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:丘陵山區(qū)先進(jìn)適用農(nóng)機(jī)裝備的研發(fā)是目前國(guó)內(nèi)農(nóng)機(jī)裝備研究的熱點(diǎn)和難點(diǎn)問題之一。目前，我國(guó)丘陵山區(qū)農(nóng)業(yè)生產(chǎn)存在“無機(jī)可用，無好機(jī)用”的現(xiàn)實(shí)問題，并且先進(jìn)適用丘陵山地農(nóng)機(jī)裝備（簡(jiǎn)稱山地農(nóng)業(yè)裝備）的研發(fā)缺乏必要的理論支撐。本文重點(diǎn)綜述了國(guó)內(nèi)外山地農(nóng)業(yè)裝備尤其是山地拖拉機(jī)及山地農(nóng)機(jī)調(diào)平技術(shù)、山地拖拉機(jī)驅(qū)動(dòng)與動(dòng)力系統(tǒng)、山地農(nóng)機(jī)具及其作業(yè)性能的研究現(xiàn)狀，闡述了農(nóng)機(jī)土壤壓實(shí)與坡地土壤耕作侵蝕的研究進(jìn)展，總結(jié)歸納了山地農(nóng)機(jī)設(shè)計(jì)及山地農(nóng)機(jī)-土壤互作機(jī)理研究的計(jì)算機(jī)輔助方法。展望丘陵山地農(nóng)機(jī)裝備及坡地作業(yè)技術(shù)的研究重點(diǎn)及發(fā)展方向：山地農(nóng)機(jī)-坡地土壤-作物（養(yǎng)分）互作機(jī)理研究；山地農(nóng)機(jī)總體設(shè)計(jì)與農(nóng)藝及坡地作業(yè)場(chǎng)景深度融合；山地農(nóng)機(jī)姿態(tài)調(diào)平機(jī)構(gòu)與控制策略；山地農(nóng)機(jī)動(dòng)力高效傳遞與靈便轉(zhuǎn)向驅(qū)動(dòng)；山地農(nóng)機(jī)作業(yè)機(jī)組的智能化監(jiān)測(cè)與精確自主導(dǎo)航。以期為我國(guó)丘陵山區(qū)農(nóng)機(jī)裝備的研發(fā)設(shè)計(jì)提供借鑒參考。

摘要:針對(duì)稻麥?zhǔn)斋@無人作業(yè)的需求，提出了一種使用激光雷達(dá)檢測(cè)稻麥?zhǔn)斋@邊界的算法，并連接無人控制系統(tǒng)實(shí)現(xiàn)收獲邊界的自動(dòng)對(duì)齊。該算法首先對(duì)采集的收獲輪廓點(diǎn)云劃定感興趣角度范圍，根據(jù)雷達(dá)的安裝高度和位置將測(cè)量數(shù)據(jù)由極坐標(biāo)轉(zhuǎn)換為三維直角坐標(biāo)，融合陀螺儀測(cè)量的激光雷達(dá)安裝姿態(tài)數(shù)據(jù)對(duì)測(cè)量點(diǎn)云進(jìn)行校正；通過中值濾波和Z向閾值濾波將點(diǎn)云中的噪點(diǎn)和非稻麥輪廓點(diǎn)濾除；對(duì)比了K-means聚類和Z向中心差分法檢測(cè)稻麥?zhǔn)斋@邊界的精度，并進(jìn)行了誤差分析；開發(fā)了感知系統(tǒng)并制定了感知與控制的CAN通信協(xié)議，采用預(yù)瞄點(diǎn)追蹤方法對(duì)實(shí)時(shí)檢測(cè)的邊界點(diǎn)進(jìn)行對(duì)齊控制；分析研究了稻麥?zhǔn)斋@邊界自動(dòng)對(duì)齊精度檢測(cè)方法。2022年6月在北京小湯山國(guó)家精準(zhǔn)農(nóng)業(yè)示范基地進(jìn)行了收獲邊界檢測(cè)與自動(dòng)對(duì)齊控制系統(tǒng)試驗(yàn)，分別采用數(shù)據(jù)標(biāo)注和GPS打點(diǎn)的方式進(jìn)行了數(shù)據(jù)采集與分析，試驗(yàn)結(jié)果表明，基于K-means聚類的收獲邊界檢測(cè)橫向偏差平均值為22.24cm，基于Z向中心差分法的收獲邊界檢測(cè)橫向偏差平均值為1.48cm，Z向中心差分法的收獲邊界檢測(cè)優(yōu)于基于K-means聚類的檢測(cè)方法，故采用Z向中心差分法進(jìn)行自動(dòng)對(duì)齊控制試驗(yàn)，整體控制系統(tǒng)自動(dòng)對(duì)齊橫向偏差平均值為9.18cm，標(biāo)準(zhǔn)差為2.48cm，該系統(tǒng)可用于稻麥?zhǔn)斋@無人作業(yè)。

摘要:為減少果園機(jī)器人在定位與建圖過程中產(chǎn)生的累積漂移誤差，本文提出一種基于密度二進(jìn)制模式（Density binary pattern，DBP）描述子的激光回環(huán)檢測(cè)算法。算法將點(diǎn)云空間分割為二進(jìn)制單元塊，提取包含點(diǎn)云高度與密度信息的全局描述子DBP。針對(duì)復(fù)雜果園的大尺度、高度相似、非結(jié)構(gòu)化特性，基于兩階段搜索算法實(shí)現(xiàn)高效回環(huán)檢測(cè)。基于歷史幀DBP的環(huán)因子檢索K近鄰候選幀，確認(rèn)與當(dāng)前幀DBP描述子最相似的候選幀為最終目標(biāo)回環(huán)索引。在具有多個(gè)回環(huán)事件的復(fù)雜果園場(chǎng)景中，DBP-LeGO-LOAM算法軌跡的均方根誤差與標(biāo)準(zhǔn)差分別為0.24m與0.09m，相對(duì)LeGO-LOAM中基于距離的回環(huán)檢測(cè)算法分別減少81%與91%。實(shí)驗(yàn)證明，本文方法對(duì)多回環(huán)復(fù)雜果園環(huán)境具有更好的適應(yīng)性，為提高果園機(jī)器人建圖與定位精度提供了有效解決方案。

