(guò)衡量體溫時(shí)序數(shù)據(jù)間的相似度即可完成異常識(shí)別。針對(duì)常用的相似性度量算法在序列匹配、序列間距度量上效果不佳的問(wèn)題，提出了一種改進(jìn)的動(dòng)態(tài)時(shí)間規(guī)整算法(Improved dynamic time warping, iDTW)。在點(diǎn)間度量方式上，綜合歐氏距離和一階導(dǎo)數(shù)，改善了序列過(guò)度對(duì)齊問(wèn)題。使用序列交并比表示序列整體特征，提升了序列間距度量效果。針對(duì)不等長(zhǎng)序列及過(guò)長(zhǎng)序列的異常檢測(cè)問(wèn)題，提出了基于滑動(dòng)窗口和序列等分的異常檢測(cè)方法。以較短序列為滑動(dòng)窗口遍歷較長(zhǎng)序列得到一組序列間距，根據(jù)訓(xùn)練和檢測(cè)的不同階段分別選擇其中的最小值或最大值作為相似度衡量結(jié)果，以解決不等長(zhǎng)序列匹配問(wèn)題。將過(guò)長(zhǎng)的樣本數(shù)據(jù)序列等分為多個(gè)子序列，取子序列的間距和為樣本間距，以解決過(guò)長(zhǎng)序列導(dǎo)致的正常樣本間距過(guò)大和異常漏檢問(wèn)題。在公開(kāi)數(shù)據(jù)集UCR上的實(shí)驗(yàn)分析表明，相比于歐氏距離、動(dòng)態(tài)時(shí)間規(guī)整、一階導(dǎo)數(shù)動(dòng)態(tài)時(shí)間規(guī)整和權(quán)重動(dòng)態(tài)時(shí)間規(guī)整算法，iDTW算法結(jié)合K-近鄰分類(lèi)器得到的分類(lèi)準(zhǔn)確率在10個(gè)UCR數(shù)據(jù)集上分別平均提高6.0、3.0、5.2、2.5個(gè)百分點(diǎn)?；诨瑒?dòng)窗口和序列等分的異常檢測(cè)方法相比于經(jīng)典異常檢測(cè)算法，在3種動(dòng)物體溫?cái)?shù)據(jù)集上的F1值均獲得了明顯提升。

摘要:為研究水頭多重調(diào)控下微潤(rùn)管出流與土壤水分運(yùn)移規(guī)律，進(jìn)行了不同水頭調(diào)控模式下微潤(rùn)灌入滲試驗(yàn)，設(shè)置調(diào)增(0→1m(水頭由0m調(diào)節(jié)到1m，以下類(lèi)推)、0→2m、1→2m)和調(diào)減水頭(1→0m、2→0m、2→1m)，研究微潤(rùn)管出流、濕潤(rùn)體及含水率變化規(guī)律；將微潤(rùn)管假定為多孔介質(zhì)重黏土，利用HYDRUS 2D模型對(duì)水頭多重調(diào)控下微潤(rùn)管出流和土壤水分運(yùn)移進(jìn)行了模擬，據(jù)此分析了多重變水頭情景下微潤(rùn)灌土壤水分動(dòng)態(tài)規(guī)律。結(jié)果表明，水頭調(diào)節(jié)顯著改變累積入滲量、入滲率與時(shí)間關(guān)系曲線，累積入滲量曲線呈折線型，曲線斜率隨著調(diào)增或調(diào)減而有規(guī)律增減；水頭調(diào)節(jié)導(dǎo)致入滲率發(fā)生驟增或驟降，穩(wěn)定入滲率與水頭存在線性正相關(guān)關(guān)系。調(diào)增水頭時(shí)濕潤(rùn)鋒內(nèi)含水率驟升，正向反饋顯著；水頭調(diào)減后管周含水率微弱下降后逐漸回升。將微潤(rùn)管模擬為質(zhì)地黏重的多孔介質(zhì)，基于HYDRUS 2D模型較好地模擬了微潤(rùn)管出流及水分運(yùn)移，優(yōu)度較好(決定系數(shù)R2≥0.90，納什效率系數(shù)（NSE）大于等于0.70，相對(duì)標(biāo)準(zhǔn)偏差（RSR）趨近于0)。