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:遙感憑借其快速、宏觀(guān)、無(wú)損及客觀(guān)等特點(diǎn)，在快速獲取與解析作物類(lèi)型、種植面積、產(chǎn)量等信息方面具有獨(dú)特優(yōu)勢(shì)。遙感提取和解譯的作物空間分布圖、種植面積、產(chǎn)量信息可以服務(wù)于農(nóng)業(yè)資源監(jiān)管、農(nóng)業(yè)信息普查、農(nóng)業(yè)保險(xiǎn)、農(nóng)業(yè)投資、精準(zhǔn)農(nóng)業(yè)等方面。本文分別就農(nóng)作物遙感識(shí)別與農(nóng)作物單產(chǎn)遙感估算的研究現(xiàn)狀、面臨的問(wèn)題、潛在研究方向進(jìn)行了總結(jié)概述。首先總結(jié)了農(nóng)作物遙感識(shí)別特征與分類(lèi)模型的研究現(xiàn)狀，針對(duì)遙感識(shí)別特征與作物類(lèi)型缺乏知識(shí)關(guān)聯(lián)的核心問(wèn)題，提出利用深度學(xué)習(xí)方法協(xié)同學(xué)習(xí)作物生長(zhǎng)過(guò)程中的“時(shí)-空-譜”特征，并構(gòu)建面向農(nóng)作物遙感識(shí)別的知識(shí)圖譜，從而解決當(dāng)前農(nóng)作物遙感識(shí)別在識(shí)別精度和識(shí)別效率方面的問(wèn)題。然后，分別從經(jīng)驗(yàn)統(tǒng)計(jì)模型、遙感光合模型、作物生長(zhǎng)模型方面對(duì)當(dāng)前作物單產(chǎn)遙感估算進(jìn)行分析總結(jié)，提出隨著高空間分辨率、高光譜分辨率、高時(shí)間分辨率數(shù)據(jù)的普及和深度學(xué)習(xí)技術(shù)發(fā)展，未來(lái)應(yīng)充分利用作物生長(zhǎng)模型機(jī)理性強(qiáng)、深度學(xué)習(xí)對(duì)復(fù)雜問(wèn)題建模能力強(qiáng)的特點(diǎn)，使用作物生長(zhǎng)模型進(jìn)行點(diǎn)位尺度模擬以驅(qū)動(dòng)深度學(xué)習(xí)完成復(fù)雜場(chǎng)景下的建模學(xué)習(xí)，最終實(shí)現(xiàn)以機(jī)理做約束、以深度學(xué)習(xí)做空間外推的單產(chǎn)估算模式。

摘要:針對(duì)目前預(yù)切種式木薯精密播種器存在充種困難以及播種合格指數(shù)低等問(wèn)題，在播種器中進(jìn)一步設(shè)計(jì)勺鏈排種機(jī)構(gòu)。闡述播種器工作原理以及設(shè)計(jì)勺鏈排種機(jī)構(gòu)相關(guān)參數(shù)，基于最速降線(xiàn)理論對(duì)排種機(jī)構(gòu)的撈種勺進(jìn)行參數(shù)設(shè)計(jì)，并對(duì)機(jī)構(gòu)作業(yè)的充種與投種過(guò)程中木薯種莖受力和運(yùn)動(dòng)狀態(tài)進(jìn)行理論分析，確定影響充種性能因素顯著性主次順序?yàn)閾品N勺型式、撈種勺數(shù)量、輸送鏈運(yùn)動(dòng)速度以及充種傾角。利用EDEM軟件進(jìn)行單因素仿真，得出不同試驗(yàn)因素對(duì)充種性能的影響規(guī)律；進(jìn)行響應(yīng)面BBD仿真試驗(yàn)，確定最優(yōu)因素參數(shù)組合。研制播種器樣機(jī)進(jìn)行臺(tái)架和田間試驗(yàn)，結(jié)果表明當(dāng)充種傾角為37°、撈種勺數(shù)量為12個(gè)、輸送鏈運(yùn)動(dòng)速度為0.63m/s時(shí)，充種合格指數(shù)為93.8%，漏充指數(shù)為1.9%。田間試驗(yàn)表明預(yù)切種振動(dòng)供種式木薯播種器勺鏈排種機(jī)構(gòu)作業(yè)性能較優(yōu)，滿(mǎn)足木薯精密播種農(nóng)藝要求。

摘要:施肥穩(wěn)定性是評(píng)價(jià)變量施肥系統(tǒng)性能的重要指標(biāo)，針對(duì)常規(guī)外槽輪式排肥器排肥時(shí)脈動(dòng)性明顯導(dǎo)致排肥均勻性差的問(wèn)題，提出了基于肥料流量反饋的分段式PID控制方法，并設(shè)計(jì)了施肥播種機(jī)高精度肥料流量控制系統(tǒng)，系統(tǒng)采用肥料流量檢測(cè)模塊獲取實(shí)時(shí)肥料流量并作為反饋輸入，結(jié)合目標(biāo)肥料流量，根據(jù)分段式PID控制算法得到控制輸出量，驅(qū)動(dòng)施肥電機(jī)，實(shí)現(xiàn)肥料流量的準(zhǔn)確控制。搭建了施肥試驗(yàn)臺(tái)，進(jìn)行了肥料流量變化階躍響應(yīng)與施肥精度的臺(tái)架試驗(yàn)，結(jié)果表明，肥料流量控制系統(tǒng)的階躍響應(yīng)時(shí)間最大值為1.42s，均值為0.98s，超調(diào)量最大值為3.49%，均值為2.82%，穩(wěn)態(tài)誤差最大值為0.89%，均值為0.64%，施肥量控制精度最小值為97.83%，均值為98.14%。在不同試驗(yàn)條件下，肥料流量控制系統(tǒng)的肥料流量控制精度與施肥精度均優(yōu)于恒定轉(zhuǎn)速系統(tǒng)。田間試驗(yàn)表明，當(dāng)車(chē)速為4、6、8km/h時(shí)，肥料流量控制系統(tǒng)的施肥量控制精度分別為97.84%、97.78%和97.82%，施肥量控制精度平均值為97.81%，標(biāo)準(zhǔn)偏差為0.28%，能夠滿(mǎn)足高精度施肥需求。

摘要:為提高肥料利用率、降低肥料施用量、實(shí)現(xiàn)油菜根區(qū)施肥，結(jié)合油菜種植施肥農(nóng)藝要求，提出了一種油菜側(cè)深穴施肥工藝，設(shè)計(jì)了一種機(jī)械式穴施肥裝置，闡述了穴施肥裝置的工作過(guò)程，確定了穴施肥裝置的基本參數(shù)，建立了充肥和排肥環(huán)節(jié)中肥料顆粒群的力學(xué)模型，分析了影響穴施肥裝置成穴性能的主要因素；應(yīng)用離散元軟件EDEM對(duì)穴施肥排肥器的成穴性能進(jìn)行了仿真試驗(yàn)，分析了排肥輪轉(zhuǎn)速、充肥型孔長(zhǎng)度、導(dǎo)肥管材料對(duì)穴排肥量誤差和穴徑長(zhǎng)軸長(zhǎng)度的影響；利用正交組合試驗(yàn)確定了成穴性能較優(yōu)的參數(shù)組合，排肥輪轉(zhuǎn)速為60r/min、充肥型孔長(zhǎng)度為18mm、導(dǎo)肥管材料為ABS塑料管時(shí)，穴排肥量誤差為7.05%、穴徑長(zhǎng)軸長(zhǎng)度為62.45mm；優(yōu)選參數(shù)組合下的排肥性能試驗(yàn)結(jié)果表明，排肥輪轉(zhuǎn)速為30~90r/min時(shí)，穴排肥量誤差為4.56%~15.69%、穴徑長(zhǎng)軸長(zhǎng)度為76.32~91.50mm、穴徑長(zhǎng)軸長(zhǎng)度穩(wěn)定性變異系數(shù)為4.53%~9.78%、穴距誤差為3.24%~7.31%；田間試驗(yàn)表明，排肥輪轉(zhuǎn)速為30~90r/min時(shí)，穴排肥量誤差為4.73%~16.07%、穴徑長(zhǎng)軸長(zhǎng)度為85.21~101.65mm、穴徑長(zhǎng)軸長(zhǎng)度穩(wěn)定性變異系數(shù)為4.82%~10.63%、穴距誤差為3.36%~7.58%、施肥深度穩(wěn)定性變異系數(shù)為6.43%~10.85%，成穴性能較好，滿(mǎn)足穴施肥要求。

摘要:為提高水田側(cè)深施肥排肥器穩(wěn)定性與均勻性，增強(qiáng)肥量調(diào)節(jié)能力，保證水田側(cè)深施肥作業(yè)效率與質(zhì)量，結(jié)合黑龍江地區(qū)水田施肥農(nóng)藝要求，設(shè)計(jì)了一種圓錐盤(pán)推板式雙行排肥器。闡述了排肥器工作原理，構(gòu)建了肥料不同階段的力學(xué)模型，確定了圓錐轉(zhuǎn)盤(pán)結(jié)構(gòu)參數(shù)與臨界轉(zhuǎn)速；應(yīng)用離散元軟件EDEM仿真分析推板數(shù)量對(duì)肥料填充能力與排肥性能的影響規(guī)律，得出推板數(shù)量為8時(shí)，排肥器具有最佳排肥性能；采用全因子試驗(yàn)方法開(kāi)展圓錐轉(zhuǎn)盤(pán)轉(zhuǎn)速為15~45r/min、排肥口開(kāi)度為5~25mm條件下排肥器排肥量和排肥性能的臺(tái)架試驗(yàn)，試驗(yàn)結(jié)果表明，排肥量范圍為122~934kg/hm2，與圓錐轉(zhuǎn)盤(pán)轉(zhuǎn)速和排肥口開(kāi)度均具有較高的線(xiàn)性相關(guān)性，且與圓錐轉(zhuǎn)盤(pán)轉(zhuǎn)速相關(guān)性最高；雙行排肥量一致性變異系數(shù)、總排肥量穩(wěn)定性變異系數(shù)和排肥均勻性變異系數(shù)范圍分別為1.01%~3.88%、1.05%~3.81%、6.64%~15.79%，排肥器傾斜狀態(tài)下雙行排肥量一致性變異系數(shù)最大值為6.17%，試驗(yàn)結(jié)果滿(mǎn)足水田側(cè)深施肥性能要求。