摘要:為降低人工打頂?shù)膭趧?dòng)強(qiáng)度，減少化學(xué)打頂?shù)沫h(huán)境污染，改善“一刀切”式打頂機(jī)構(gòu)的過打頂情況，通過分析手工打頂過程，設(shè)計(jì)了一種雙圓盤式打頂機(jī)構(gòu)，并基于機(jī)器視覺，設(shè)計(jì)打頂裝置單行樣機(jī)，實(shí)現(xiàn)棉花打頂?shù)娜套詣?dòng)化控制。該裝置主要由打頂機(jī)構(gòu)、視覺檢測(cè)機(jī)構(gòu)、運(yùn)動(dòng)機(jī)構(gòu)和棉花頂尖識(shí)別及控制系統(tǒng)組成?；诿尢镎{(diào)研、結(jié)構(gòu)計(jì)算和預(yù)試驗(yàn)，確定了打頂裝置的整體結(jié)構(gòu)和關(guān)鍵部件尺寸。結(jié)合視覺識(shí)別研究基礎(chǔ)與實(shí)際應(yīng)用，選用YOLO v3算法搭建棉花頂尖識(shí)別及控制系統(tǒng)，實(shí)現(xiàn)棉花頂尖的識(shí)別定位，完成打頂機(jī)構(gòu)的運(yùn)動(dòng)控制。以打頂期棉花為研究對(duì)象，進(jìn)行棉花頂尖識(shí)別試驗(yàn)、打頂機(jī)構(gòu)性能試驗(yàn)和田間試驗(yàn)，結(jié)果表明：棉花頂尖識(shí)別試驗(yàn)平均識(shí)別率為93%；打頂機(jī)構(gòu)性能試驗(yàn)平均打頂率為94.67%；田間試驗(yàn)平均識(shí)別率為85.33%，平均打頂率為78.22%。研究結(jié)果可為棉花精準(zhǔn)化與智能化打頂?shù)难芯刻峁﹨⒖肌?/p>

摘要:針對(duì)長(zhǎng)江中下游油菜適播期持續(xù)干旱或降雨導(dǎo)致土壤含水率波動(dòng)大影響油菜成苗的實(shí)際情況，探究油菜農(nóng)機(jī)農(nóng)藝融合模式，提出一種旋耕碎土、兩側(cè)開畦溝、廂面旋切微壟、微壟表面播種的油菜微壟直播工藝，設(shè)計(jì)一種油菜直播機(jī)旋切式微壟種床制備裝置。根據(jù)油菜直播株行距配置、根系生長(zhǎng)特點(diǎn)，結(jié)合壟作土壤水熱特性，確定微壟幾何尺寸；基于運(yùn)動(dòng)學(xué)解析腹板端點(diǎn)旋切土壤的運(yùn)動(dòng)規(guī)律和腹板滾動(dòng)包絡(luò)線，從結(jié)構(gòu)角度定性分析被動(dòng)旋轉(zhuǎn)過程并確定回轉(zhuǎn)半徑、腹板數(shù)量、腹板頂角范圍；利用DEM-MBD耦合仿真，進(jìn)行單因素試驗(yàn)和正交旋轉(zhuǎn)回歸試驗(yàn)，從土壤角度定量研究了腹板數(shù)量、腹板頂角、旋切深度、前進(jìn)速度對(duì)微壟成形的影響規(guī)律，并得到裝置腹板數(shù)量分別為6和8的較優(yōu)工作參數(shù)組合；田間試驗(yàn)使用Trimble TX8三維激光掃描儀重構(gòu)裝置作業(yè)后微壟廂面，與仿真結(jié)果進(jìn)行對(duì)比分析。結(jié)果表明，腹板數(shù)量分別為6和8時(shí)較優(yōu)工作參數(shù)組合為：腹板頂角、旋切深度、有效溝深分別為28.00°、100mm、83.59mm和26.50°、92mm、64.26mm，田間試驗(yàn)微壟溝深和微壟距平均值為103.08、85.16mm和332.92、266.88mm，與仿真結(jié)果最大誤差為8.25%，微壟合格率分別為100%和90%。

摘要:針對(duì)現(xiàn)有氣吸式排種器在進(jìn)行花生高速播種作業(yè)時(shí)重播、漏播現(xiàn)象嚴(yán)重等問題，設(shè)計(jì)了一款驅(qū)導(dǎo)組合槽輔助附種氣吸式高速精量排種器，在設(shè)計(jì)排種盤時(shí)將攪種凹槽、取種槽口、吸種型孔組合設(shè)計(jì)構(gòu)成組合槽，實(shí)現(xiàn)擾種、驅(qū)種、輔助附種作用，保證高速作業(yè)時(shí)的排種性能。通過理論建模分析驗(yàn)證了排種盤結(jié)構(gòu)設(shè)計(jì)的合理性并初步完成了關(guān)鍵參數(shù)的確定，借助離散元仿真軟件對(duì)種群運(yùn)移情況受關(guān)鍵參數(shù)的影響規(guī)律進(jìn)行了分析，并進(jìn)行了二因素五水平二次正交旋轉(zhuǎn)組合試驗(yàn)，對(duì)結(jié)構(gòu)參數(shù)進(jìn)一步優(yōu)化；得出攪種凹槽、取種槽口尺寸及作業(yè)速度均會(huì)對(duì)排種性能造成顯著影響，并得出最優(yōu)排種器參數(shù)組合：攪種凹槽深度3mm、基圓半徑70mm；取種槽口左右端面上沿距離24.0mm、下沿距離19.1mm、深度10.5mm、排種盤外周到取種槽口后端面距離24.0mm。在該參數(shù)組合下，當(dāng)風(fēng)壓為-6kPa、作業(yè)速度為6~12km/h時(shí)，粒距合格指數(shù)不小于93.33%，重播指數(shù)不大于3.52%，漏播指數(shù)不大于4.02%，破損指數(shù)不大于0.32%，具有良好的作業(yè)性能。