構(gòu)建了多重水頭調(diào)控模式(0→1→2m、0→2→1m、1→0→2m、1→2→0m、2→0→1m、2→1→0m)，分析了多情景下微潤(rùn)灌土壤水分動(dòng)態(tài)規(guī)律，發(fā)現(xiàn)水頭調(diào)增后入滲率隨時(shí)間呈現(xiàn)“指數(shù)減小后穩(wěn)定”規(guī)律，而調(diào)減后入滲率表現(xiàn)為“指數(shù)增加后穩(wěn)定”；連續(xù)調(diào)增0→1→2m方案下，最終累積入滲量最大；連續(xù)調(diào)減下(2→1→0m)累積入滲量較調(diào)增方案降低3.7%，可通過(guò)調(diào)控水頭控制濕潤(rùn)鋒推移和濕潤(rùn)體內(nèi)含水率分布，且微潤(rùn)管附近含水率對(duì)水頭調(diào)控響應(yīng)更為顯著。研究可為微潤(rùn)灌動(dòng)態(tài)水頭調(diào)控提供科學(xué)依據(jù)，并與智慧灌溉相融合實(shí)時(shí)調(diào)控水頭，適量地補(bǔ)給作物需水并維系根區(qū)適宜水分環(huán)境，實(shí)現(xiàn)精準(zhǔn)灌溉。

摘要:為確定適宜枸杞灌溉的微咸水代表性鹽離子濃度限值，于2019—2020年在河套灌區(qū)下游開(kāi)展NaCl、CaCl2、CaSO4、NaHCO3、Na2SO4 5種代表性地下水鹽分類(lèi)型和4種濃度水平（質(zhì)量濃度0.1、0.5、2.0、4.0g/L）的田間交叉試驗(yàn)。結(jié)果表明：在相同礦化度下，外源NaCl、NaHCO3影響下枸杞生育期受滲透脅迫、次生脅迫最強(qiáng)，外源CaCl2質(zhì)量濃度低于2.0g/L能夠緩解枸杞滲透脅迫，外源CaCl2、CaSO4質(zhì)量濃度低于4.0g/L能夠緩解次生脅迫。枸杞干果產(chǎn)量、百粒干質(zhì)量隨外源NaCl、Na2SO4、CaSO4質(zhì)量濃度升高而降低，在0.1g/L時(shí)達(dá)峰值，隨外源CaCl2質(zhì)量濃度升高呈單峰分布，0.5g/L時(shí)最高。枸杞果實(shí)中總糖含量、黃酮含量、氨基酸總量隨外源CaCl2、CaSO4質(zhì)量濃度升高先升后降，分別在0.5、2.0、2.0g/L時(shí)達(dá)峰值。甜菜堿含量、氨基酸總量隨NaCl、Na2SO4、NaHCO3質(zhì)量濃度升高而降低，超過(guò)0.1g/L后顯著下降。類(lèi)胡蘿卜素含量隨CaCl2、NaHCO3質(zhì)量濃度升高先升后降，分別在2.0、0.5g/L時(shí)達(dá)峰值。相同陰離子（Cl-、SO2-4）環(huán)境下，Na+、Ca2+分別對(duì)枸杞產(chǎn)量、品質(zhì)的綜合評(píng)分存在降低、提升作用，相同陽(yáng)離子（Na+）環(huán)境下，陰離子對(duì)綜合評(píng)分的負(fù)面影響由大到小依次為Cl-、SO2-4、HCO-3。基于高斯回歸發(fā)現(xiàn)，當(dāng)Na+、Ca2+、Cl-、SO2-4、HCO-3濃度分別為18.6~19.2mmol/L、12.2~13.0mmol/L、63.0~68.4mmol/L、6.3~14.4mmol/L、5.5~14.0mmol/L時(shí)，枸杞種植效益貼合度較高（Ci>0.7）。隨Ci標(biāo)準(zhǔn)提高，Na+、Cl-、SO2-4、HCO-3濃度向取值下限（18.6、63.0、6.3、5.5mmol/L）逼近，Ca2+濃度向上限（13.0mmol/L）逼近。以高于不同水質(zhì)下產(chǎn)量、品質(zhì)綜合評(píng)分的平均值0.46為標(biāo)準(zhǔn)，發(fā)現(xiàn)灌溉微咸水中Na+、Cl-、SO2-4、HCO-3存在濃度上限限值，分別為34.8、81.6、22.6、21.4mmol/L，Ca2+存在下限限值，為9.8mmol/L。研究可為指導(dǎo)河套灌區(qū)不同水質(zhì)區(qū)枸杞種植提供科學(xué)依據(jù)。