摘要:果園農(nóng)藥施用情況是果品質(zhì)量安全的重要檢驗(yàn)標(biāo)準(zhǔn)，農(nóng)藥噴施行為的可靠記錄是果品溯源體系的重要環(huán)節(jié)。針對(duì)我國(guó)目前常見(jiàn)的果品種植專(zhuān)業(yè)合作社中難以確切掌握農(nóng)藥施用真實(shí)情況的問(wèn)題，本研究提出了一種基于人體姿態(tài)估計(jì)與場(chǎng)景交互的果園背負(fù)式噴施行為檢測(cè)方法。首先采用微調(diào)后的YOLO v5模型完成背負(fù)式噴霧器與果樹(shù)目標(biāo)的精確檢測(cè)，提取場(chǎng)景交互特征；之后采用OpenPose模型識(shí)別噴施人員姿態(tài)及動(dòng)作信息，提取人體姿態(tài)特征；最后對(duì)上述特征分別進(jìn)行距離和角度計(jì)算，將其融合為11244組特征向量并使用優(yōu)化后的支持向量機(jī)(Support vector machine, SVM)進(jìn)行訓(xùn)練，完成果園噴施行為的準(zhǔn)確檢測(cè)。為了驗(yàn)證算法的有效性，對(duì)包含不同光照、不同距離、不同人數(shù)和不同遮擋程度等的92段視頻進(jìn)行了測(cè)試。試驗(yàn)結(jié)果表明，該算法的準(zhǔn)確度為85.66%，平均絕對(duì)誤差為42.53%，均方根誤差為44.59%，預(yù)測(cè)標(biāo)準(zhǔn)偏差為44.34%，以及性能偏差比為1.56。同時(shí)，本研究對(duì)不同光照、遮擋、距離變化和多人中單人噴施情況下的果園噴施行為識(shí)別的有效性進(jìn)行了分析。試驗(yàn)結(jié)果表明，將該模型用于果園噴施行為的檢測(cè)是可行的，本研究可為果品溯源體系中果園管理環(huán)節(jié)的規(guī)范化和可信度提供技術(shù)參考。

摘要:含雜率是小麥機(jī)械化收獲重要指標(biāo)之一，但現(xiàn)階段我國(guó)小麥?zhǔn)斋@過(guò)程含雜率在線(xiàn)檢測(cè)難以實(shí)現(xiàn)。為了實(shí)現(xiàn)小麥機(jī)械化收獲過(guò)程含雜率在線(xiàn)檢測(cè)，本文提出基于結(jié)合注意力的改進(jìn)U-Net模型的小麥機(jī)收含雜率在線(xiàn)檢測(cè)方法。以機(jī)收小麥樣本圖像為基礎(chǔ)，采用Labelme手工標(biāo)注圖像，并通過(guò)隨機(jī)旋轉(zhuǎn)、縮放、剪切、水平鏡像對(duì)圖像進(jìn)行增強(qiáng)，構(gòu)建基礎(chǔ)圖像數(shù)據(jù)集；設(shè)計(jì)了結(jié)合注意力的改進(jìn)U-Net模型分類(lèi)識(shí)別模型，并在torch 1.2.0深度學(xué)習(xí)框架下實(shí)現(xiàn)模型的離線(xiàn)訓(xùn)練；將最優(yōu)的離線(xiàn)模型移植到Nvidia jetson tx2開(kāi)發(fā)套件上，設(shè)計(jì)了基于圖像信息的含雜率量化模型，從而實(shí)現(xiàn)小麥機(jī)械化收獲含雜率在線(xiàn)檢測(cè)。試驗(yàn)結(jié)果表明：針對(duì)不同模型的訓(xùn)練結(jié)果，結(jié)合注意力的改進(jìn)U-Net模型籽粒和雜質(zhì)分割識(shí)別F1值分別為76.64%和85.70%，比標(biāo)準(zhǔn)U-Net高10.33個(gè)百分點(diǎn)和2.86個(gè)百分點(diǎn)，比DeepLabV3提高10.22個(gè)百分點(diǎn)和11.62個(gè)百分點(diǎn)，比PSPNet提高18.40個(gè)百分點(diǎn)和14.67個(gè)百分點(diǎn)，結(jié)合注意力的改進(jìn)U-Net模型對(duì)小麥籽粒和雜質(zhì)的識(shí)別效果最好；在臺(tái)架試驗(yàn)和田間試驗(yàn)中，裝置在線(xiàn)檢測(cè)含雜率均值分別為1.69%和1.48%，比人工檢測(cè)高0.26個(gè)百分點(diǎn)和0.13個(gè)百分點(diǎn)；由含雜率檢測(cè)結(jié)果定性分析可知，無(wú)論是臺(tái)架試驗(yàn)還是田間試驗(yàn)，裝置和人工檢測(cè)結(jié)果均小于2%，判定試驗(yàn)過(guò)程聯(lián)合收獲機(jī)的作業(yè)性能均符合國(guó)家標(biāo)準(zhǔn)，檢測(cè)結(jié)果具有一致性。因此，本文提出的小麥含雜率在線(xiàn)檢測(cè)方法能夠?yàn)樾←溌?lián)合收獲作業(yè)質(zhì)量在線(xiàn)調(diào)控提供技術(shù)支撐。

摘要:針對(duì)長(zhǎng)江中下游稻油輪作區(qū)油菜直播作業(yè)時(shí)，因土壤黏重板結(jié)，地表前茬水稻留茬高、留存秸稈量大，導(dǎo)致旋耕部件易纏繞，秸稈埋覆率低，致使深施肥鏟易掛草壅堵，作業(yè)廂面拖堆不平，難以實(shí)現(xiàn)深施肥作業(yè)。本文設(shè)計(jì)一種適應(yīng)高茬黏重稻茬田的油菜直播埋茬防堵深施肥復(fù)合作業(yè)裝置，確定埋茬防堵部件深旋彎刀、淺旋彎刀、防堵直刀和深施肥鏟的結(jié)構(gòu)參數(shù)及刀片和深施肥鏟排列安裝方式。利用EDEM仿真分析了機(jī)具作業(yè)后的秸稈埋覆、空間分布及顆粒肥料深施后的分布深度，結(jié)果表明：作業(yè)速度為2.5km/h、耕作深度為150mm、埋茬防堵部件刀輥轉(zhuǎn)速為345r/min時(shí)，秸稈埋覆率為86.53%、施肥深度為83~106mm。開(kāi)展了油菜直播機(jī)4種田間作業(yè)工況驗(yàn)證試驗(yàn)，結(jié)果表明：埋茬防堵深施肥復(fù)合作業(yè)裝置田間作業(yè)性能良好，實(shí)現(xiàn)了肥料深施，秸稈埋覆率為86.69%~90.35%、廂面平整度為16.48~22.65mm、施肥深度為87.4~109.5mm、碎土率為81.24%~92.13%。

摘要:丘陵山區(qū)和小地塊是國(guó)內(nèi)馬鈴薯的主要種植區(qū)域，針對(duì)這類(lèi)地形的馬鈴薯機(jī)械化收獲技術(shù)與裝備匱乏的瓶頸問(wèn)題，并結(jié)合馬鈴薯種植農(nóng)藝和收獲需求，采用自動(dòng)對(duì)行挖掘-薯土分離-人工輔助撿拾相結(jié)合的馬鈴薯機(jī)械化單行收獲方案，設(shè)計(jì)了一種履帶自走式分揀型馬鈴薯收獲機(jī)。該機(jī)主要由履帶式底盤(pán)、自動(dòng)對(duì)行挖掘裝置、分離裝置及分揀裝置等關(guān)鍵部件組成，具有附著力大、高頻低幅振動(dòng)碎土、自動(dòng)對(duì)行挖掘、人工輔助分揀和液壓驅(qū)動(dòng)模式等技術(shù)優(yōu)勢(shì)。在闡述總體結(jié)構(gòu)及工作原理的基礎(chǔ)上，結(jié)合馬鈴薯運(yùn)動(dòng)學(xué)模型和碰撞特性分析，確定了分離篩傾角為30°，分離篩末端與分揀篩始端之間的跌落高度為120mm等關(guān)鍵部件的結(jié)構(gòu)參數(shù)和運(yùn)行參數(shù)。由于采用人工輔助分揀的集薯方式，減少了薯塊跌落與翻滾次數(shù)，縮短了馬鈴薯的分離行程。田間試驗(yàn)結(jié)果表明：樣機(jī)作業(yè)速度為1.0、1.2km/h，分離篩運(yùn)行速度分別為0.61、0.72m/s，分揀篩運(yùn)行速度分別為0.42、0.50m/s時(shí)，生產(chǎn)率分別為0.10、0.12hm2/h；利用電子馬鈴薯采集的碰撞加速度平均值分別為51.02g、51.85g，碰撞加速度峰值均小于馬鈴薯臨界損傷閾值，沒(méi)有出現(xiàn)薯塊漏撿和薯塊表皮破損情況，收獲效果良好，各項(xiàng)性能指標(biāo)均滿(mǎn)足相關(guān)標(biāo)準(zhǔn)的要求，研究可為馬鈴薯收獲機(jī)分離分揀裝袋工藝和馬鈴薯收獲機(jī)的結(jié)構(gòu)優(yōu)化改進(jìn)提供參考。

摘要:針對(duì)目前傳統(tǒng)馬鈴薯收獲機(jī)分離裝置存在傷薯率高、去土率低以及分離裝置結(jié)構(gòu)形式單一且調(diào)節(jié)不便的問(wèn)題，設(shè)計(jì)了一款由聚氨酯材料構(gòu)成的左右螺旋對(duì)稱(chēng)式去土輥與可調(diào)節(jié)式光輥交替排列組合的馬鈴薯收獲機(jī)輥組式輸送分離裝置。通過(guò)針對(duì)機(jī)體結(jié)構(gòu)的動(dòng)力學(xué)分析、薯土分離的耦合機(jī)理分析和去土過(guò)程馬鈴薯之間碰撞離散分析，確定了影響馬鈴薯收獲機(jī)輥組式輸送分離裝置傷薯率和去土率的關(guān)鍵因素，并對(duì)其進(jìn)行試驗(yàn)，以傷薯率和去土率為試驗(yàn)指標(biāo)，以去土輥和光輥間距和轉(zhuǎn)速、輸送分離裝置傾斜角為試驗(yàn)因素，根據(jù)正交試驗(yàn)結(jié)果建立數(shù)學(xué)回歸模型并進(jìn)行響應(yīng)面分析和參數(shù)化分析，確定當(dāng)去土輥與光輥間距為16.5mm、去土輥轉(zhuǎn)速為100r/min、光輥轉(zhuǎn)速為100r/min、分離裝置傾斜角為8°時(shí)，傷薯率為0.64%，去土率為97.1%。與傳統(tǒng)馬鈴薯收獲機(jī)分離裝置相比，傷薯率下降0.12個(gè)百分點(diǎn)，去土率上升2.6個(gè)百分點(diǎn)，該裝置能更好地滿(mǎn)足輸送分離要求。

摘要:針對(duì)國(guó)內(nèi)現(xiàn)有甘蔗收獲機(jī)無(wú)法對(duì)割臺(tái)高度實(shí)施自動(dòng)控制的問(wèn)題，設(shè)計(jì)了一種割臺(tái)隨動(dòng)控制系統(tǒng)。系統(tǒng)由自重?cái)[動(dòng)式仿形機(jī)構(gòu)、STM32控制器、位移傳感器、上位機(jī)模組、按鍵模塊、電磁閥及驅(qū)動(dòng)模組組成。自重?cái)[動(dòng)式仿形機(jī)構(gòu)與地面直接接觸并保持貼附，實(shí)時(shí)檢測(cè)收獲作業(yè)時(shí)的地面起伏變化，同時(shí)可以依靠仿形機(jī)構(gòu)外廓曲面減小收獲機(jī)倒退時(shí)地面對(duì)自身關(guān)鍵部件的沖擊。建立割臺(tái)高度控制參數(shù)模型，運(yùn)用PID控制算法，有效地實(shí)現(xiàn)收獲機(jī)割臺(tái)高度的精確控制，進(jìn)一步提升了甘蔗收獲機(jī)自動(dòng)化水平和工作性能。田間試驗(yàn)結(jié)果表明，收獲機(jī)在安裝割臺(tái)隨動(dòng)控制系統(tǒng)后，割臺(tái)隨地形起伏變化而變化，使破頭率降低，平均破頭率為21%，通過(guò)與人工控制收獲試驗(yàn)對(duì)比，平均破頭率下降18.5個(gè)百分點(diǎn)。