摘要:蔬菜移栽機(jī)在膜上移栽時(shí)，只能在較小的范圍內(nèi)調(diào)整株距，以保證較小栽植穴口，株距過大會(huì)造成栽植器前移撕膜，過小會(huì)導(dǎo)致栽植器后移帶膜，形成較大穴口，影響幼苗后期生長(zhǎng)，為此設(shè)計(jì)一套栽植靜軌跡無級(jí)可調(diào)的往復(fù)式鴨嘴栽植裝置。在分析栽植裝置結(jié)構(gòu)特點(diǎn)、工作過程及調(diào)整構(gòu)件尺寸參數(shù)和安裝參數(shù)以實(shí)現(xiàn)不同株距較小穴口栽植原理的基礎(chǔ)上，提出了一套栽植靜軌跡無級(jí)可調(diào)的栽植機(jī)構(gòu)及其栽植方法。通過建立機(jī)構(gòu)的運(yùn)動(dòng)學(xué)模型，開發(fā)了可視化輔助設(shè)計(jì)軟件，分析了各參數(shù)對(duì)栽植特性的影響，使用逐步逼近法確定了一組滿足要求的參數(shù)：L1=35mm、L2=350mm、L3=70mm、L5=280mm、dD=358mm、Φ4=15°、xB=20mm，標(biāo)定了株距每間隔50mm對(duì)應(yīng)的支點(diǎn)B縱坐標(biāo)yB的位置。根據(jù)機(jī)構(gòu)參數(shù)組合設(shè)計(jì)了鴨嘴栽植裝置并建立了三維模型，進(jìn)行了運(yùn)動(dòng)學(xué)仿真，驗(yàn)證了鴨嘴栽植裝置結(jié)構(gòu)設(shè)計(jì)的可行性。開展了實(shí)驗(yàn)室樣機(jī)試驗(yàn)，試驗(yàn)結(jié)果表明：栽植株距在100~600mm之間，栽植合格率大于90%，株距變異系數(shù)小于6%，穴口長(zhǎng)度均小于100mm，其中株距100mm時(shí)平均穴口長(zhǎng)度為52.26mm，栽植效果良好，可以滿足不同株距小穴口的栽植要求。

摘要:溫室穴盤缽苗成苗后需要從穴盤移植到培養(yǎng)槽孔，但因人工作業(yè)效率低，限制了其規(guī)?；a(chǎn)。為實(shí)現(xiàn)高效、高質(zhì)量自動(dòng)化移栽作業(yè)，本文設(shè)計(jì)一種用于溫室穴盤缽苗高速取、放苗移栽作業(yè)的爪片插入式成排移植手部件，分析取苗作業(yè)過程移植手的受力及取放苗過程移植手的變形，結(jié)合ADAMS剛?cè)狁詈戏抡嬖囼?yàn)開展植苗手優(yōu)化設(shè)計(jì)，確定爪片尖點(diǎn)擬合曲線及移植手抓取穴盤缽苗的運(yùn)行軌跡。以移植手取苗深度、基質(zhì)含水率、升降速度和水平橫移速度為試驗(yàn)因素，開展成排移植手部件取、放苗正交試驗(yàn)，并確定最佳參數(shù)組合。結(jié)果表明，當(dāng)取苗深度48mm、基質(zhì)含水率69.9%、升降速度0.24m/s和水平橫移速度0.35m/s時(shí)，取放苗成功率為97.9%，效率10322株/h，滿足高速、高效移栽要求。該研究為溫室穴盤缽苗高速移栽部件的國(guó)產(chǎn)化開發(fā)提供參考。

摘要:針對(duì)目前牧草收獲、粉碎加工設(shè)備輸送和切割等機(jī)構(gòu)研究過程中離散元仿真缺乏準(zhǔn)確模型的問題，以含水率高、物理力學(xué)特性較為復(fù)雜的苜?，F(xiàn)蕾期莖稈為研究對(duì)象，借助EDEM仿真軟件，分別基于Hertz-Mindlin(no slip)和Hertz-Mindlin with bonding接觸模型對(duì)物理參數(shù)和粘結(jié)參數(shù)進(jìn)行標(biāo)定。以休止角和剪切試驗(yàn)為基礎(chǔ)，通過Plackett-Burman試驗(yàn)、Steepest ascent試驗(yàn)和Box-Behnken試驗(yàn)確定了苜蓿莖稈的泊松比、剪切模量、碰撞恢復(fù)系數(shù)、靜摩擦因數(shù)、滾動(dòng)摩擦因數(shù)等物理參數(shù)和法向接觸剛度、切向接觸剛度、臨界法向應(yīng)力、臨界切向應(yīng)力、粘結(jié)半徑等粘結(jié)參數(shù)。以確定的物理參數(shù)進(jìn)行休止角仿真試驗(yàn)，結(jié)果表明，仿真休止角與物理試驗(yàn)休止角相對(duì)誤差為0.52%；以確定的粘結(jié)參數(shù)進(jìn)行剪切仿真試驗(yàn)，結(jié)果表明，仿真剪切破壞力與物理試驗(yàn)仿真破壞力相對(duì)誤差為0.86%，說明所標(biāo)定的參數(shù)能夠真實(shí)反映苜?，F(xiàn)蕾期莖稈的物理和力學(xué)特性。

摘要:針對(duì)現(xiàn)有棉稈收獲機(jī)械拔斷率、漏拔率高，作業(yè)時(shí)需對(duì)行等問題，設(shè)計(jì)了一種夾持輥式棉稈拔取裝置。該裝置主要由棉稈拔取機(jī)構(gòu)、棉稈輸送機(jī)構(gòu)組成，通過對(duì)棉稈拔取機(jī)構(gòu)作業(yè)過程進(jìn)行運(yùn)動(dòng)學(xué)與動(dòng)力學(xué)分析確定了各零部件的結(jié)構(gòu)參數(shù)與工作參數(shù)。為了驗(yàn)證棉稈拔取裝置工作的可靠性與作業(yè)性能，以機(jī)具前進(jìn)速度、上拔稈輥轉(zhuǎn)速、機(jī)具前進(jìn)速度與撥稈輪線速度比值（簡(jiǎn)稱速比）作為試驗(yàn)因素，棉稈拔斷率、漏拔率為試驗(yàn)指標(biāo)進(jìn)行了三因素三水平二次回歸響應(yīng)面試驗(yàn)，建立了回歸模型，分析了各因素對(duì)棉稈拔取裝置作業(yè)性能的影響，并進(jìn)行了參數(shù)優(yōu)化與試驗(yàn)驗(yàn)證。試驗(yàn)結(jié)果表明：影響棉稈拔斷率的因素主次順序?yàn)樯习味捿佫D(zhuǎn)速、機(jī)具前進(jìn)速度、速比；影響棉稈漏拔率的因素主次順序?yàn)樗俦?、機(jī)具前進(jìn)速度、上拔稈輥轉(zhuǎn)速。優(yōu)化后的工作參數(shù)為：機(jī)具前進(jìn)速度0.60m/s、上拔稈輥轉(zhuǎn)速46r/min、速比0.50，以此參數(shù)組合進(jìn)行田間試驗(yàn)，得到棉稈拔斷率為3.68%，漏拔率為5.19%，與理論優(yōu)化值相對(duì)誤差不超過5%，研究結(jié)果可為棉稈拔取裝置的設(shè)計(jì)提供參考