摘要:為探尋滴灌水肥一體化條件下北方半干旱地區(qū)蘋(píng)果樹(shù)種植的最佳水肥協(xié)同調(diào)控制度，設(shè)置灌水與施肥2個(gè)試驗(yàn)因素，滴灌灌水量設(shè)4個(gè)水平，根據(jù)田間持水率θf(wàn)的不同百分比確定灌水下上限：75%θf(wàn)~90%θf(wàn)（W1）、65%θf(wàn)~80%θf(wàn)（W2）、55%θf(wàn)~70%θf(wàn)（W3）、45%θf(wàn)~60%θf(wàn)（W4）；滴灌施肥量設(shè)3個(gè)水平，N、P2O5、K2O與風(fēng)干土質(zhì)量比分別為：0.9、0.3、0.3g/kg（F1）；0.6、0.3、0.3g/kg（F2）；0.3、0.3、0.3g/kg（F3），分析滴灌施肥協(xié)同調(diào)控對(duì)蘋(píng)果樹(shù)生長(zhǎng)生理指標(biāo)、生物質(zhì)量與產(chǎn)量、果實(shí)品質(zhì)以及水肥利用效率的影響，最終基于TOPSIS法建立以高效、高產(chǎn)、高品為目標(biāo)的蘋(píng)果綜合指標(biāo)評(píng)價(jià)模型。結(jié)果表明，滴灌施肥協(xié)同調(diào)控下蘋(píng)果樹(shù)植株生長(zhǎng)量、基莖生長(zhǎng)量和葉面積最大值均出現(xiàn)在F1W2處理，蘋(píng)果樹(shù)凈光合速率、蒸騰速率和葉綠素含量基本上隨灌水量和施肥量的增加而增加，最大值均出現(xiàn)在F1W1處理，全生育期干物質(zhì)量和產(chǎn)量在F1W1和F1W2處理下差異不明顯，水分利用效率和水分生產(chǎn)率最大值均出現(xiàn)在F1W2處理，與F1W1處理相比，分別提高10.6%和11.1%，肥料偏生產(chǎn)力基本上隨灌水量的增加和施肥量的減少而增加，增加灌水量有利于提高蘋(píng)果著色指數(shù)、果形指數(shù)和糖酸比，增加施肥量有利于提高蘋(píng)果單果質(zhì)量、維生素C含量和可溶性糖含量。綜合4類(lèi)17個(gè)指標(biāo)建立TOPSIS多目標(biāo)綜合評(píng)價(jià)模型，代入各指標(biāo)最終權(quán)重計(jì)算得出F1W2處理貼近度最大，為0.7653，此處理?xiàng)l件下蘋(píng)果綜合指標(biāo)評(píng)價(jià)最優(yōu)，而F3W4處理最差，僅為0.2583。綜上，本試驗(yàn)水肥協(xié)同調(diào)控下灌水量下上限控制在田間持水率的65%~80%，施N、P2O5、K2O與風(fēng)干土質(zhì)量比分別為0.9、0.3、0.3g/kg是蘋(píng)果樹(shù)的最佳水肥管理制度。

摘要:在黃河流域生態(tài)保護(hù)和高質(zhì)量發(fā)展戰(zhàn)略背景下，流域上游實(shí)施綠水管理對(duì)于涵養(yǎng)水源、保護(hù)脆弱生態(tài)，以及緩解流域缺水形勢(shì)具有重要意義。選取黃河流域上游的湟水流域構(gòu)建SWAT水文模型，模擬等高耕作、殘茬覆蓋、石線、梯田和15°以上坡地退耕還林等5種綠水管理措施，分析水量、水沙和水質(zhì)的變化；結(jié)合水-沙-質(zhì)管理協(xié)同水平，探究不同措施的效果與適用性。結(jié)果表明，15°以上坡地退耕還林在增加產(chǎn)水量和地下水補(bǔ)給方面效果最優(yōu)，分別為1.77×107m3和1.72×107m3；等高耕作和石線能有效調(diào)節(jié)年內(nèi)徑流分配、削減汛期徑流量。5種措施均能削減產(chǎn)沙負(fù)荷，其中梯田和石線的效果較顯著，削減率分別為13.5%和13.0%。5種措施均能減少總氮（TN）和總磷（TP）負(fù)荷量，且干旱年削減率高于濕潤(rùn)年；梯田和等高耕作削減效果較好，削減率分別為24.6%、14.7%（TN）和45.3%、21.9%（TP）。通過(guò)水-沙-質(zhì)管理協(xié)同分析，除殘茬覆蓋為高等耦合外，其他4種情景下均能達(dá)到優(yōu)等耦合；耦合協(xié)調(diào)度由大到小依次為梯田、15°以上坡地退耕還林、石線、等高耕作、殘茬覆蓋。研究結(jié)果可為黃河流域綠水管理措施選取和水資源優(yōu)化配置提供參考。