摘要:針對(duì)多自由度機(jī)械臂在采摘過(guò)程中出現(xiàn)的路徑規(guī)劃速度慢、路徑成本高以及因視覺(jué)定位誤差和機(jī)械臂關(guān)節(jié)位置誤差引起的采摘失敗問(wèn)題，提出了結(jié)合視覺(jué)伺服的改進(jìn)隨機(jī)快速搜索樹(shù)算法(Improved rapidly-exploring random trees with visual servoing, VS-IRRT)，具體包括改進(jìn)RRT算法和基于平移控制器的視覺(jué)伺服方法。改進(jìn)的RRT算法通過(guò)使用基于超橢球引力偏置的采樣方法和密度減小策略，增加樹(shù)拓展的目的性，減小了樹(shù)的采樣密度，提高路徑規(guī)劃效率；引入貪心思想和B樣條曲線(xiàn)，剔除多余節(jié)點(diǎn)，對(duì)剩下折線(xiàn)進(jìn)行平滑處理，優(yōu)化路徑在機(jī)械臂上的實(shí)施效果；結(jié)合基于平移控制器的視覺(jué)伺服控制，減小了定位誤差對(duì)采摘過(guò)程的影響。使用Matlab分別對(duì)改進(jìn)RRT算法和基于平移控制器的視覺(jué)伺服在二維和三維空間中進(jìn)行仿真模擬試驗(yàn)，結(jié)果表明，改進(jìn)的RRT算法的采樣點(diǎn)數(shù)較RRT*-connect算法減少92.9%，規(guī)劃時(shí)間較RRT*-connect算法減少86.1%，路徑成本較RRT算法也減少35.2%。使用六自由度機(jī)械臂進(jìn)行采摘試驗(yàn)，VS-IRRT算法的采摘速度比RRT*-connect算法提升48.36%，路徑成本相較RRT減少17.14%，采摘成功率提升2.1個(gè)百分點(diǎn)，所以在特定的采摘應(yīng)用場(chǎng)景，尤其在農(nóng)業(yè)采摘場(chǎng)景中，VS-IRRT算法能夠提升機(jī)械臂采摘的綜合性能。

摘要:采用逆向工程技術(shù)，在EDEM軟件中建立了油茶籽離散元模型；通過(guò)物理試驗(yàn)測(cè)得油茶籽堆積角為（27.93±1.46）°，以及密度、碰撞恢復(fù)系數(shù)和油茶籽-鋼板間靜摩擦因數(shù)的參數(shù)區(qū)間，采用Plackett-Burman Design和最陡爬坡試驗(yàn)篩選顯著性因素；以堆積角為響應(yīng)值，采用響應(yīng)面（RSM）和機(jī)器學(xué)習(xí)對(duì)顯著性參數(shù)進(jìn)行優(yōu)化和對(duì)比。結(jié)果顯示，基于遺傳算法（GA）的BP人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力與穩(wěn)定性?xún)?yōu)于隨機(jī)森林、支持向量機(jī)和BP人工神經(jīng)網(wǎng)絡(luò)；采用GA尋優(yōu)得到油茶籽-油茶籽間靜摩擦因數(shù)為0.443、油茶籽-鋼板間靜摩擦因數(shù)為0.319、油茶籽-油茶籽間滾動(dòng)摩擦因數(shù)為0.063，測(cè)得仿真堆積角為27.63°，與實(shí)際堆積角的相對(duì)誤差為1.09%；采用RSM得到油茶籽-油茶籽間靜摩擦因數(shù)為0.383、油茶籽-鋼板間靜摩擦因數(shù)為0.335、油茶籽-油茶籽間滾動(dòng)摩擦因數(shù)為0.064，測(cè)得仿真堆積角為26.99°，相對(duì)誤差為3.33%。研究結(jié)果表明，在油茶籽參數(shù)標(biāo)定中，GA-BP-GA的參數(shù)優(yōu)化效果優(yōu)于RSM，并且該研究所建油茶籽模型與參數(shù)標(biāo)定結(jié)果可用于離散元仿真。

摘要:邊界層轉(zhuǎn)捩的準(zhǔn)確預(yù)測(cè)對(duì)于提高軸流泵內(nèi)部流動(dòng)計(jì)算精度具有重要意義。以軸流泵葉片的簡(jiǎn)化模型——水翼為研究對(duì)象，探索了SSTγ-Reθt轉(zhuǎn)捩模型在不同雷諾數(shù)下的適用性。研究發(fā)現(xiàn)，在低雷諾數(shù)條件（ReL小于1.6×106）下，SST γ-Reθt轉(zhuǎn)捩模型的預(yù)測(cè)精度與試驗(yàn)值較為接近；在高雷諾數(shù)條件下，隨著雷諾數(shù)的增大，SST γ-Reθt轉(zhuǎn)捩模型預(yù)測(cè)的邊界層轉(zhuǎn)捩位置相較試驗(yàn)值逐漸靠前，說(shuō)明SST γ-Reθt轉(zhuǎn)捩模型對(duì)高雷諾數(shù)水翼邊界層轉(zhuǎn)捩發(fā)生的判斷效果不佳?；诖?，針對(duì)SST γ-Reθt模型中輸運(yùn)方程采用環(huán)境源項(xiàng)法進(jìn)行修正，引入環(huán)境湍動(dòng)能和環(huán)境湍流比耗散率參數(shù)，建立了湍流比耗散率與雷諾數(shù)的關(guān)系，得到SST γ-Reθt轉(zhuǎn)捩修正模型。在Donaldson修型尾緣水翼和NACA0016水翼高雷諾數(shù)流動(dòng)中驗(yàn)證表明，修正模型提高了水翼邊界層轉(zhuǎn)捩位置及其它流場(chǎng)參數(shù)預(yù)測(cè)的準(zhǔn)確性。

摘要:遙感技術(shù)能夠快速準(zhǔn)確地獲取農(nóng)作物空間分布信息，為探究2021年黃淮海平原冬小麥空間分布信息，基于Google Earth Engine（GEE）云平臺(tái)，以Sentinel-1 SAR雷達(dá)影像和Sentienl-2光學(xué)遙感影像為數(shù)據(jù)源，通過(guò)計(jì)算極化特征、光譜特征和紋理特征，運(yùn)用隨機(jī)森林等4種機(jī)器學(xué)習(xí)方法和深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型，對(duì)研究區(qū)冬小麥空間分布信息進(jìn)行提取，并對(duì)比各分類(lèi)器和網(wǎng)絡(luò)架構(gòu)的分類(lèi)精度。結(jié)果表明，黃淮海平原冬小麥總面積約為16226667hm2，占研究區(qū)總面積的49.17%，其中冬小麥種植面積最大的是河南省，約為4647334hm2，研究區(qū)冬小麥種植分布呈現(xiàn)由東向西、由南向北遞減的趨勢(shì)；隨機(jī)森林是4種機(jī)器學(xué)習(xí)方法中識(shí)別精度最高的分類(lèi)器，總體分類(lèi)精度為94.30%；在隨機(jī)森林算法中僅使用Sentinel-1雷達(dá)數(shù)據(jù)總體精度為87.38%，僅使用Sentinel-2光學(xué)數(shù)據(jù)總體精度為93.95%，而融合時(shí)序Sentinel主被動(dòng)遙感數(shù)據(jù)總體精度為94.30%；在大范圍的冬小麥分類(lèi)上，深度學(xué)習(xí)模型的泛化性高于機(jī)器學(xué)習(xí)方法。

摘要:沿海養(yǎng)殖池塘建設(shè)能帶來(lái)巨大的經(jīng)濟(jì)效益，對(duì)保障海產(chǎn)品供給和豐富居民食物多樣性具有重要意義。而養(yǎng)殖池塘的快速擴(kuò)張也會(huì)帶來(lái)嚴(yán)重的環(huán)境危機(jī)，故有效揭示養(yǎng)殖池塘的時(shí)空分布特征對(duì)有序管理沿海養(yǎng)殖池塘至關(guān)重要。但養(yǎng)殖池塘大多分布于岸線(xiàn)曲折、靠近海洋的潮灘一側(cè)，有效且高精度識(shí)別養(yǎng)殖池塘具有難度。對(duì)此，提出結(jié)合Google Earth Engine云平臺(tái)和ArcGIS本地端分類(lèi)后處理的養(yǎng)殖池塘識(shí)別方法，基于地區(qū)水體頻率、對(duì)象特征和精細(xì)處理得到了浙江省沿海2016—2021年較高精度的養(yǎng)殖池塘空間分布數(shù)據(jù)。結(jié)果表明：養(yǎng)殖池塘總體精度均大于93%，Kappa系數(shù)均大于82%，表明研究方法具有較好的適用性。浙江省沿海養(yǎng)殖池塘面積趨于下降，2016、2019、2021年分別為30360.60、24375.35、21700.02hm2。養(yǎng)殖池塘地級(jí)市集中分布于寧波市、臺(tái)州市、紹興市和杭州市，縣域聚集于慈溪市、寧?？h、三門(mén)縣、蕭山區(qū)、上虞區(qū)和象山縣。浙江省養(yǎng)殖池塘集聚性下降，聚集于海灣、河口、沿海平原與潮灘，如杭州灣、象山港、三門(mén)灣、浦壩港和樂(lè)清灣。養(yǎng)殖池塘空間差異性突出，其海側(cè)大于陸側(cè)、北部大于南部。

摘要:大田環(huán)境下小麥種植行的識(shí)別與定位對(duì)農(nóng)機(jī)田間噴藥和除草等任務(wù)的導(dǎo)航作業(yè)具有重要意義。以分蘗期和拔節(jié)期的冬小麥無(wú)人機(jī)可見(jiàn)光遙感影像為研究數(shù)據(jù)，結(jié)合深度語(yǔ)義分割和霍夫變換直線(xiàn)檢測(cè)，提出了一種多生育期小麥種植行檢測(cè)方法。采用SegNet深度語(yǔ)義分割提取小麥種植區(qū)域，克服傳統(tǒng)檢測(cè)方法對(duì)光照敏感的同時(shí)提高檢測(cè)精度。基于霍夫變換的小麥種植行預(yù)檢測(cè)結(jié)果，提出采用二分k均值聚類(lèi)進(jìn)一步提煉檢測(cè)結(jié)果，以識(shí)別出小麥種植行區(qū)域的中心線(xiàn)。實(shí)驗(yàn)結(jié)果表明，對(duì)于分蘗期和拔節(jié)期的冬小麥圖像，種植行直線(xiàn)平均位置偏差的絕對(duì)值分別為0.55、0.11cm；平均角度偏差的絕對(duì)值分別為0.0011、0.00037rad，檢測(cè)精度與直線(xiàn)漏檢率等指標(biāo)都顯著優(yōu)于傳統(tǒng)方法。研究結(jié)果為智能農(nóng)機(jī)導(dǎo)航作業(yè)中的作物種植行檢測(cè)提供了方法支持。