摘要:針對(duì)與油菜薹機(jī)械化收獲中的切割、夾持輸送、打捆等關(guān)鍵環(huán)節(jié)密切相關(guān)的油菜薹莖稈離散元仿真模型缺乏準(zhǔn)確粘結(jié)參數(shù)的問題，以“油蔬兩用”雙低型油菜收獲期油菜薹機(jī)械化夾持段莖稈為研究對(duì)象，利用EDEM仿真軟件提出三軸空間坐標(biāo)法構(gòu)建油菜薹夾持中段莖稈雙層粘結(jié)離散元仿真模型。采用Design-Expert軟件依次設(shè)計(jì)了Plackett-Burman試驗(yàn)、最陡爬坡試驗(yàn)和Box-Behnken試驗(yàn)，完成油菜薹夾持中段莖稈仿真粘結(jié)參數(shù)標(biāo)定。利用標(biāo)定的參數(shù)優(yōu)化解構(gòu)建剪切和徑向壓縮模型進(jìn)行相應(yīng)仿真試驗(yàn)，通過與物理試驗(yàn)對(duì)比分析，對(duì)模型參數(shù)進(jìn)一步優(yōu)化。結(jié)果表明，內(nèi)芯-內(nèi)芯的法向/切向接觸剛度、表皮-內(nèi)芯法向/切向接觸剛度，以及表皮-表皮法向接觸剛度對(duì)莖稈力學(xué)性能影響顯著，分別為1.94×107、9.56×108、6.28×109N/m；所有力學(xué)模型的仿真值與實(shí)測(cè)值相對(duì)誤差不大于3%，且莖稈受力變化趨勢(shì)基本一致，表明標(biāo)定優(yōu)化后的參數(shù)具有可行性和準(zhǔn)確性。所構(gòu)建的油菜薹莖稈雙層粘結(jié)離散元模型能表征其內(nèi)部結(jié)構(gòu)的力學(xué)特性差異，可為油菜薹莖稈相關(guān)系統(tǒng)的數(shù)值模擬研究提供模型基礎(chǔ)。

摘要:為提高離散元法對(duì)指導(dǎo)香蕉秸稈粉碎還田裝備設(shè)計(jì)與優(yōu)化的準(zhǔn)確性與可靠性，本文利用Hertz-Mindlin with bonding接觸模型建立香蕉秸稈離散元粘結(jié)模型并進(jìn)行參數(shù)標(biāo)定。運(yùn)用高速攝影技術(shù)開展碰撞恢復(fù)試驗(yàn)、靜摩擦及滾動(dòng)摩擦臺(tái)架試驗(yàn)，確定了香蕉秸稈碰撞恢復(fù)系數(shù)、靜摩擦因數(shù)和滾動(dòng)摩擦因數(shù)等基本離散元模型接觸參數(shù)。開展香蕉秸稈物理與仿真剪切試驗(yàn)，獲得破壞香蕉秸稈外皮的力學(xué)特征曲線，確定物理最大剪切力為122.41N；通過中心組合設(shè)計(jì)（Central composite design, CCD）響應(yīng)面法確定香蕉秸稈粘結(jié)模型的法向接觸剛度、切向接觸剛度、臨界法向應(yīng)力與臨界切向應(yīng)力的最佳參數(shù)組合為5.89×107N/m、2.49×106N/m、1.39×105Pa、1.34×105Pa。以參數(shù)標(biāo)定結(jié)果進(jìn)行仿真驗(yàn)證，結(jié)果表明，仿真剪切力結(jié)果與物理剪切力相對(duì)誤差僅為2.34%，驗(yàn)證了該粘結(jié)參數(shù)標(biāo)定方法的可行性，可為香蕉秸稈粉碎還田機(jī)設(shè)計(jì)與研究提供理論參考。

摘要:針對(duì)名優(yōu)茶選擇性采摘時(shí)，因茶葉附壁導(dǎo)致收集成功率低的問題，根據(jù)一芽二葉的物理參數(shù)設(shè)計(jì)了一種螺紋管吸附式茶葉采收器。通過預(yù)試驗(yàn)得到了影響茶葉收集成功率的因素：負(fù)壓、螺紋線數(shù)和螺紋導(dǎo)程的參數(shù)范圍；采用Fluent仿真和Box-Behnken響應(yīng)面分析法，研究各因素對(duì)茶葉收集成功率的影響。試驗(yàn)結(jié)果表明：3個(gè)因素改變管內(nèi)近壁面處的空氣切向速度；各因素對(duì)收集成功率的影響顯著性主次排序?yàn)? 負(fù)壓、螺紋導(dǎo)程、螺紋線數(shù)；以茶葉收集成功率為優(yōu)化目標(biāo)對(duì)各參數(shù)進(jìn)行優(yōu)化并對(duì)優(yōu)化后的參數(shù)取整，得到參數(shù)為：負(fù)壓H=120Pa、螺紋線數(shù)N=9、螺紋導(dǎo)程S=95mm。以優(yōu)化后的參數(shù)進(jìn)行吸附式收集試驗(yàn)，結(jié)果表明收集成功率為98%，即優(yōu)化后收集成功率相較于優(yōu)化前提高26個(gè)百分點(diǎn)，試驗(yàn)值與預(yù)測(cè)值的相對(duì)誤差小于5%，優(yōu)化模型結(jié)果可靠。

摘要:針對(duì)目前玉米籽粒直收機(jī)籽粒損失檢測(cè)系統(tǒng)缺乏檢測(cè)夾帶損失技術(shù)的問題，設(shè)計(jì)了基于嵌入式單片機(jī)的玉米籽粒直收機(jī)夾帶損失檢測(cè)系統(tǒng)。該檢測(cè)系統(tǒng)包括損失檢測(cè)傳感器、數(shù)據(jù)采集器和數(shù)據(jù)顯示終端，可以同時(shí)監(jiān)測(cè)收獲機(jī)的清選損失和夾帶損失，實(shí)時(shí)反饋收獲機(jī)的收獲損失速率以及損失量。通過模態(tài)仿真軟件對(duì)不同材料、不同厚度的監(jiān)測(cè)板進(jìn)行有限元分析，選擇厚0.5mm的不銹鋼板作為監(jiān)測(cè)板；運(yùn)用Multisim對(duì)濾波器性能進(jìn)行仿真分析；設(shè)計(jì)基于STM32系列單片機(jī)的自適應(yīng)限時(shí)濾波算法，可以有效抑制谷物撞擊引起的的余振干擾。在試驗(yàn)臺(tái)架上，對(duì)不同大小的玉米籽粒、雜余以及玉米穗進(jìn)行標(biāo)定試驗(yàn)，獲取信號(hào)特征；經(jīng)裝機(jī)試驗(yàn)表明，玉米籽粒夾帶損失檢測(cè)結(jié)果最大誤差為9.96%，平均誤差約為6.52%，損失速率變化趨勢(shì)反饋及時(shí)，能夠輔助工作人員進(jìn)行作業(yè)決策。