摘要:冠氣溫差能夠間接監(jiān)測(cè)作物水分變化規(guī)律，而冠層溫度與大氣溫度之間存在的時(shí)滯效應(yīng)會(huì)影響監(jiān)測(cè)效果，為探明兩者之間的時(shí)滯效應(yīng)變化規(guī)律及影響因素，本研究以拔節(jié)期至乳熟期的冬小麥為研究對(duì)象，利用紅外溫度傳感器連續(xù)監(jiān)測(cè)灌溉上限分別為田間持水率的95%（T1）、80%（T2）、65%（T3）和50%（T4）4個(gè)不同灌溉處理的冠層溫度，并同步獲取短波凈輻射（Short-wave net radiation, RS）、大氣溫度（Atmospheric temperature, TA）、相對(duì)濕度（Relative humidity, RH）等氣象數(shù)據(jù)。利用錯(cuò)位相關(guān)法計(jì)算冠層溫度與大氣溫度之間的時(shí)滯時(shí)間（Time lag, TL），分析其在不同生育期和不同灌溉條件下變化規(guī)律，并采用相關(guān)性分析法探究氣象因子（RS、TA、RH）變化率和日均值與時(shí)滯時(shí)間的相關(guān)性，最后通過(guò)通徑分析探討氣象因子（RS、TA、RH）、土壤含水率（Soil moisture content, SMC）以及葉面積指數(shù)（Leaf area index, LAI）對(duì)時(shí)滯時(shí)間的共同影響。結(jié)果表明：不同生育期和不同灌溉條件下冬小麥冠層溫度變化均提前于大氣溫度；在不同灌溉處理下，T1、T2和T3處理的時(shí)滯時(shí)間高于T4處理，且在不同生育期下，時(shí)滯時(shí)間呈現(xiàn)先減少再增加的趨勢(shì)。短波凈輻射變化率（Change rate of short-wave net radiation, RSCR）、大氣溫度變化率（Change rate of atmospheric temperature, TACR）和相對(duì)濕度變化率（Change rate of relative humidity, RHCR）與時(shí)滯時(shí)間的相關(guān)性均高于對(duì)應(yīng)日均值與時(shí)滯時(shí)間的相關(guān)性；同時(shí)，RSCR與時(shí)滯時(shí)間的相關(guān)程度最高（相關(guān)系數(shù)R為0.718~0.806），TACR次之（R為0.582~0.661），RHCR最低（R為-0.534~-0.570）。利用通徑分析發(fā)現(xiàn)，時(shí)滯時(shí)間主要受RSCR、SMC以及LAI共同影響，但在不同灌溉條件下影響時(shí)滯時(shí)間的主要因素存在差異，其中T1、T2和T3處理主要受RSCR和LAI影響，而T4主要受RSCR和SMC影響。研究可為利用冠氣溫差信息監(jiān)測(cè)作物水分變化進(jìn)一步提供理論依據(jù)。

摘要:農(nóng)業(yè)技術(shù)轉(zhuǎn)移決策支持系統(tǒng)（DSSAT）在農(nóng)業(yè)領(lǐng)域的應(yīng)用越來(lái)越廣泛，應(yīng)用DSSAT的首要工作就是估計(jì)作物品種參數(shù)。GLUE參數(shù)估計(jì)器是DSSAT自帶的參數(shù)估計(jì)工具，但GLUE參數(shù)估計(jì)器所估計(jì)的品種參數(shù)并不總有效，其估計(jì)參數(shù)的DSSAT模擬精度往往不高。本文利用4個(gè)品種水稻的田間實(shí)測(cè)產(chǎn)量數(shù)據(jù)，采用對(duì)比分析方法，以DSSAT自帶的GLUE參數(shù)估計(jì)器運(yùn)行結(jié)果為參照，將粒子群優(yōu)化（PSO）的每個(gè)粒子視為一組水稻品種參數(shù)，在運(yùn)行PSO算法過(guò)程中調(diào)用DSSAT模擬水稻產(chǎn)量，依據(jù)產(chǎn)量模擬誤差和PSO的運(yùn)行機(jī)制修改粒子，從而驗(yàn)證PSO優(yōu)化DSSAT水稻品種參數(shù)的有效性及可行性。