摘要:氮虧缺量能夠直接反映作物氮營(yíng)養(yǎng)缺失程度，快速、大面積獲取水稻氮虧缺量信息對(duì)實(shí)現(xiàn)水稻精準(zhǔn)施肥具有重要意義。而現(xiàn)有的研究大都集中于利用無(wú)人機(jī)遙感監(jiān)測(cè)水稻氮營(yíng)養(yǎng)情況，對(duì)氮虧缺量本身的研究較少。本研究基于無(wú)人機(jī)高光譜遙感獲取冠層光譜數(shù)據(jù)、通過(guò)田間采樣獲取水稻農(nóng)學(xué)數(shù)據(jù)，研究東北地區(qū)水稻臨界氮濃度曲線(xiàn)構(gòu)建方法，在此基礎(chǔ)上確定水稻氮虧缺量；以氮虧缺量約等于0狀態(tài)下光譜為標(biāo)準(zhǔn)光譜，分別對(duì)光譜反射率進(jìn)行比值、差值、歸一化差值變換，通過(guò)競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣法對(duì)原始光譜反射率與變換后光譜反射率進(jìn)行特征波長(zhǎng)提取，并以二者提取的特征波長(zhǎng)為輸入變量，氮虧缺量為輸出變量，分別構(gòu)建基于多元線(xiàn)性回歸、極限學(xué)習(xí)機(jī)與蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)3種算法的水稻氮虧缺量反演模型。結(jié)果表明：基于田間數(shù)據(jù)構(gòu)建東北地區(qū)水稻臨界氮濃度曲線(xiàn)方程系數(shù)a、b分別為2.026與-0.4603，和以往研究基本一致；相比其余變換方法，對(duì)水稻冠層光譜進(jìn)行歸一化差值變換與特征波長(zhǎng)提取顯著提高了冠層光譜反射率與水稻氮虧缺量的相關(guān)性，也提高了后續(xù)反演模型的反演結(jié)果；以歸一化差值光譜為輸入的蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)反演模型預(yù)測(cè)效果顯著優(yōu)于其余模型，驗(yàn)證集R2為0.8306，RMSE為0.8141kg/hm2，具有較好的氮虧缺量估測(cè)效果。

摘要:針對(duì)免耕播種裝備產(chǎn)品數(shù)據(jù)管理（Product data management，PDM）系統(tǒng)的實(shí)驗(yàn)影像資源在存儲(chǔ)和查詢(xún)過(guò)程中內(nèi)容甄別困難、用戶(hù)獲取相關(guān)資源需求難以保證的問(wèn)題，在VS（Microsoft Visual Studio）環(huán)境下應(yīng)用VB.NET語(yǔ)言搭載SQL Server數(shù)據(jù)庫(kù)開(kāi)發(fā)一種交互式資源管理系統(tǒng)，對(duì)實(shí)驗(yàn)影像資源內(nèi)容進(jìn)行多元信息標(biāo)注并分配權(quán)重，應(yīng)用ADO.NET（Microsoft ActiveX Data Objects.Net）技術(shù)實(shí)現(xiàn)影像資源多元信息的編輯和存儲(chǔ)，基于多元信息權(quán)重創(chuàng)建推薦查詢(xún)方法，聯(lián)合瀏覽選擇，實(shí)現(xiàn)影像資源的獲取與應(yīng)用。測(cè)試結(jié)果表明本系統(tǒng)可根據(jù)影像資源多元信息進(jìn)行添加、刪除、修改和查詢(xún)，當(dāng)輸入字段與本地?cái)?shù)據(jù)庫(kù)無(wú)法精確匹配時(shí)可智能推薦數(shù)據(jù)，實(shí)現(xiàn)了對(duì)影像資源多元信息的有效管理。多元信息能夠唯一準(zhǔn)確標(biāo)識(shí)影像資源并作為資源管理的依據(jù)，基于多元信息權(quán)重設(shè)計(jì)的推薦方法能夠有效解決用戶(hù)輸入字段與本地?cái)?shù)據(jù)表不完全匹配的問(wèn)題。

摘要:基于小樣本數(shù)據(jù)下認(rèn)知經(jīng)驗(yàn)知識(shí)輔助計(jì)算機(jī)進(jìn)行決策，對(duì)實(shí)現(xiàn)農(nóng)業(yè)領(lǐng)域機(jī)器人智能認(rèn)知決策與助力智慧農(nóng)業(yè)發(fā)展具有重要意義。本文在統(tǒng)計(jì)計(jì)數(shù)、支持向量機(jī)（SVM）等圖像屬性信息學(xué)習(xí)方法基礎(chǔ)上，使用Protégé等工具，基于認(rèn)知經(jīng)驗(yàn)構(gòu)建水果識(shí)別分類(lèi)的專(zhuān)業(yè)知識(shí)庫(kù)；然后根據(jù)圖像顏色與形狀信息，進(jìn)行知識(shí)庫(kù)搜索推理得到分類(lèi)決策。實(shí)驗(yàn)在Fruit360數(shù)據(jù)集中共選擇2091幅葡萄、香蕉、櫻桃水果圖像作為測(cè)試集，并各挑選30幅圖像作為屬性信息訓(xùn)練集與驗(yàn)證集，結(jié)果表明當(dāng)前數(shù)據(jù)下葡萄與櫻桃識(shí)別準(zhǔn)確率為100%，香蕉識(shí)別準(zhǔn)確率為93.30%。僅在知識(shí)庫(kù)添加黃桃知識(shí)后，對(duì)984幅黃桃圖像樣本進(jìn)行測(cè)試，其分類(lèi)準(zhǔn)確率為97.05%。表明本文方法能有效完成圖像分類(lèi)決策任務(wù)，且具有良好的過(guò)程可解釋性、能力共享性和可拓展性。

摘要:氣孔是植物葉片與外界環(huán)境交換氣體和水分的重要結(jié)構(gòu)。針對(duì)現(xiàn)有氣孔性狀分析主要采用人工測(cè)量，過(guò)程繁瑣、效率低下、容易出現(xiàn)人為誤差的問(wèn)題，本文采用YOLO（You only look once）深度學(xué)習(xí)模型完成了玉米葉片氣孔的自動(dòng)識(shí)別與自動(dòng)測(cè)量工作。結(jié)合玉米葉片氣孔數(shù)據(jù)集的特點(diǎn)，對(duì)YOLO深度學(xué)習(xí)模型進(jìn)行了改進(jìn)，有效地提高了氣孔識(shí)別和測(cè)量的精確率。對(duì)YOLO深度學(xué)習(xí)模型中的預(yù)測(cè)端進(jìn)行了優(yōu)化，降低了誤檢率；同時(shí)，結(jié)合氣孔特征對(duì)16倍、32倍下采樣層進(jìn)行簡(jiǎn)化，提高了識(shí)別效率。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的YOLO深度學(xué)習(xí)模型在玉米葉片氣孔數(shù)據(jù)集上識(shí)別精確率達(dá)到95%，參數(shù)測(cè)量的平均精確率達(dá)到90%以上。本文方法能夠自動(dòng)完成玉米葉片氣孔的識(shí)別、計(jì)數(shù)與測(cè)量，解決了傳統(tǒng)氣孔分析方法的低效率問(wèn)題，為農(nóng)業(yè)科學(xué)家、植物學(xué)家開(kāi)展植物氣孔分析研究提供了技術(shù)支撐。

摘要:為實(shí)現(xiàn)茶樹(shù)葉片種類(lèi)的準(zhǔn)確、無(wú)損、快速分類(lèi)，以復(fù)雜背景下6個(gè)品種的茶樹(shù)葉片圖像作為研究對(duì)象，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)茶樹(shù)葉片品種分類(lèi)。選擇經(jīng)典輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)SqueezeNet，通過(guò)在Fire模塊中增加批歸一化處理，實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)不顯著增加的前提下大幅提升網(wǎng)絡(luò)對(duì)多品種茶樹(shù)葉片分類(lèi)的準(zhǔn)確率；通過(guò)將Fire模塊中的3×3標(biāo)準(zhǔn)卷積核替換為深度可分離卷積，進(jìn)一步縮小網(wǎng)絡(luò)模型，降低網(wǎng)絡(luò)對(duì)硬件資源的要求；通過(guò)在每個(gè)Fire模塊中引入注意力機(jī)制，增強(qiáng)網(wǎng)絡(luò)對(duì)重要特征信息的提取能力，提升模型分類(lèi)性能。試驗(yàn)結(jié)果表明，原始SqueezeNet模型對(duì)多品種茶樹(shù)葉片分類(lèi)準(zhǔn)確率為82.8%，增加批歸一化處理后模型在測(cè)試集的準(zhǔn)確率達(dá)到86.0%，參數(shù)量只有7.31×105，相對(duì)于改進(jìn)前參數(shù)量?jī)H增加0.8%，運(yùn)算量與改進(jìn)前基本相同；將Fire模塊中的3×3標(biāo)準(zhǔn)卷積核替換成深度可分離卷積后的模型在測(cè)試集的準(zhǔn)確率為86.8%，準(zhǔn)確率提高0.8個(gè)百分點(diǎn)，參數(shù)量下降至2.46×105，模型參數(shù)量減小66.3%，運(yùn)算量下降60.4%；引入注意力機(jī)制后的模型測(cè)試集分類(lèi)準(zhǔn)確率達(dá)到90.5%，提升3.7個(gè)百分點(diǎn)，而參數(shù)量?jī)H增加1.23×105，運(yùn)算量?jī)H增加2×106。進(jìn)一步將改進(jìn)后的模型與經(jīng)典模型AlexNet、ResNet18以及輕量級(jí)網(wǎng)絡(luò)MobilenetV3_Small、ShuffleNetv2對(duì)比，結(jié)果表明對(duì)多品種茶樹(shù)葉片的分類(lèi)中，改進(jìn)模型的綜合表現(xiàn)最優(yōu)。

摘要:自動(dòng)和準(zhǔn)確地估計(jì)病害的嚴(yán)重度對(duì)病害管理和產(chǎn)量損失預(yù)測(cè)至關(guān)重要。針對(duì)傳統(tǒng)病害嚴(yán)重度估算步驟復(fù)雜且低效，難以實(shí)現(xiàn)在田間場(chǎng)景下精準(zhǔn)估算問(wèn)題，提出了一種基于混合擴(kuò)張卷積和注意力機(jī)制改進(jìn)UNet（Mixed dilated convolution and attention mechanism optimized UNet，MA-UNet）的病害嚴(yán)重度估算方法。首先，針對(duì)病斑尺寸不一、形狀不規(guī)則問(wèn)題，提出混合擴(kuò)張卷積塊（Mixed dilation convolution block, MDCB）增加感受野并保持病斑信息的連續(xù)性，提升病斑分割精度。其次，為了克服復(fù)雜背景的影響，利用注意力機(jī)制（Attention mechanism）對(duì)空間維度和通道維度進(jìn)行相關(guān)性建模，獲得每個(gè)像素類(lèi)內(nèi)響應(yīng)和通道間的依賴(lài)關(guān)系，緩解背景對(duì)網(wǎng)絡(luò)學(xué)習(xí)帶來(lái)的影響。最后，計(jì)算病害分割圖中病斑像素與葉片像素的比率來(lái)獲得嚴(yán)重度?；谔镩g條件下收集的黃瓜霜霉病和白粉病圖像進(jìn)行了驗(yàn)證，并與全卷積網(wǎng)絡(luò)（Fully convolutional network，F(xiàn)CN）、SegNet、UNet、PSPNet、FPN、DeepLabV3+進(jìn)行比較。結(jié)果表明，MA-UNet優(yōu)于比較方法，能夠滿(mǎn)足復(fù)雜環(huán)境下健康葉片和病斑的分割需求，平均交并比為84.97%，頻權(quán)交并比為93.95%?；贛A-UNet分割結(jié)果估計(jì)黃瓜葉部病害嚴(yán)重度的決定系數(shù)為0.9654，均方根誤差為1.0837%。該研究可為人工智能在農(nóng)業(yè)中快速估計(jì)和控制病害嚴(yán)重度提供參考。