摘要:聯(lián)合收獲機(jī)知識(shí)庫系統(tǒng)使用SQL Server數(shù)據(jù)庫，數(shù)據(jù)庫中的眾多數(shù)據(jù)表具有獨(dú)立性，便于構(gòu)建和管理。但當(dāng)知識(shí)庫數(shù)據(jù)量達(dá)到一定規(guī)模后，對(duì)數(shù)據(jù)表逐一查詢不具有可操作性，將全部數(shù)據(jù)表融合又會(huì)導(dǎo)致數(shù)據(jù)結(jié)構(gòu)混亂、內(nèi)容表述不清、技術(shù)無法實(shí)現(xiàn)。針對(duì)這一問題，提出聯(lián)合收獲機(jī)知識(shí)庫數(shù)據(jù)多表聯(lián)合查詢方法。從多角度劃分?jǐn)?shù)據(jù)表類型，分析聯(lián)合收獲機(jī)知識(shí)庫數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)，設(shè)置多表聯(lián)合數(shù)據(jù)管理范圍；應(yīng)用SQL（Structured query language）語言將多表信息融合為數(shù)據(jù)集并存入臨時(shí)表中，實(shí)現(xiàn)多表聯(lián)合運(yùn)行；利用人機(jī)交互界面將用戶查詢需求轉(zhuǎn)換成多表聯(lián)合查詢語句，生成查詢結(jié)果，實(shí)現(xiàn)多表近似范圍查詢和多表精確定位查詢。多表聯(lián)合查詢與傳統(tǒng)單表知識(shí)查詢之間的測(cè)試結(jié)果表明，多表近似范圍查詢比系統(tǒng)原有的單表近似范圍查詢節(jié)約用戶操作時(shí)間50%及以上，最高達(dá)到90.4%；多表精準(zhǔn)定位查詢比系統(tǒng)原有的單表精準(zhǔn)定位查詢節(jié)約用戶操作時(shí)間48.1%及以上，最高達(dá)到89.6%。多表聯(lián)合查詢的實(shí)現(xiàn)使聯(lián)合收獲機(jī)知識(shí)庫系統(tǒng)具有實(shí)用性與可行性，可為同類知識(shí)庫系統(tǒng)數(shù)據(jù)管理提供可借鑒的思路和方法。

摘要:高標(biāo)準(zhǔn)農(nóng)田是國(guó)家糧食安全的重要保障，作為其中的重要工程，田間道路的快速準(zhǔn)確獲取可為高標(biāo)準(zhǔn)農(nóng)田建設(shè)質(zhì)量評(píng)估和效果評(píng)價(jià)提供基礎(chǔ)數(shù)據(jù)支撐。針對(duì)傳統(tǒng)方法對(duì)細(xì)窄田間道路識(shí)別精度低、泛化能力不強(qiáng)的問題，本文提出了基于U-Net網(wǎng)絡(luò)的高標(biāo)準(zhǔn)農(nóng)田道路識(shí)別方法。首先，在分析田間道路基本特征的基礎(chǔ)上，選取GF-2影像作為試驗(yàn)數(shù)據(jù)，采用面向?qū)ο蠓椒▽?duì)影像進(jìn)行分割并根據(jù)對(duì)象特征進(jìn)行分類，剔除光譜特征與田間道路相似的建筑物等非道路要素，減少道路識(shí)別干擾；然后，對(duì)影像進(jìn)行裁剪、標(biāo)簽制作和數(shù)據(jù)增強(qiáng)等操作，并使用U-Net網(wǎng)絡(luò)挖掘影像的深淺層特征，通過不斷調(diào)整參數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)田間道路的快速識(shí)別；最后，依據(jù)道路斷點(diǎn)特征，采用局部連接法對(duì)道路斷點(diǎn)進(jìn)行修復(fù)，并以河北省定州市東亭鎮(zhèn)為試驗(yàn)區(qū)進(jìn)行方法測(cè)算與精度驗(yàn)證。結(jié)果表明：通過挖掘622幅田間道路樣本的影像特征，U-Net網(wǎng)絡(luò)可以有效識(shí)別各類場(chǎng)景下的高標(biāo)準(zhǔn)農(nóng)田道路，通過對(duì)道路斷點(diǎn)進(jìn)行修復(fù)后，研究區(qū)田間道路識(shí)別精確率達(dá)96%，召回率和F1值分別為62%、75%，該識(shí)別精度能夠滿足高標(biāo)準(zhǔn)農(nóng)田建設(shè)質(zhì)量快速評(píng)估要求。相比傳統(tǒng)識(shí)別方法，結(jié)合面向?qū)ο蠛蜕疃葘W(xué)習(xí)的方法可以在減少建筑物干擾的基礎(chǔ)上快速地識(shí)別出田間道路，能更好解決田間道路材質(zhì)差異大、植被遮擋等造成識(shí)別結(jié)果噪聲多、誤識(shí)別問題，該方法可為細(xì)窄地物的識(shí)別提供方法參考。