研究結(jié)果表明：兩種算法均能較好識(shí)別DSSAT水稻品種參數(shù)，但GLUE參數(shù)估計(jì)器估計(jì)參數(shù)無(wú)效的頻次較高；與GLUE參數(shù)估計(jì)器相比，PSO識(shí)別的參數(shù)均為有效參數(shù)，其優(yōu)化參數(shù)的DSSAT模擬水稻產(chǎn)量的精度更高，標(biāo)準(zhǔn)化均方根誤差（NRMSE）處于5.98%~8.78%之間，明顯低于GLUE參數(shù)估計(jì)器的6.89%~18.06%，所模擬的水稻產(chǎn)量也更接近于實(shí)測(cè)產(chǎn)量。

摘要:在規(guī)模化的生豬養(yǎng)殖生產(chǎn)中，環(huán)境質(zhì)量對(duì)于豬群的健康及生長(zhǎng)發(fā)育至關(guān)重要。為實(shí)現(xiàn)豬舍環(huán)境精準(zhǔn)調(diào)控，以STM32單片機(jī)為核心，構(gòu)建了基于物聯(lián)網(wǎng)的豬舍環(huán)境智能控制系統(tǒng)；同時(shí)提出了基于雙深度Q網(wǎng)絡(luò)（Double deep Q-Network,Double DQN）的豬舍環(huán)境優(yōu)化控制策略。通過(guò)在實(shí)際豬舍中運(yùn)行結(jié)果表明，舍內(nèi)平均溫度和相對(duì)濕度可控制在（20.53±1.72）℃和（74.16±7.84）%。與傳統(tǒng)基于溫度閾值的控制策略相比，基于Double DQN控制策略的舍內(nèi)溫度、相對(duì)濕度、NH3濃度和CO2濃度更接近期望值（期望溫度為19℃，相對(duì)濕度為75%，NH3濃度（體積比）為10μL/L，CO2濃度（體積比）為800μL/L），舍內(nèi)溫度和相對(duì)濕度最大相對(duì)誤差分別低于溫度閾值控制策略3.7%和2.5%。此外，該系統(tǒng)傳感器監(jiān)測(cè)數(shù)據(jù)上傳和控制指令下發(fā)的平均延遲時(shí)間分別為226ms和140.4ms，監(jiān)測(cè)與控制延遲較小，穩(wěn)定性較強(qiáng)。在Double DQN控制策略下，一天內(nèi)3臺(tái)風(fēng)機(jī)總運(yùn)行時(shí)長(zhǎng)為28.01h，總耗電量為11.4kW·h，相較于傳統(tǒng)溫度閾值法可節(jié)省約7.39%。因此，本文構(gòu)建的融合深度強(qiáng)化學(xué)習(xí)策略的控制系統(tǒng)有助于改善豬舍環(huán)境質(zhì)量，提高養(yǎng)殖環(huán)境的自動(dòng)化及智能化控制水平。

摘要:為提升水產(chǎn)品危害分析及關(guān)鍵控制點(diǎn)（Hazard analysis and critical control points，HACCP）體系國(guó)家標(biāo)準(zhǔn)在保障質(zhì)量溯源方面的數(shù)據(jù)可信、可讀，以國(guó)家標(biāo)準(zhǔn)中的巴氏殺菌蟹肉HACCP計(jì)劃為例，結(jié)合語(yǔ)義建模和區(qū)塊鏈技術(shù)，提出了巴氏殺菌蟹肉增強(qiáng)HACCP計(jì)劃可信可視溯源模型（Enhanced HACCP credibility and visualization traceability model, EHCVTM）。該模型結(jié)合國(guó)家標(biāo)準(zhǔn)對(duì)巴氏殺菌蟹肉HACCP計(jì)劃進(jìn)行語(yǔ)義理解，構(gòu)建巴氏殺菌蟹肉HACCP計(jì)劃質(zhì)量安全數(shù)據(jù)體系（HACCP quality and safety data system, HQSDS）并設(shè)計(jì)知識(shí)表示。