摘要:基于熱紅外視頻的生豬體溫檢測(cè)過(guò)程中，視頻中保育期生豬頭部姿態(tài)變化大，且耳根區(qū)域小，導(dǎo)致頭部和耳根區(qū)域定位精度低，影響生豬耳根溫度的精準(zhǔn)檢測(cè)。針對(duì)以上問(wèn)題，本文提出了一種基于改進(jìn)YOLO v4（Mish Dense YOLO v4，MD-YOLO v4）的生豬耳根溫度檢測(cè)方法，構(gòu)建了生豬關(guān)鍵部位檢測(cè)模型。首先，在CSPDarknet-53主干網(wǎng)絡(luò)中，添加密集連接塊，以?xún)?yōu)化特征轉(zhuǎn)移和重用，并將空間金字塔池化（Spatial pyramid pooling，SPP）模塊集成到主干網(wǎng)絡(luò)，進(jìn)一步增加主干網(wǎng)絡(luò)感受野；其次，在頸部引入改進(jìn)的路徑聚合網(wǎng)絡(luò)（Path aggregation network，PANet），縮短多尺度特征金字塔圖的高、低融合路徑；最后，網(wǎng)絡(luò)的主干和頸部使用Mish激活函數(shù)，進(jìn)一步提升該方法的檢測(cè)精度。試驗(yàn)結(jié)果表明，該模型對(duì)生豬關(guān)鍵部位檢測(cè)的mAP為95.71%，分別比YOLO v5和YOLO v4高5.39個(gè)百分點(diǎn)和6.43個(gè)百分點(diǎn)，檢測(cè)速度為60.21f/s，可滿(mǎn)足實(shí)時(shí)檢測(cè)的需求；本文方法對(duì)熱紅外視頻中生豬左、右耳根溫度提取的平均絕對(duì)誤差分別為0.26℃和0.21℃，平均相對(duì)誤差分別為0.68%和0.55%。結(jié)果表明本文提出的基于改進(jìn)YOLO v4的生豬耳根溫度檢測(cè)方法，可以應(yīng)用于熱紅外視頻中生豬關(guān)鍵部位的精準(zhǔn)定位，進(jìn)而實(shí)現(xiàn)生豬耳根溫度的準(zhǔn)確檢測(cè)。

摘要:為解決基于計(jì)算機(jī)視覺(jué)豬只體尺測(cè)量過(guò)程中存在的對(duì)豬只姿態(tài)依賴(lài)度高、測(cè)定效率低等問(wèn)題，提出了一種基于DeepLabCut算法的非接觸式豬只體尺快速測(cè)量方法。本研究以長(zhǎng)白豬為研究對(duì)象，使用RealSense L515深感相機(jī)作為圖像數(shù)據(jù)采集單元獲取豬只背部RGB-D數(shù)據(jù)，通過(guò)分析對(duì)比ResNet、MobileNet-V2、EfficientNet系列的10個(gè)主干網(wǎng)絡(luò)訓(xùn)練效果，選取EfficientNet-b6模型作為DeepLabCut算法最優(yōu)主干網(wǎng)絡(luò)進(jìn)行豬只體尺特征點(diǎn)檢測(cè)；為實(shí)現(xiàn)豬只體尺數(shù)據(jù)的精準(zhǔn)計(jì)算，本文采用SVM模型識(shí)別豬只站立姿態(tài)，篩選豬只自然站立狀態(tài)；在此基礎(chǔ)上，采用深度數(shù)據(jù)臨近區(qū)域替換算法對(duì)離群特征點(diǎn)進(jìn)行優(yōu)化，并計(jì)算豬只體長(zhǎng)、體寬、體高、臀寬和臀高5項(xiàng)體尺指標(biāo)。經(jīng)對(duì)140組豬只圖像進(jìn)行測(cè)試發(fā)現(xiàn)，本研究提出的算法可實(shí)現(xiàn)豬只自然站立姿態(tài)下體尺的實(shí)時(shí)、精準(zhǔn)測(cè)量，體尺最大均方根誤差為1.79cm，計(jì)算耗時(shí)為每幀0.27s。

摘要:針對(duì)閉集豬臉識(shí)別模型無(wú)法識(shí)別訓(xùn)練集中未曾出現(xiàn)的生豬個(gè)體的問(wèn)題，本文設(shè)計(jì)了一種融合注意力機(jī)制的開(kāi)集豬臉識(shí)別方法，可實(shí)現(xiàn)開(kāi)集豬臉圖像識(shí)別，識(shí)別模型從未處理過(guò)的生豬個(gè)體。首先基于全局注意力機(jī)制、倒置殘差結(jié)構(gòu)和深度可分離卷積構(gòu)建了輕量級(jí)的特征提取模塊(GCDSC)；然后基于高效注意力機(jī)制、Ghost卷積和殘差網(wǎng)絡(luò)設(shè)計(jì)C3ECAGhost模塊，提取豬臉圖像高層語(yǔ)義特征；最后基于MobileFaceNet網(wǎng)絡(luò)，融合GCDSC模塊、C3ECAGhost模塊、SphereFace損失函數(shù)和歐氏距離度量方法，構(gòu)建PigFaceNet模型，實(shí)現(xiàn)開(kāi)集豬臉識(shí)別。實(shí)驗(yàn)結(jié)果表明，GCDSC模塊可使模型豬臉識(shí)別的準(zhǔn)確率提高1.05個(gè)百分點(diǎn)，C3ECAGhost模塊可將模型準(zhǔn)確率進(jìn)一步提高0.56個(gè)百分點(diǎn)。PigFaceNet模型在開(kāi)集豬臉識(shí)別驗(yàn)證中的準(zhǔn)確率可達(dá)94.28%，比改進(jìn)前提高1.61個(gè)百分點(diǎn)，模型占用存儲(chǔ)空間僅為5.44MB，在提高準(zhǔn)確率的同時(shí)實(shí)現(xiàn)了模型輕量化，可為豬場(chǎng)智慧化養(yǎng)殖提供參考方案。

摘要:針對(duì)養(yǎng)殖池塘內(nèi)單環(huán)刺螠自動(dòng)采捕和產(chǎn)量預(yù)測(cè)應(yīng)用需求，提出一種基于深度學(xué)習(xí)的單環(huán)刺螠洞口識(shí)別方法，以適用于自動(dòng)采捕船的嵌入式設(shè)備。該方法通過(guò)將YOLO v4的主干網(wǎng)絡(luò)CSPDarkNet53替換為輕量型網(wǎng)絡(luò)Mobilenet v2，降低網(wǎng)絡(luò)參數(shù)量，提升檢測(cè)速度，并在此基礎(chǔ)上使用深度可分離卷積塊代替原網(wǎng)絡(luò)中Neck和Detection Head部分的普通卷積塊，進(jìn)一步降低模型參數(shù)量；選取帶色彩恢復(fù)的多尺度視網(wǎng)膜(Multi-scale retinex with color restoration，MSRCR)增強(qiáng)算法進(jìn)行圖像增強(qiáng)；利用K-means++算法對(duì)數(shù)據(jù)集進(jìn)行重新聚類(lèi)，對(duì)獲得的新錨點(diǎn)框尺寸進(jìn)行線(xiàn)性縮放優(yōu)化，以提高目標(biāo)檢測(cè)效果。在嵌入式設(shè)備Jetson AGX Xavier上部署訓(xùn)練好的模型，對(duì)水下單環(huán)刺螠洞口檢測(cè)的平均精度均值（Mean average precision，mAP）可達(dá)92.26%，檢測(cè)速度為36f/s，模型內(nèi)存占用量?jī)H為22.2MB。實(shí)驗(yàn)結(jié)果表明，該方法實(shí)現(xiàn)了檢測(cè)速度和精度的平衡，可滿(mǎn)足實(shí)際應(yīng)用場(chǎng)景下模型部署在單環(huán)刺螠采捕船嵌入式設(shè)備的需求。

摘要:為了解決植保無(wú)人機(jī)作業(yè)時(shí)，傳統(tǒng)田間障礙物識(shí)別方法依賴(lài)人工提取特征，計(jì)算耗時(shí)較長(zhǎng)，難以實(shí)現(xiàn)在非結(jié)構(gòu)化田間環(huán)境下實(shí)時(shí)作業(yè)識(shí)別的問(wèn)題，提出一種優(yōu)化的Mask R-CNN模型的非結(jié)構(gòu)化農(nóng)田障礙物實(shí)例分割方法。以ResNet-50殘差網(wǎng)絡(luò)為基礎(chǔ)，將空間注意力(Spatial attention, SA)引入殘差結(jié)構(gòu)，聚焦跟蹤目標(biāo)的顯著性表觀(guān)特征并主動(dòng)抑制噪聲等無(wú)用特征的影響；引入可變形卷積(Deformable convolution, DCN)，通過(guò)加入偏移量，增大感受野，提高模型的魯棒性。構(gòu)建包含農(nóng)田典型障礙物的數(shù)據(jù)集，通過(guò)對(duì)比試驗(yàn)研究在ResNet殘差網(wǎng)絡(luò)結(jié)構(gòu)中的不同階段中加入空間注意力和可變形卷積時(shí)的模型性能差異。結(jié)果表明，與Mask R-CNN原型網(wǎng)絡(luò)相比，在ResNet的階段2、階段3、階段5加入空間注意力和可變形卷積后，改進(jìn)Mask R-CNN的邊界框(Bbox)和掩膜(Mask)的平均精度均值(mAP)分別從64.5%、56.9%提高到71.3%、62.3%。本文提出的改進(jìn)Mask R-CNN可以很好地實(shí)現(xiàn)農(nóng)田障礙物檢測(cè)，可為植保無(wú)人機(jī)在非結(jié)構(gòu)化農(nóng)田環(huán)境下安全高效工作提供技術(shù)支撐。

摘要:針對(duì)果園目標(biāo)檢測(cè)時(shí)相機(jī)抖動(dòng)以及物體相對(duì)運(yùn)動(dòng)導(dǎo)致檢測(cè)圖像模糊的問(wèn)題，本文提出一種將DeblurGAN-v2去模糊網(wǎng)絡(luò)和YOLOv5s目標(biāo)檢測(cè)網(wǎng)絡(luò)相融合的D2-YOLO一階段去模糊識(shí)別深度網(wǎng)絡(luò)，用于檢測(cè)識(shí)別果園模糊場(chǎng)景圖像中的障礙物。為了減少融合網(wǎng)絡(luò)的參數(shù)量并提升檢測(cè)速度，首先將YOLOv5s骨干網(wǎng)絡(luò)中的標(biāo)準(zhǔn)卷積替換成深度可分離卷積，并且在輸出預(yù)測(cè)端使用CIoU_Loss進(jìn)行邊界框回歸預(yù)測(cè)。融合網(wǎng)絡(luò)使用改進(jìn)的CSPDarknet作為骨干網(wǎng)絡(luò)進(jìn)行特征提取，將模糊圖像恢復(fù)原始自然信息后，結(jié)合多尺度特征進(jìn)行模型預(yù)測(cè)。為了驗(yàn)證本文方法的有效性，選取果園中7種常見(jiàn)的障礙物作為目標(biāo)檢測(cè)對(duì)象，在Pytorch深度學(xué)習(xí)框架上進(jìn)行模型訓(xùn)練和測(cè)試。試驗(yàn)結(jié)果表明，本文提出的D2-YOLO去模糊識(shí)別網(wǎng)絡(luò)準(zhǔn)確率和召回率分別為91.33%和89.12%，與分步式DeblurGAN-v2+YOLOv5s相比提升1.36、2.7個(gè)百分點(diǎn)，與YOLOv5s相比分別提升9.54、9.99個(gè)百分點(diǎn)，能夠滿(mǎn)足果園機(jī)器人障礙物去模糊識(shí)別的準(zhǔn)確性和實(shí)時(shí)性要求。