摘要:人類活動(dòng)和氣候影響土地利用變化，而土地利用變化是影響生境質(zhì)量變化最基本因素之一，探究不同氣候情景下生境質(zhì)量對(duì)區(qū)域土地資源可持續(xù)利用和生態(tài)保護(hù)具有重要意義。本文以南昌市為例，基于耦合SD(System dynamics)-PLUS(Patch-generating land use simulation)模型模擬預(yù)測(cè)共享社會(huì)經(jīng)濟(jì)發(fā)展路徑(Shared socioeconomic pathways, SSPs)與典型濃度路徑(Representative concentration pathways, RCPs)組合情景下南昌市2035年土地利用格局，InVEST (Integrated valuation of ecosystem services and trade-offs)模型評(píng)估2000—2020年以及3種不同氣候情景下南昌市2035年生境質(zhì)量并進(jìn)行時(shí)空變化分析，結(jié)果表明：3種情景下，2035年南昌市耕地、林地、草地面積下降，建設(shè)用地?cái)U(kuò)張迅速，水域和未利用地變化幅度較小。2000—2020年生境質(zhì)量持續(xù)下降且空間分布差異較大，優(yōu)等生境質(zhì)量分布于山地丘陵以及湖泊水域，中、差等則分布于耕作區(qū)和城鎮(zhèn)地區(qū)。3種氣候情景下，2035年南昌市生境質(zhì)量呈減速下降趨勢(shì)，主要表現(xiàn)出中等向差等生境轉(zhuǎn)換，退化程度由大到小依次為SSP585、SSP245、SSP119。研究結(jié)果可為南昌市高質(zhì)量發(fā)展和生物多樣性保護(hù)提供科學(xué)依據(jù)。

摘要:為探究無人機(jī)多源遙感影像估算玉米葉面積指數(shù)（Leaf area index，LAI）垂直分布，在田間設(shè)置了密度和播期試驗(yàn)，在7個(gè)生育時(shí)期利用無人機(jī)采集了可見光、多光譜和熱紅外影像并同步獲取玉米LAI垂直分布數(shù)據(jù)。同時(shí)，為合理制定無人機(jī)飛行任務(wù)，分析了不同飛行高度和不同太陽高度角下獲取的無人機(jī)影像對(duì)估算玉米LAI的影響?；跓o人機(jī)影像提取的與玉米LAI相關(guān)性較高的植被指數(shù)、紋理信息和冠層溫度等特征，利用7種機(jī)器學(xué)習(xí)方法分別構(gòu)建了玉米冠層不同高度LAI估算模型，從中選取魯棒性強(qiáng)的2個(gè)模型用于分析在不同飛行高度和不同太陽高度角下估算LAI的差異。研究結(jié)果表明，MLPR和RFR模型對(duì)玉米LAI估算魯棒性最強(qiáng)，全生育期下模型rRMSE為11.31%（MLPR）和11.42%（RFR）。玉米冠層LAI垂直分布估算誤差，所有模型的平均rRMSE分別為9.1%（LAI-1）、14.19%（LAI-2）、18.62%（LAI-3）、23.29%（LAI-4）和26.7%（LAI-5）。對(duì)于玉米穗位葉及以下部位的LAI估算誤差均在20%以下，得到了較好精度。同時(shí)，在不同飛行高度和太陽高度角試驗(yàn)中可以得出，當(dāng)飛行高度為30m時(shí)LAI估算精度最高，R2為0.73，rRMSE為10.97%，在09：00—10：00觀測(cè)的玉米LAI估算精度最高。無人機(jī)多源遙感影像數(shù)據(jù)可以準(zhǔn)確估算玉米冠層LAI垂直分布，及時(shí)掌握玉米功能葉片LAI長(zhǎng)勢(shì)差異，可為玉米品種篩選提供輔助。

摘要:苧麻生理生化性狀是其遺傳基礎(chǔ)和環(huán)境條件綜合影響的結(jié)果，能夠反映特定脅迫環(huán)境下苧麻的生長(zhǎng)發(fā)育狀況。無人機(jī)遙感技術(shù)為大規(guī)模田間作物長(zhǎng)勢(shì)監(jiān)測(cè)提供了有效手段，利用無人機(jī)搭載多光譜相機(jī)對(duì)苧麻理化性狀進(jìn)行綜合評(píng)價(jià)具有實(shí)際意義。因此，以苧麻種質(zhì)資源為研究對(duì)象，采用無人機(jī)多光譜遙感獲取苧麻冠層的光譜參數(shù)和紋理參數(shù)，運(yùn)用相關(guān)性分析法（Pearson correlation analysis，PCA）、遞歸特征消除法（Recursive feature elimination，RFE）2種最優(yōu)特征篩選方法和線性回歸（Linear regression，LR）、決策樹（Decision tree, DT）、隨機(jī)森林回歸（Random forest，RF）、支持向量機(jī)（Support vector machines，SVM）、偏最小二乘回歸分析（Partial least squares regression analysis，PLSR）5種機(jī)器學(xué)習(xí)算法分別構(gòu)建了苧麻葉綠素相對(duì)含量（SPAD值）、葉面積指數(shù)（Leaf area index，LAI）和葉片相對(duì)含水量（Relative water content，RWC）的估測(cè)模型。結(jié)果表明，苧麻理化性狀與冠層光譜偏態(tài)參數(shù)存在顯著相關(guān)性，基于偏態(tài)參數(shù)構(gòu)建的苧麻理化性狀估測(cè)模型能包含更多信息輸入。對(duì)比PCA方法，RFE能更有效地篩選敏感特征參數(shù)，從而提高估測(cè)模型精度?；诙鄷r(shí)序融合數(shù)據(jù)的苧麻理化性狀估測(cè)模型精度較高，LR-SAPD估測(cè)模型的R2為0.662，RMSE為2.088；LR-RWC估測(cè)模型的R2為0.793，RMSE為2.213%，SVR-LAI模型能較好估測(cè)苧麻葉面積指數(shù)，R2為0.737，RMSE為0.630。提出的準(zhǔn)確高效、性價(jià)比高、普適性高的田間苧麻理化性狀動(dòng)態(tài)監(jiān)測(cè)方法，可用于作物理化含量的快速、無損估測(cè)。

摘要:為實(shí)現(xiàn)利用多光譜技術(shù)開展芳樟葉綠素相對(duì)含量（SPAD）監(jiān)測(cè)，及時(shí)快速診斷芳樟矮林生長(zhǎng)狀況，為田間管理決策提供信息支持，以紅壤區(qū)芳樟矮林為研究對(duì)象，利用無人機(jī)多光譜遙感影像，提取波段反射率，篩選植被指數(shù)，分別以波段反射率和植被指數(shù)為模型輸入量，采用偏最小二乘回歸、支持向量回歸、反向傳播（Back propagation，BP）神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)（Radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)4種方法構(gòu)建芳樟矮林SPAD反演模型，并對(duì)比不同輸入量、不同模型模擬結(jié)果的反演精度。研究結(jié)果表明：對(duì)比兩種不同的輸入量，在同一模型反演的精度相差不大；其中，基于偏最小二乘回歸法，以植被指數(shù)為模型自變量估測(cè)芳樟矮林SPAD效果略優(yōu)；基于支持向量回歸、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)，以波段反射率為模型自變量估測(cè)芳樟矮林SPAD效果略優(yōu)；對(duì)比4種建模方法，不同方法建模預(yù)測(cè)精度不同，與偏最小二乘回歸、支持向量回歸和BP神經(jīng)網(wǎng)絡(luò)相比，基于RBF神經(jīng)網(wǎng)絡(luò)反演芳樟SPAD的精度最高，以波段反射率和植被指數(shù)為模型輸入量的測(cè)試集為例，其決定系數(shù)R2分別為0.788、0.751，均方根誤差（RMSE）分別為1.838、2.457，表明RBF神經(jīng)網(wǎng)絡(luò)在芳樟矮林SPAD預(yù)測(cè)過程中具有明顯優(yōu)勢(shì)。