為所得的增強(qiáng)HACCP計(jì)劃的執(zhí)行數(shù)據(jù)設(shè)計(jì)合理的數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)、智能合約，實(shí)現(xiàn)“有風(fēng)險(xiǎn)上鏈，無(wú)風(fēng)險(xiǎn)自治”、“高風(fēng)險(xiǎn)直接上鏈，低風(fēng)險(xiǎn)加密上鏈”的數(shù)據(jù)分級(jí)存儲(chǔ)管理模式。然后借助圖數(shù)據(jù)庫(kù)實(shí)現(xiàn)不同需求的可視化展示。最終實(shí)現(xiàn)了基于EHCVTM的HACCP質(zhì)量溯源應(yīng)用原型并進(jìn)行測(cè)試。結(jié)果表明，基于此模型的應(yīng)用保障了質(zhì)量溯源風(fēng)險(xiǎn)數(shù)據(jù)的可信度，提高了數(shù)據(jù)反饋時(shí)的可讀性, 增強(qiáng)了質(zhì)量溯源平臺(tái)預(yù)警能力，使企業(yè)內(nèi)部完成精細(xì)化監(jiān)控，企業(yè)外部多方監(jiān)督，質(zhì)量安全風(fēng)險(xiǎn)公開(kāi)，安全責(zé)任定位精確。且基于區(qū)塊鏈的系統(tǒng)吞吐量達(dá)到300筆/s，可基本滿足溯源系統(tǒng)的業(yè)務(wù)需求。該研究為基于HACCP國(guó)家標(biāo)準(zhǔn)的水產(chǎn)品質(zhì)量安全風(fēng)險(xiǎn)監(jiān)控可信可視溯源提供了新思路。

摘要:針對(duì)現(xiàn)有水稻秸稈營(yíng)養(yǎng)穴盤(pán)（簡(jiǎn)稱秧盤(pán)）熱風(fēng)輔助微波干燥機(jī)靜態(tài)干燥時(shí)存在氣流場(chǎng)和電磁場(chǎng)分布不均勻、干燥效率低和干燥品質(zhì)差等問(wèn)題，設(shè)計(jì)了多層盤(pán)式熱風(fēng)輔助微波干燥機(jī)，并主要對(duì)干燥機(jī)的微波諧振腔和氣流均布室進(jìn)行了優(yōu)化設(shè)計(jì)。利用ANSYS Electronics軟件對(duì)微波諧振腔饋口不同排列方式進(jìn)行仿真，根據(jù)電磁場(chǎng)強(qiáng)度均勻性及S參數(shù)的影響，確定饋口的排列方式及高度；利用ANSYS Fluent軟件對(duì)氣流均布室的導(dǎo)流腔高度、氣流均布腔高度及導(dǎo)流體底邊直徑進(jìn)行優(yōu)化；以秧盤(pán)為試驗(yàn)材料對(duì)該機(jī)性能和加熱均勻性進(jìn)行試驗(yàn)驗(yàn)證。結(jié)果表明，優(yōu)化后氣流均布室出口處氣體流速的均勻性指數(shù)與優(yōu)化前相比提高21.26%；微波諧振腔三饋口V-L-L排列方式下電磁場(chǎng)強(qiáng)度均勻性最好且S參數(shù)最?。火伩诟叨葹?60mm時(shí)反射功率最低，比饋口高度為70mm時(shí)降低78.13%；相較于熱風(fēng)干燥和微波干燥，秧盤(pán)在熱風(fēng)輔助微波干燥方式下干燥速率分別提高291.31%和86.48%，且干燥均勻性更好。該研究可為熱風(fēng)輔助微波干燥機(jī)的結(jié)構(gòu)優(yōu)化提供參考。

摘要:黃油乳清（BS）是生產(chǎn)無(wú)水黃油時(shí)產(chǎn)生的副產(chǎn)物。由于富含乳脂肪球膜等組分，黃油乳清被認(rèn)為是富集球膜組分的良好原料。然而，目前的研究集中于黃油乳清的基礎(chǔ)組分構(gòu)成，對(duì)脂肪球膜源組分的構(gòu)成及應(yīng)用特性的研究尚未明確，限制了黃油乳清的應(yīng)用。通過(guò)離心攪打等方式從牛乳黃油中分離出黃油乳清，以原料乳和酪乳為對(duì)照，分析了黃油乳清的基本組分和脂肪球膜源組分構(gòu)成。