摘要:為解決牛場(chǎng)人工推翻飼料勞動(dòng)強(qiáng)度大、工作時(shí)間長(zhǎng)等問(wèn)題，設(shè)計(jì)了一種基于激光雷達(dá)同步定位與建圖(Simultaneous localization and mapping, SLAM)的牛場(chǎng)智能推翻草機(jī)器人自主導(dǎo)航系統(tǒng)，以期實(shí)現(xiàn)機(jī)器人在牛場(chǎng)環(huán)境中自主導(dǎo)航完成推翻草任務(wù)。自主導(dǎo)航系統(tǒng)通過(guò)激光雷達(dá)感知牛場(chǎng)環(huán)境，使用加載里程計(jì)信息的Cartographer算法構(gòu)建牛場(chǎng)環(huán)境地圖，采用未加載里程計(jì)信息的自適應(yīng)蒙特卡洛定位(Adaptive Monte Carlo localization, AMCL)算法實(shí)現(xiàn)機(jī)器人的定位，并采用迪杰斯特拉算法(Dijkstra)規(guī)劃?rùn)C(jī)器人推翻草工作路徑。試驗(yàn)表明，在構(gòu)建牛場(chǎng)環(huán)境地圖時(shí)采用機(jī)器人加載里程計(jì)信息的方式，橫縱向偏差最大值低于未加載里程計(jì)信息時(shí)構(gòu)建的地圖，分別為0.02m和0.14m；在實(shí)現(xiàn)機(jī)器人的定位與導(dǎo)航時(shí)采用未加載里程計(jì)信息的方式，橫縱向偏差最大值及航向偏角最大值分別小于0.04m、0.10m和11°，且導(dǎo)航精度高于加載里程計(jì)信息時(shí)的數(shù)值，滿(mǎn)足牛場(chǎng)環(huán)境中推翻草作業(yè)時(shí)的導(dǎo)航精度要求。

摘要:了解膜孔灌形成的土壤濕潤(rùn)體尺寸對(duì)于設(shè)計(jì)經(jīng)濟(jì)高效的灌溉系統(tǒng)至關(guān)重要。采用HYDRUS-2D/3D數(shù)值模擬方法，研究土壤容重和膜孔直徑對(duì)12種質(zhì)地土壤入滲特性的影響?；?80組數(shù)值模擬結(jié)果，對(duì)濕潤(rùn)體運(yùn)移模型的參數(shù)進(jìn)行了優(yōu)化。采用田間圓筒入滲儀試驗(yàn)和室內(nèi)土箱試驗(yàn)（文獻(xiàn)資料）對(duì)模型的可靠性進(jìn)行評(píng)價(jià)。結(jié)果表明：濕潤(rùn)半徑和濕潤(rùn)深度均隨膜孔直徑和灌溉時(shí)間的增大而增大，而隨土壤容重的增大而減?。粌烧吲c穩(wěn)滲率和灌溉時(shí)間呈冪函數(shù)關(guān)系，建立一種適用于不同土壤質(zhì)地類(lèi)型的濕潤(rùn)體運(yùn)移模型；對(duì)于特定土壤質(zhì)地，穩(wěn)滲率與土壤容重和膜孔直徑之間具有良好的冪函數(shù)關(guān)系，冪函數(shù)指數(shù)分別為-6.3和1.1，冪函數(shù)系數(shù)只需1組圓筒入滲儀田間試驗(yàn)即可推求。所建模型計(jì)算值與12組試驗(yàn)實(shí)測(cè)值一致性較好，均方根誤差接近于0（介于0.020~0.170cm之間），納什效率系數(shù)趨近于1（介于0.995~0.999之間），實(shí)現(xiàn)了膜孔灌濕潤(rùn)體尺寸模型在田間的實(shí)際應(yīng)用，試驗(yàn)設(shè)計(jì)簡(jiǎn)單，方便管理人員進(jìn)行快速的現(xiàn)場(chǎng)評(píng)估。

摘要:甘肅省地處生態(tài)脆弱區(qū)，氣候條件復(fù)雜，干旱發(fā)生概率高、范圍廣。為了更好地研究甘肅省干旱時(shí)空變化特征，綜合考慮甘肅省氣候類(lèi)型和地理特征將其劃分為4個(gè)氣候分區(qū)（Ⅰ區(qū)，河西大陸性氣候區(qū)；Ⅱ區(qū)，隴中北部季風(fēng)氣候區(qū)；Ⅲ區(qū)，隴南-隴中南部季風(fēng)氣候區(qū)；Ⅳ區(qū)，甘南高寒氣候區(qū)），并采用甘肅省26個(gè)國(guó)家氣象站點(diǎn)的氣象資料，計(jì)算其近60年（1960—2019年）的月、季和年尺度的標(biāo)準(zhǔn)化降水蒸散指數(shù)（SPEI-1、SPEI-3、SPEI-12），結(jié)合氣候傾向率、Mann-Kendall突變檢驗(yàn)、空間插值等方法探討甘肅省近60年的干旱時(shí)空演變特征。結(jié)果表明：從時(shí)間變化角度看，不同時(shí)間尺度的SPEI均呈減小變化趨勢(shì)，且隨時(shí)間尺度的增大，SPEI波動(dòng)幅度越小；在四季變化上，春、夏、秋季SPEI在甘肅省各氣候分區(qū)都呈現(xiàn)在波動(dòng)中下降的趨勢(shì)，且下降趨勢(shì)明顯，表明干旱趨勢(shì)顯著，冬季SPEI在各氣候分區(qū)呈現(xiàn)在波動(dòng)中上升的趨勢(shì)，表明有濕潤(rùn)化的趨勢(shì)。從空間變化角度看，甘肅?、駞^(qū)呈干旱減緩趨勢(shì)，Ⅱ區(qū)、Ⅲ區(qū)和Ⅳ區(qū)呈干旱加劇趨勢(shì)，且春季各氣候分區(qū)干旱加劇趨勢(shì)明顯，夏、秋季次之，而冬季基本上都呈現(xiàn)干旱減緩趨勢(shì)；甘肅省不同氣候分區(qū)不同等級(jí)干旱發(fā)生頻率分布差異大且不均衡，干旱頻率由小到大依次為：特旱、中旱、重旱、輕旱。

摘要:為探明溝壟集雨條件下限量補(bǔ)灌對(duì)麥田土壤質(zhì)量的影響，在冬小麥生育期設(shè)置3種降雨年型（豐水年P(guān)1: 275mm、平水年P(guān)2: 200mm、干旱年P(guān)3: 125mm）和4個(gè)補(bǔ)灌量水平，以傳統(tǒng)畦灌（Traditional flat planting，TF）為對(duì)照，對(duì)溝壟集雨補(bǔ)灌（Ridge-furrow mulching system，RF）條件下不同土層土壤微生物呼吸、土壤有機(jī)碳含量、微生物量碳含量及其熵值（土壤代謝熵和微生物熵）進(jìn)行研究。連續(xù)3年的研究結(jié)果表明，與深層土壤相比，溝壟集雨補(bǔ)灌對(duì)表層土壤微生物呼吸強(qiáng)度和微生物熵影響更為顯著。在冬小麥生育期降雨量和補(bǔ)灌量相同的情況下，溝壟集雨較傳統(tǒng)畦灌表層和深層土壤微生物呼吸強(qiáng)度分別增加2.47%~21.67%和3.28%~24.59%，且均在干旱年（降雨量125mm）達(dá)到顯著性差異；而土壤有機(jī)碳含量分別降低0.42%~15.49%和3.34%~11.52%。微生物熵分別增加9.09%~27.05%和11.9%~24.76%；對(duì)同一降雨量下不同補(bǔ)灌處理進(jìn)行顯著性分析結(jié)果表明，與傳統(tǒng)畦灌對(duì)比，溝壟集雨補(bǔ)灌對(duì)土壤代謝熵影響不顯著。研究結(jié)果可為溝壟集雨技術(shù)下限量補(bǔ)灌農(nóng)田土壤質(zhì)量變化預(yù)測(cè)及田間補(bǔ)灌管理提供科學(xué)依據(jù)。

摘要:農(nóng)田水熱傳輸過(guò)程的量化對(duì)于農(nóng)業(yè)用水管理和作物灌溉制度的制定具有重要意義。本文利用波文比通量觀(guān)測(cè)系統(tǒng)實(shí)測(cè)數(shù)據(jù)和氣象站資料，對(duì)覆膜滴灌紫薯農(nóng)田的水熱通量變化規(guī)律及其對(duì)環(huán)境因子的響應(yīng)進(jìn)行了研究。結(jié)果表明：潛熱通量是全生育期覆膜滴灌農(nóng)田能量支出的主要部分，顯熱通量和土壤熱通量支出占比較小，全生育期潛熱通量、顯熱通量、土壤熱通量支出占比分別為69.12%、25.14%、6.57%。不同天氣條件下，顯熱通量的大小和變化范圍均小于潛熱通量。潛熱通量對(duì)降雨和灌溉的響應(yīng)最為顯著，且降雨影響程度大于灌溉。凈輻射、氣溫對(duì)潛熱通量的影響較大，表層土溫和風(fēng)速變化的影響則較低，各環(huán)境因子主要通過(guò)直接和間接作用共同對(duì)潛熱通量產(chǎn)生影響。該研究成果可以深化對(duì)覆膜滴灌紫薯農(nóng)田水熱傳輸規(guī)律的認(rèn)識(shí)，為作物高效用水提供理論依據(jù)。