摘要:田埂精確提取是數(shù)字化農(nóng)業(yè)管理的重要前提。針對(duì)由于遮擋、斑禿等因素干擾，給基于語義分割方法提取田埂帶來困難問題，提出一種基于注意力機(jī)制和邊緣感知模塊的U-Net網(wǎng)絡(luò)實(shí)現(xiàn)田埂提取。首先，將多信息注意力引入U(xiǎn)型分割網(wǎng)絡(luò)的下采樣中，增強(qiáng)相鄰層之間的上下文信息，提升對(duì)田埂區(qū)域語義特征的表示能力。其次，將邊緣感知分割模塊應(yīng)用至U-Net解碼部分的每一層，在不同語義特征層提取田埂邊緣信息，提高田埂區(qū)域語義分割精度。最后，聯(lián)合邊緣感知損失與語義分割損失構(gòu)建聯(lián)合損失函數(shù)，用于整體網(wǎng)絡(luò)優(yōu)化。通過對(duì)安徽省淮北市濉溪縣小麥基地采集的無人機(jī)麥田數(shù)據(jù)集進(jìn)行訓(xùn)練和模型驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，本文模型語義分割像素準(zhǔn)確率高達(dá)95.57%，平均交并比達(dá)到77.48%。

摘要:樣本點(diǎn)權(quán)重調(diào)整是遙感分類精度評(píng)價(jià)中樣本點(diǎn)空間分配的關(guān)鍵環(huán)節(jié)。以北京市順義區(qū)精度評(píng)價(jià)樣本點(diǎn)為例，提出了一種兼顧面積屬性與不確定性信息的樣本點(diǎn)權(quán)重調(diào)整方法——模糊調(diào)整權(quán)重法，用于布設(shè)精度評(píng)價(jià)樣本點(diǎn)。首先，構(gòu)建用于表達(dá)不確定性信息的模糊中和指數(shù)及其權(quán)重，融合模糊中和指數(shù)權(quán)重和面積權(quán)重構(gòu)建模糊調(diào)整權(quán)重，并計(jì)算各個(gè)分層的模糊調(diào)整權(quán)重結(jié)果，完成樣本點(diǎn)特征空間分配；其次，設(shè)置不同梯度樣本點(diǎn)集，結(jié)合平均最短距離最小化準(zhǔn)則和空間模擬退火算法實(shí)現(xiàn)樣本點(diǎn)地理空間優(yōu)化布設(shè)；最后，構(gòu)建權(quán)重調(diào)整效果評(píng)價(jià)指標(biāo)，進(jìn)行模糊調(diào)整權(quán)重效果評(píng)價(jià)，并與其他權(quán)重調(diào)整方法和未進(jìn)行權(quán)重調(diào)整的布點(diǎn)方法進(jìn)行對(duì)比分析。結(jié)果表明：順義區(qū)不確定性大、中、小的層模糊調(diào)整權(quán)重分別為0.45、0.37、0.18，與面積權(quán)重相比，不確定性大的層權(quán)重顯著增加、中層權(quán)重稍微增加、小層權(quán)重明顯降低；5個(gè)不同數(shù)據(jù)集樣本點(diǎn)權(quán)重調(diào)整的精度評(píng)價(jià)總體精度、相對(duì)精度、均方根誤差和標(biāo)準(zhǔn)偏差結(jié)果分別為69.90%~73.48%、96.28%~99.82%、0.01和0.01；模糊調(diào)整權(quán)重布點(diǎn)方法評(píng)價(jià)效果優(yōu)于面積權(quán)重、模糊中和指數(shù)權(quán)重、不確定性空間分層權(quán)重布點(diǎn)方法，以及空間均勻抽樣和簡(jiǎn)單隨機(jī)抽樣方法，樣本點(diǎn)權(quán)重調(diào)整更加準(zhǔn)確可靠。設(shè)計(jì)的模糊調(diào)整權(quán)重法布設(shè)精度評(píng)價(jià)樣本點(diǎn)，能夠兼顧面積屬性和不確定性信息，又可以避免權(quán)重調(diào)整過度，提高了各個(gè)分層樣本點(diǎn)空間分配的合理性。

摘要:為實(shí)時(shí)準(zhǔn)確地檢測(cè)到自然環(huán)境下背景復(fù)雜的荔枝病蟲害，本研究構(gòu)建荔枝病蟲害圖像數(shù)據(jù)集并提出荔枝病蟲害檢測(cè)模型以提供診斷防治。以YOLO v4為基礎(chǔ)，使用更輕、更快的輕量化網(wǎng)絡(luò)GhostNet作為主干網(wǎng)絡(luò)提取特征，并結(jié)合GhostNet中的核心設(shè)計(jì)引入更低成本的卷積Ghost Module代替頸部結(jié)構(gòu)中的傳統(tǒng)卷積，得到輕量化后的YOLO v4-G模型。在此基礎(chǔ)上使用新特征融合方法和注意力機(jī)制CBAM對(duì)YOLO v4-G進(jìn)行改進(jìn)，在不失檢測(cè)速度和模型輕量化程度的情況下提高檢測(cè)精度，提出YOLO v4-GCF荔枝病蟲害檢測(cè)模型。構(gòu)建的數(shù)據(jù)集包含荔枝病蟲害圖像3725幅，其中病害種類包括煤煙病、炭疽病和藻斑病3種，蟲害種類包括毛氈病和葉癭蚊2種。試驗(yàn)結(jié)果表明，基于YOLO v4-GCF的荔枝病蟲害檢測(cè)模型，對(duì)于5種病蟲害目標(biāo)在訓(xùn)練集、驗(yàn)證集和測(cè)試集上的平均精度分別為95.31%、90.42%和89.76%，單幅圖像檢測(cè)用時(shí)0.1671s，模型內(nèi)存占用量為39.574MB，相比改進(jìn)前的YOLO v4模型縮小84%，檢測(cè)速度提升38%，在測(cè)試集中檢測(cè)平均精度提升4.13個(gè)百分點(diǎn)，同時(shí)平均精度比常用模型YOLO v4-tiny、EfficientDet-d2和Faster R-CNN分別高17.67、12.78、25.94個(gè)百分點(diǎn)。所提出的YOLO v4-GCF荔枝病蟲害檢測(cè)模型能夠有效抑制復(fù)雜背景的干擾，準(zhǔn)確且快速檢測(cè)圖像中荔枝病蟲害目標(biāo)，可為自然環(huán)境下復(fù)雜、非結(jié)構(gòu)背景的農(nóng)作物病蟲害實(shí)時(shí)檢測(cè)研究提供參考。