結(jié)果表明，與原料乳、酪乳相比，黃油乳清的蛋白質(zhì)、脂肪質(zhì)量分?jǐn)?shù)顯著增加，總鈣含量顯著降低，乳糖質(zhì)量分?jǐn)?shù)、含水率、pH值等無(wú)顯著性差異（P＞0.05）；黃油乳清中含脂肪球膜磷脂56種，包括磷脂酰膽堿（Phosphatidylcholine，PC）20種、磷脂酰乙醇胺（Phosphatidylethanolamine，PE）10種、磷脂酰絲氨酸（Phosphatidylserine，PS）7種、磷脂酰肌醇（Phosphatidylinositol，PI）6種、鞘磷脂（Sphingomyelin，SM）13種，其中鞘磷脂含量約為酪乳的3倍，質(zhì)量濃度達(dá)到0.352mg/mL；黃油乳清含脂肪球膜蛋白4種，其中豐度最大的為高碘酸希夫糖蛋白6/7，球膜蛋白占總蛋白的23.32%，是酪乳的1.1倍；對(duì)脫脂乳、酪乳和不同濃度黃油乳清乳化特性進(jìn)行比較，研究結(jié)果顯示，黃油乳清乳化性顯著優(yōu)于同濃度酪乳（P＜0.05）；在添加量3%時(shí)，黃油乳清乳化活性指數(shù)和乳化穩(wěn)定性指數(shù)達(dá)到最大，分別為2.682m2/g和91.1%。綜上，黃油乳清中含豐富的脂肪球膜源組分，同濃度下，黃油乳清乳化特性優(yōu)于酪乳，具有較高的應(yīng)用潛力。

摘要:針對(duì)部分地區(qū)橫向斜坡農(nóng)田地形導(dǎo)致路徑跟蹤控制算法精度下降的問(wèn)題，提出了一種包含路面坡度擾動(dòng)的動(dòng)力學(xué)模型與跟蹤誤差模型結(jié)合的輪式拖拉機(jī)行駛動(dòng)態(tài)過(guò)程的控制模型，并基于此模型通過(guò)線性模型預(yù)測(cè)控制方法得到控制律，由于預(yù)測(cè)模型包含了坡度的影響，使得反饋校正能夠提前補(bǔ)償，有效改善了農(nóng)機(jī)在坡地上的路徑跟蹤性能?？紤]到農(nóng)機(jī)在不同行駛階段對(duì)于誤差和穩(wěn)定程度需求的不同，提出了自適應(yīng)的模型預(yù)測(cè)方法，令Q、R值隨動(dòng)變化以應(yīng)對(duì)不同的需求（隨動(dòng)變化指的是兩者相對(duì)大小的變化而非絕對(duì)數(shù)值）。進(jìn)行了預(yù)測(cè)區(qū)間與控制區(qū)間選擇的試驗(yàn)，而后基于簡(jiǎn)單運(yùn)動(dòng)學(xué)模型的模型預(yù)測(cè)控制進(jìn)行了有無(wú)自適應(yīng)Q、R的對(duì)比試驗(yàn)，最后分別在固定斜坡角的橫向斜坡路面上和在斜坡角連續(xù)變化的橫向斜坡路面上進(jìn)行了本文方法與基于簡(jiǎn)單運(yùn)動(dòng)學(xué)的模型預(yù)測(cè)控制方法對(duì)比試驗(yàn)。試驗(yàn)結(jié)果表明：自適應(yīng)能顯著提升控制效果；本文方法在橫向斜坡路面上的路徑跟蹤表現(xiàn)明顯優(yōu)于基于簡(jiǎn)單運(yùn)動(dòng)學(xué)模型的方法，此外穩(wěn)態(tài)時(shí)的穩(wěn)定程度也有較大的提升。

摘要:工業(yè)及農(nóng)業(yè)領(lǐng)域存在諸多復(fù)雜場(chǎng)景，使得機(jī)器人常面臨由大量非連續(xù)離散局部路徑組成的復(fù)雜軌跡，合理的運(yùn)動(dòng)規(guī)劃是機(jī)器人實(shí)現(xiàn)預(yù)期作業(yè)目標(biāo)的首要基礎(chǔ)。本文提出一種基于非支配遺傳算法(Non-dominated sorting genetic algorithm, NSGA-Ⅱ)的多目標(biāo)綜合優(yōu)化方法,算法基于個(gè)體的相互支配關(guān)系進(jìn)行分層并引入“擁擠度”指標(biāo)來(lái)表征個(gè)體間的差異性，從而為保持遺傳過(guò)程的種群多樣性提供了有力支撐。