摘要:為明確未來(lái)氣候條件下關(guān)中地區(qū)夏玉米農(nóng)田適宜的施肥-秸稈措施以控氨穩(wěn)產(chǎn)及應(yīng)對(duì)氣候變化，基于2019—2020年大田試驗(yàn)，進(jìn)行不同氮肥種類(lèi)和不同秸稈還田模式對(duì)農(nóng)田土壤氨揮發(fā)和作物產(chǎn)量的影響研究。根據(jù)田間實(shí)測(cè)數(shù)據(jù)對(duì)DNDC模型進(jìn)行校正與驗(yàn)證，利用驗(yàn)證后模型模擬未來(lái)氣候條件下不同施肥-秸稈措施對(duì)夏玉米產(chǎn)量及土壤氨揮發(fā)累積量的影響，綜合考慮產(chǎn)量和生產(chǎn)單位產(chǎn)量玉米的土壤氨揮發(fā)累積量，最終提出未來(lái)氣候條件下關(guān)中地區(qū)夏玉米農(nóng)田的優(yōu)化控氨穩(wěn)產(chǎn)施肥-秸稈措施。結(jié)果表明：校正后的DNDC模型可以很好地模擬不同施肥-秸稈措施條件下夏玉米生長(zhǎng)和農(nóng)田土壤氨揮發(fā)累積量。在未來(lái)氣候條件下，秸稈還田會(huì)顯著提高夏玉米產(chǎn)量并降低生產(chǎn)單位產(chǎn)量玉米的土壤氨揮發(fā)累積量。在RCP4.5排放情景下，未來(lái)2030—2090年，秸稈全量還田配施180kg/hm2穩(wěn)定性氮肥生產(chǎn)單位產(chǎn)量玉米的土壤氨揮發(fā)累積量較低且產(chǎn)量較高；在RCP8.5排放情景下，未來(lái)2030—2050年和2070—2090年，秸稈全量還田配施180kg/hm2穩(wěn)定性氮肥和秸稈全量還田配施162kg/hm2穩(wěn)定性氮肥生產(chǎn)單位產(chǎn)量玉米的土壤氨揮發(fā)累積量較低且產(chǎn)量較高。因此，在RCP4.5排放情景下，秸稈全量還田配施180kg/hm2穩(wěn)定性氮肥為關(guān)中地區(qū)2030—2090年較為優(yōu)化的控氨穩(wěn)產(chǎn)施肥-秸稈措施；在RCP8.5排放情景下，秸稈全量還田配施180kg/hm2穩(wěn)定性氮肥和秸稈全量還田配施162kg/hm2穩(wěn)定性氮肥分別為關(guān)中地區(qū)2030—2050年和2070—2090年較為優(yōu)化的控氨穩(wěn)產(chǎn)施肥-秸稈措施。本研究可為關(guān)中地區(qū)實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展及穩(wěn)產(chǎn)減排提供參考。

摘要:構(gòu)建日光溫室環(huán)境預(yù)測(cè)模型，準(zhǔn)確預(yù)測(cè)溫室環(huán)境變化有助于精準(zhǔn)調(diào)控作物生長(zhǎng)環(huán)境，促進(jìn)果蔬生長(zhǎng)。而溫室小氣候環(huán)境數(shù)據(jù)多參數(shù)并存、耦合關(guān)系復(fù)雜，且具有時(shí)序性和非線(xiàn)性，難以建立準(zhǔn)確的預(yù)測(cè)模型。針對(duì)以上問(wèn)題，提出一種基于麻雀搜索算法（SSA）優(yōu)化的長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)溫室環(huán)境預(yù)測(cè)模型，實(shí)現(xiàn)了溫室環(huán)境數(shù)據(jù)的精準(zhǔn)預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，采用SSA自動(dòng)進(jìn)行參數(shù)選優(yōu)的方式，解決了LSTM模型參數(shù)手動(dòng)選擇的難題，大幅縮短模型訓(xùn)練時(shí)間，且最優(yōu)的網(wǎng)絡(luò)參數(shù)能夠發(fā)揮模型的最佳性能。對(duì)日光溫室內(nèi)空氣溫濕度、土壤溫濕度、CO2濃度和光照強(qiáng)度6種環(huán)境參數(shù)進(jìn)行預(yù)測(cè)，SSA-LSTM平均擬合指數(shù)高達(dá)97.6%，相比BP、門(mén)控循環(huán)單元（GRU）、LSTM，其預(yù)測(cè)擬合指數(shù)分別提升8.1、4.1、4.3個(gè)百分點(diǎn)，預(yù)測(cè)精度明顯提升。

摘要:堆肥發(fā)酵是農(nóng)業(yè)廢棄物基質(zhì)化、肥料化利用的一個(gè)重要技術(shù)手段。在堆肥發(fā)酵過(guò)程中，溫度影響著發(fā)酵堆的發(fā)酵速率、發(fā)酵質(zhì)量，因此研究發(fā)酵堆內(nèi)部的溫度分布對(duì)于發(fā)酵堆的精準(zhǔn)管控至關(guān)重要。但由于不同堆置方式的發(fā)酵堆體積、高度不同導(dǎo)致傳統(tǒng)固定探針式傳感器難以靈活、便捷地進(jìn)行針對(duì)性測(cè)量，給農(nóng)業(yè)廢棄物發(fā)酵過(guò)程的精準(zhǔn)管控帶來(lái)極大不便。針對(duì)以上問(wèn)題，設(shè)計(jì)了一種桿體模塊化、可拼接的低功耗組合式多層溫度監(jiān)測(cè)系統(tǒng)。實(shí)現(xiàn)了基于CAN總線(xiàn)的檢測(cè)模塊自適應(yīng)識(shí)別，基于JSON封裝與關(guān)系數(shù)據(jù)庫(kù)的配置信息同步與自適應(yīng)匹配，以及系統(tǒng)現(xiàn)場(chǎng)端、服務(wù)器端、微信小程序端人機(jī)界面自適應(yīng)生成。經(jīng)過(guò)功能、功耗以及系統(tǒng)實(shí)際測(cè)試，結(jié)果表明，監(jiān)測(cè)系統(tǒng)可以實(shí)現(xiàn)連續(xù)監(jiān)測(cè)過(guò)程中實(shí)時(shí)數(shù)據(jù)監(jiān)測(cè)、低功耗運(yùn)行，具備良好的穩(wěn)定性，并且實(shí)現(xiàn)了系統(tǒng)硬件、服務(wù)器端、微信小程序端的同步配置、信息顯示等功能，滿(mǎn)足廢棄物堆肥發(fā)酵過(guò)程的溫度多層長(zhǎng)期監(jiān)測(cè)需求。

摘要:以冷榨磨漿工藝所得豆乳為原料，研究高壓均質(zhì)輔助不同蛋白酶（堿性蛋白酶、木瓜蛋白酶、菠蘿蛋白酶）水解豆乳對(duì)其結(jié)構(gòu)及品質(zhì)的影響。結(jié)果表明，隨著均質(zhì)壓力的增加，酶解豆乳溶解度和水解度分別高達(dá)91.9%和8.24%，同時(shí)豆乳粒徑分布更加均勻，表面負(fù)電荷增加，穩(wěn)定性明顯提高；SDS-PAGE電泳、紅外光譜和熒光光譜研究豆乳中蛋白結(jié)構(gòu)的變化，結(jié)果表明不同均質(zhì)壓力輔助酶解處理改變了蛋白質(zhì)的線(xiàn)性表位，大分子量的抗?fàn)I養(yǎng)蛋白因子條帶呈變淺趨勢(shì)，二級(jí)結(jié)構(gòu)中α-螺旋、β-折疊和無(wú)規(guī)則卷曲含量減少；測(cè)定抗?fàn)I養(yǎng)因子含量揭示蛋白質(zhì)結(jié)構(gòu)與功能的關(guān)系，發(fā)現(xiàn)均質(zhì)壓力在100MPa時(shí)，3種酶對(duì)大豆球蛋白、β-伴大豆球蛋白、植酸、大豆凝集素、胰蛋白酶抑制劑和脂肪氧化酶6種抗?fàn)I養(yǎng)因子達(dá)到最佳去除效果，抑制率分別高達(dá)51.28%、57.83%、72.31%、71.4%、89.55%和82.96%，脲酶活性均呈陰性。研究結(jié)果可為營(yíng)養(yǎng)健康豆乳的制備提供理論基礎(chǔ)。

摘要:為了解決飼料生產(chǎn)過(guò)程中入倉(cāng)原料種類(lèi)采用人工取樣感官識(shí)別所存在的問(wèn)題，實(shí)現(xiàn)原料種類(lèi)自動(dòng)識(shí)別，以玉米、麩皮、小麥、豆粕、魚(yú)粉等大宗飼料原料為研究對(duì)象，自主設(shè)計(jì)搭建了多通道入倉(cāng)原料種類(lèi)自動(dòng)識(shí)別裝置，采集飼料原料圖像數(shù)據(jù)集，并使用數(shù)據(jù)增強(qiáng)的方法增加樣本多樣性?；赗esNet18網(wǎng)絡(luò)模型加入通道注意力機(jī)制、增加Dropout函數(shù)，并嵌入余弦退火法的Adam優(yōu)化器，引入遷移學(xué)習(xí)機(jī)制訓(xùn)練模型，構(gòu)建適用于飼料原料種類(lèi)識(shí)別的CAM-ResNet18網(wǎng)絡(luò)模型。CAM-ResNet18網(wǎng)絡(luò)模型的原料種類(lèi)驗(yàn)證準(zhǔn)確率達(dá)99.1%，識(shí)別時(shí)間為2.58ms。與ResNet18、ResNet34、AlexNet、VGG16等網(wǎng)絡(luò)模型相比，模型驗(yàn)證集準(zhǔn)確率分別提升0.6、0.2、3.7、1.1個(gè)百分點(diǎn)。針對(duì)混淆矩陣結(jié)果分析，測(cè)試集識(shí)別平均準(zhǔn)確率達(dá)99.4%，具有較高的精確度和召回率。結(jié)果表明，構(gòu)建的CAM-ResNet18網(wǎng)絡(luò)模型在飼料原料種類(lèi)識(shí)別方面具有較高的識(shí)別精度和較快檢測(cè)速度，自主研發(fā)的多通道入倉(cāng)原料種類(lèi)自動(dòng)識(shí)別裝置具有實(shí)際應(yīng)用價(jià)值。

摘要:富士蘋(píng)果在貯藏期后熟過(guò)程中其生理特性發(fā)生變化，不適宜的貯藏會(huì)影響出庫(kù)品質(zhì)和售賣(mài)價(jià)格。為使貯藏期果實(shí)以較好的品質(zhì)出庫(kù)銷(xiāo)售，開(kāi)展對(duì)貯藏后熟蘋(píng)果品質(zhì)模型研究，并在此基礎(chǔ)上對(duì)蘋(píng)果出庫(kù)進(jìn)行評(píng)價(jià)和預(yù)測(cè)。采集了全貯藏期不同時(shí)間蘋(píng)果樣本的近紅外光譜和品質(zhì)指標(biāo)（可溶性固形物含量、硬度和失重率），分析貯藏期間果實(shí)漫反射光譜和品質(zhì)指標(biāo)變化規(guī)律，基于波長(zhǎng)1000~2400nm范圍內(nèi)的漫反射光譜結(jié)合預(yù)處理和特征波長(zhǎng)提取方法，建立貯藏期蘋(píng)果品質(zhì)的偏最小二乘（PLS）和帶有反饋的非線(xiàn)性自回歸（NARX）預(yù)測(cè)模型，根據(jù)行業(yè)標(biāo)準(zhǔn)確定蘋(píng)果出庫(kù)品質(zhì)判斷依據(jù)，采用基于熵權(quán)的TOPSIS法對(duì)果實(shí)出庫(kù)品質(zhì)進(jìn)行綜合評(píng)價(jià)，實(shí)現(xiàn)PLS對(duì)品質(zhì)得分和NARX對(duì)多品質(zhì)指標(biāo)的預(yù)測(cè)。結(jié)果表明，在預(yù)測(cè)SSC含量、硬度和失重率時(shí)，最優(yōu)模型分別為CARS-SPA-PLS、CARS-NARX和SPA-NARX，相關(guān)系數(shù)分別為0.914、0.796和0.918，均方根誤差分別為0.511°Brix、0.475kg/cm2和0.682%；在預(yù)測(cè)品質(zhì)得分時(shí)，PLS模型的相關(guān)系數(shù)與均方根誤差分別為0.896和0.0434，NARX多輸出模型的相關(guān)系數(shù)分別為0.794、0.785和0.905，均方根誤差分別為0.308°Brix、0.492kg/cm2和0.714%。應(yīng)用近紅外光譜技術(shù)能實(shí)現(xiàn)對(duì)果實(shí)貯藏品質(zhì)監(jiān)測(cè)和出庫(kù)品質(zhì)篩選，可為高效貯藏管理技術(shù)提供方法。

摘要:模型傳遞可解決不同近紅外光譜儀間多元校正模型無(wú)法共享的問(wèn)題。以食用油為研究對(duì)象，對(duì)其酸值和過(guò)氧化值模型進(jìn)行傳遞分析。在主機(jī)上建立偏最小二乘多元校正模型，利用無(wú)參數(shù)高效模型傳遞（PFCE）算法中NS-PFCE無(wú)標(biāo)樣算法和FS-PFCE有標(biāo)樣算法分別實(shí)現(xiàn)模型傳遞，探討了標(biāo)準(zhǔn)化樣品數(shù)量對(duì)模型傳遞效果的影響。并與經(jīng)典的3種有標(biāo)樣傳遞算法和2種無(wú)標(biāo)樣傳遞算法進(jìn)行對(duì)比。結(jié)果表明，經(jīng)NS-PFCE無(wú)標(biāo)樣傳遞后，從機(jī)酸值與過(guò)氧化值預(yù)測(cè)集均方根誤差分別從0.613mg/g和16.153mmol/kg下降到0.275mg/g和9.523mmol/kg；而經(jīng)FS-PFCE有標(biāo)樣傳遞后，從機(jī)酸值與過(guò)氧化值預(yù)測(cè)集均方根誤差分別下降到0.274mg/g和8.945mmol/kg。且隨著標(biāo)準(zhǔn)化樣品數(shù)量的增加，經(jīng)PFCE算法傳遞后預(yù)測(cè)集均方根誤差越低。無(wú)參數(shù)高效模型傳遞算法聯(lián)合應(yīng)用單一的無(wú)標(biāo)樣算法和有標(biāo)樣算法兩種傳遞方式，增強(qiáng)了傳遞模型的適應(yīng)性和包容性，同時(shí)有效地降低主機(jī)光譜與從機(jī)光譜之間的差異，實(shí)現(xiàn)了不同光譜儀間校正模型的共享。

摘要:為了實(shí)現(xiàn)多果品內(nèi)部品質(zhì)的現(xiàn)場(chǎng)無(wú)損快速檢測(cè)，基于多光譜技術(shù)設(shè)計(jì)了一種可更換探頭的手持式多果品內(nèi)部品質(zhì)無(wú)損檢測(cè)儀。該檢測(cè)儀的硬件系統(tǒng)由主機(jī)和多光譜采集探頭組成。主機(jī)包括微處理器、電源管理模塊、穩(wěn)壓驅(qū)動(dòng)模塊及輸入輸出模塊。多光譜采集探頭由12個(gè)不同波長(zhǎng)的發(fā)光二極管和數(shù)字光電傳感器組成。在MDK 5.0開(kāi)發(fā)環(huán)境下用C語(yǔ)言開(kāi)發(fā)了檢測(cè)儀的軟件。利用開(kāi)發(fā)的檢測(cè)儀分別采集了“華優(yōu)”獼猴桃和“雪”梨的漫反射多光譜，并基于偏最小二乘法建立了預(yù)測(cè)獼猴桃和梨的可溶性固形物含量(SSC)和硬度的模型。將預(yù)測(cè)模型導(dǎo)入到檢測(cè)儀后對(duì)儀器的性能進(jìn)行了測(cè)試。結(jié)果表明，該檢測(cè)儀對(duì)獼猴桃SSC和硬度的測(cè)量均方根誤差分別為1.51%和5.13N，對(duì)梨SSC和硬度的測(cè)量均方根誤差分別為0.52%和4.57N，檢測(cè)時(shí)間在2s以?xún)?nèi)，可通過(guò)更換探頭實(shí)現(xiàn)對(duì)多種果品內(nèi)部品質(zhì)的無(wú)損快速檢測(cè)。

摘要:To eliminate the deviation between the actual pressure and the expected pressure of the shifting clutch of hydraulic mechanical continuously variable transmission (HMCVT) during the pressure tracking control process, a global terminal sliding mode control algorithm based on extended observer was proposed to achieve the high-precision tracking control of the pressure. By establishing the nonlinear mathematical model of wet clutch with uncertain disturbance, the state space equation of pressure control system was derived. The mismatched disturbance was estimated by extended observer, the linear term was introduced to accelerate the global convergence of terminal sliding mode control. Then a global terminal sliding mode pressure tracking controller based on extended observer was designed for HMCVT shifting clutch pressure system in real time. Finally, the effect of the controller was simulated and verified by bench test. The simulation and test results showed that the uncertain disturbance can be accurately observed by the extended observer. Compared with the traditional TSMC, the dynamic response time was only 0.13s, the overshoot was only 0.08MPa, and no chattering phenomenon occurred for the proposed algorithm. In addition, the control algorithm had good performance anti-interference capability, which was reflected by the smallest jerk (reduced by 12.7% at most) and sliding friction work (reduced by 10.2% at most). The results proved that pressure tracking control algorithm proposed had good robustness, and it can be applied to pressure tracking control of HMCVT shifting clutch.

摘要:根據(jù)基于方位特征方程的并聯(lián)機(jī)構(gòu)拓?fù)湓O(shè)計(jì)理論和方法，設(shè)計(jì)、分析了一種零耦合度且部分運(yùn)動(dòng)解耦的三自由度非對(duì)稱(chēng)兩平移一轉(zhuǎn)動(dòng)（2T1R）并聯(lián)機(jī)構(gòu)，包括：給出機(jī)構(gòu)的拓?fù)湓O(shè)計(jì)過(guò)程，計(jì)算其自由度、耦合度κ等主要拓?fù)涮匦?；其次，基于拓?fù)涮卣鬟\(yùn)動(dòng)學(xué)建模方法，求出其符號(hào)式位置正反解，并通過(guò)正解進(jìn)行工作空間計(jì)算；同時(shí)導(dǎo)出位置逆解方程，得到動(dòng)平臺(tái)雅可比矩陣，由此導(dǎo)出機(jī)構(gòu)內(nèi)各構(gòu)件的速度、加速度以及奇異性；又運(yùn)用基于虛功原理的序單開(kāi)鏈法進(jìn)行逆向動(dòng)力學(xué)建模，得到該機(jī)構(gòu)主動(dòng)副的驅(qū)動(dòng)力變化曲線(xiàn)，同時(shí)以子運(yùn)動(dòng)鏈（SKC）為單元，求解SKC連接處運(yùn)動(dòng)副的支反力，并通過(guò)ADAMS予以動(dòng)力學(xué)仿真驗(yàn)證。最后，分析了該機(jī)構(gòu)可用作不同高度輸送帶之間物料自動(dòng)轉(zhuǎn)運(yùn)、卸料裝置的潛在應(yīng)用場(chǎng)景，并給出了其概念設(shè)計(jì)。本文為兩支鏈大轉(zhuǎn)角并聯(lián)機(jī)構(gòu)的高效運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)建模與分析，以及機(jī)構(gòu)性能優(yōu)化與樣機(jī)研發(fā)提供了理論依據(jù)。

摘要:為降低并聯(lián)機(jī)構(gòu)機(jī)械誤差測(cè)量和補(bǔ)償?shù)碾y度，實(shí)現(xiàn)機(jī)構(gòu)末端的精確控制，本文提出一種基于Jacobian和RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的末端誤差補(bǔ)償方法。以一種3-PTT并聯(lián)機(jī)構(gòu)為研究對(duì)象，分析機(jī)構(gòu)正、逆運(yùn)動(dòng)學(xué)，驗(yàn)證數(shù)學(xué)模型的正確性。根據(jù)運(yùn)動(dòng)學(xué)模型解算Jacobian，分析機(jī)構(gòu)約束奇異和運(yùn)動(dòng)奇異。為驗(yàn)證機(jī)構(gòu)末端誤差補(bǔ)償方法的有效性，設(shè)置兩種實(shí)驗(yàn)條件，分別為是否有絲杠的回程誤差補(bǔ)償和末端受不同負(fù)載，并通過(guò)激光跟蹤儀測(cè)定末端位置。實(shí)驗(yàn)結(jié)果表明，使用本文的誤差補(bǔ)償方法后，機(jī)構(gòu)末端軸向(x軸)、徑向(y軸)位置誤差均降低90%以上，豎直方向(z軸)位置誤差均降低80%以上，證明了本文方法的有效性。

摘要:針對(duì)動(dòng)力學(xué)不確定性的機(jī)器人軌跡跟蹤問(wèn)題，本文提出一種基于參考軌跡實(shí)時(shí)修正的機(jī)器人軌跡跟蹤控制方法。將軌跡跟蹤中已產(chǎn)生的誤差進(jìn)行累加，實(shí)時(shí)前饋補(bǔ)償?shù)絽⒖架壽E上即將被跟蹤的點(diǎn)上。給出了該方法的控制框圖，由控制框圖導(dǎo)出跟蹤誤差與命令誤差之間的關(guān)系式。關(guān)系式表明只需控制器中的控制算法保證速度誤差穩(wěn)定，即可保證跟蹤誤差收斂。此外，提高補(bǔ)償增益的值可以提高誤差的收斂速度。分析PD控制律能滿(mǎn)足所提方法的收斂條件。給出了所提方法中參數(shù)的調(diào)節(jié)方案。通過(guò)仿真和實(shí)驗(yàn)驗(yàn)證了該方法的有效性。實(shí)驗(yàn)結(jié)果表明，各個(gè)關(guān)節(jié)跟蹤軌跡1得到的誤差絕對(duì)值均不大于0.0087rad；跟蹤軌跡2得到的誤差絕對(duì)值均不大于0.0059rad。

摘要:為使伺服壓力機(jī)具有良好的拉深性能，需要對(duì)其軌跡進(jìn)行合理規(guī)劃。針對(duì)六連桿大型伺服壓力機(jī)，構(gòu)建一種主傳動(dòng)機(jī)構(gòu)軌跡規(guī)劃方法?；趲?kù)倫-粘性摩擦模型，建立主傳動(dòng)機(jī)構(gòu)的高精度動(dòng)力學(xué)模型?？紤]沖壓過(guò)程中的工藝約束和要求，提出基于復(fù)合三角函數(shù)的伺服電機(jī)加減速控制的改進(jìn)模型。針對(duì)主傳動(dòng)機(jī)構(gòu)的能耗和效率進(jìn)行分析，以滑塊運(yùn)動(dòng)的周期能耗和生產(chǎn)節(jié)拍為優(yōu)化指標(biāo)，通過(guò)線(xiàn)性加權(quán)的方式構(gòu)造多目標(biāo)優(yōu)化函數(shù)，引入機(jī)械手送料時(shí)間、滑塊最大速度、主動(dòng)件角速度、伺服電機(jī)動(dòng)態(tài)限和熱極限等約束，采用遺傳算法完成了多目標(biāo)優(yōu)化設(shè)計(jì)。結(jié)果顯示：優(yōu)化后，伺服壓力機(jī)主傳動(dòng)機(jī)構(gòu)在一個(gè)周期的能效提升4.54%，生產(chǎn)節(jié)拍時(shí)間減小3.23%，實(shí)現(xiàn)了良好的拉深工藝模式。