同時(shí)建立了機(jī)器人運(yùn)動(dòng)學(xué)模型并構(gòu)造了縮短機(jī)器人空載路程、運(yùn)動(dòng)時(shí)間及關(guān)節(jié)沖擊的路徑序列優(yōu)化函數(shù)，并在笛卡爾空間與關(guān)節(jié)空間進(jìn)行了高階樣條擬合與插值規(guī)劃，顯著提升了空間軌跡的光順性及幾何特性。基于NSGA-Ⅱ生成空間Pareto最優(yōu)前沿解集，解決了機(jī)器人運(yùn)動(dòng)時(shí)間短、關(guān)節(jié)沖擊小、任務(wù)路徑優(yōu)等約束下的多目標(biāo)優(yōu)化問(wèn)題。優(yōu)化后機(jī)器人運(yùn)動(dòng)路徑長(zhǎng)度縮減74%，作業(yè)效率提升33.44%，關(guān)節(jié)穩(wěn)定性平均可增強(qiáng)50.97%，通過(guò)仿真與實(shí)驗(yàn)，驗(yàn)證了算法在改善機(jī)器人運(yùn)動(dòng)效率、連續(xù)性和非突變性等方面具有顯著效果。

摘要:對(duì)于含六桿組八桿機(jī)構(gòu)的曲柄存在域問(wèn)題，給出了一種自動(dòng)生成的方法。該方法首先基于型轉(zhuǎn)化法數(shù)值迭代計(jì)算出機(jī)構(gòu)所有可能存在的初始位置；然后在每個(gè)初始位置的基礎(chǔ)上，再次采取型轉(zhuǎn)化法數(shù)值迭代進(jìn)行運(yùn)動(dòng)分析，有效避免了高次非線性方程多解無(wú)法判斷最優(yōu)解的問(wèn)題；最后用雅可比矩陣法篩選出無(wú)分支缺陷的回路。機(jī)構(gòu)若滿足原動(dòng)件旋轉(zhuǎn)整周均能夠求出位置解，則該機(jī)構(gòu)在此回路中存在曲柄?；谏鲜隼碚撘罁?jù)，采用VC++和OpenGL聯(lián)合編程，能夠在給定區(qū)域內(nèi)自動(dòng)生成該類(lèi)八桿機(jī)構(gòu)曲柄存在域。同時(shí)軟件能夠進(jìn)行運(yùn)動(dòng)仿真，驗(yàn)證了方法的正確性，為含六桿組八桿機(jī)構(gòu)曲柄存在域的自動(dòng)生成方法奠定了理論基礎(chǔ)。

摘要:針對(duì)傳統(tǒng)方法難以揭示機(jī)床多軸插補(bǔ)動(dòng)態(tài)誤差的序列產(chǎn)生機(jī)制，各時(shí)間維度上的誤差時(shí)序特征存在相互關(guān)聯(lián)的問(wèn)題，提出一種融合混沌表示（Chaotic representation，CR）和特征注意力機(jī)制（Feature attention mechanism，F(xiàn)A）的級(jí)聯(lián)動(dòng)態(tài)誤差預(yù)測(cè)模型。首先，在證明多元?jiǎng)討B(tài)誤差時(shí)變演化具有混沌特性的基礎(chǔ)上，對(duì)其進(jìn)行相空間重構(gòu)，將動(dòng)態(tài)誤差參數(shù)時(shí)間序列背后隱藏的信息在相空間中進(jìn)行表達(dá)。然后，融合特征注意力機(jī)制在時(shí)間維度上動(dòng)態(tài)分配相點(diǎn)特征權(quán)重的同時(shí)降低高維演化相空間信息冗余，進(jìn)一步重塑原系統(tǒng)的動(dòng)力學(xué)狀態(tài)向量空間。最后，考慮到混沌時(shí)變演化具有長(zhǎng)程相關(guān)性，采用雙向長(zhǎng)短期記憶（Bi-directional long short-term memory，Bi-LSTM）網(wǎng)絡(luò)模型逼近混沌相空間內(nèi)的動(dòng)力學(xué)特性，實(shí)現(xiàn)動(dòng)態(tài)誤差混沌時(shí)間序列信息的有效預(yù)測(cè)。通過(guò)XK-L540型數(shù)控銑床實(shí)測(cè)數(shù)據(jù)的算例表明，相較于CRFA-LSTM模型，以及單一級(jí)聯(lián)模型CR-Bi-LSTM、FA-Bi-LSTM，本文算法的均方根誤差分別降低約35%、16%和43%。