摘要:為了實(shí)現(xiàn)復(fù)雜環(huán)境下農(nóng)業(yè)機(jī)器人對(duì)番茄果實(shí)的快速準(zhǔn)確識(shí)別，提出了一種基于注意力機(jī)制與改進(jìn)YOLO v5s的溫室番茄目標(biāo)快速檢測(cè)方法。根據(jù)YOLO v5s模型小、速度快等特點(diǎn)，在骨干網(wǎng)絡(luò)中加入卷積注意力模塊（CBAM），通過串聯(lián)空間注意力模塊和通道注意力模塊，對(duì)綠色番茄目標(biāo)特征給予更多的關(guān)注，提高識(shí)別精度，解決綠色番茄在相似顏色背景中難識(shí)別問題；通過將CIoU Loss替換GIoU Loss作為算法的損失函數(shù)，在提高邊界框回歸速率的同時(shí)提高果實(shí)目標(biāo)定位精度。試驗(yàn)結(jié)果表明，CB-YOLO網(wǎng)絡(luò)模型對(duì)溫室環(huán)境下紅色番茄檢測(cè)精度、綠色番茄檢測(cè)精度、平均精度均值分別為99.88%、99.18%和99.53%，果實(shí)檢測(cè)精度和平均精度均值高于Faster R-CNN模型、YOLO v4-tiny模型和YOLO v5模型。將CB-YOLO模型部署到安卓手機(jī)端，通過不同型號(hào)手機(jī)測(cè)試，驗(yàn)證了模型在移動(dòng)終端設(shè)備上運(yùn)行的穩(wěn)定性，可為設(shè)施環(huán)境下基于移動(dòng)邊緣計(jì)算的機(jī)器人目標(biāo)識(shí)別及采收作業(yè)提供技術(shù)支持。

摘要:針對(duì)番茄病害識(shí)別模型參數(shù)量大、計(jì)算成本高、準(zhǔn)確率低等問題，本文提出一種基于多尺度特征融合和坐標(biāo)注意力機(jī)制的輕量級(jí)網(wǎng)絡(luò)（Multiscale feature fusion and coordinate attention MobileNet, MCA-MobileNet）模型。采集10類番茄葉片圖像，采用基于Wasserstein距離的生成對(duì)抗網(wǎng)絡(luò)（Wasserstein generative adversarial networks, WGAN）進(jìn)行數(shù)據(jù)增強(qiáng)，解決了樣本數(shù)據(jù)不足和不均衡的問題，提高模型的泛化能力。在原始模型MobileNet-V2的基礎(chǔ)上，引入改進(jìn)后的多尺度特征融合模塊對(duì)不同尺度的特征圖進(jìn)行特征提取，提高模型對(duì)不同尺度的適應(yīng)性；將輕量型的坐標(biāo)注意力機(jī)制模塊（Coordinate attention, CA）嵌入倒置殘差結(jié)構(gòu)中，使模型更加關(guān)注葉片中的病害特征，提高對(duì)病害種類的識(shí)別準(zhǔn)確率。試驗(yàn)結(jié)果表明，MCA-MobileNet對(duì)番茄葉片病害的識(shí)別準(zhǔn)確率達(dá)到94.11%，較原始模型提高2.84個(gè)百分點(diǎn)，且參數(shù)量?jī)H為原始模型的1/6。該方法較好地平衡了模型的識(shí)別準(zhǔn)確率和計(jì)算成本，為番茄葉片病害的現(xiàn)場(chǎng)部署和實(shí)時(shí)檢測(cè)提供了思路和技術(shù)支撐。

摘要:針對(duì)密集分布的荔枝花遮擋嚴(yán)重導(dǎo)致檢測(cè)困難，現(xiàn)有研究方法忽略了非極大抑制過程中密集建議框之間的相互作用的問題，為提升檢測(cè)精度、降低漏檢率，提出了一種基于polyphyletic損失函數(shù)的檢測(cè)方法。該方法在損失函數(shù)中包含一個(gè)聚合損失項(xiàng)，以迫使建議框接近并緊湊定位相應(yīng)目標(biāo)，同時(shí)增加專門為密集作物場(chǎng)景設(shè)計(jì)的邊界框排斥損失，使預(yù)測(cè)框遠(yuǎn)離周圍對(duì)象，提高密集荔枝花檢測(cè)魯棒性。與Faster R-CNN、Focus Loss、AdaptiveNMS和Mask R-CNN進(jìn)行對(duì)比，實(shí)驗(yàn)表明，該方法在標(biāo)準(zhǔn)蘋果花數(shù)據(jù)集上識(shí)別精度比其他方法高2個(gè)百分點(diǎn)，驗(yàn)證了該方法檢測(cè)的通用性，同時(shí)，該方法在自建荔枝花數(shù)據(jù)集的平均精度均值達(dá)到87.94%，F(xiàn)1值為87.07%，缺失率為13.29%，相比Faster R-CNN、Focus Loss、AdaptiveNMS和Mask R-CNN分別提高20.09、14.10、8.35、4.86個(gè)百分點(diǎn)，具有較高檢測(cè)性能。因此，本文提出的方法能夠高效地對(duì)密集荔枝花進(jìn)行檢測(cè)，為復(fù)雜場(chǎng)景下的密集作物檢測(cè)提供參考。

摘要:準(zhǔn)確、高效的奶牛行為識(shí)別有助于疾病檢測(cè)、發(fā)現(xiàn)異常，是感知奶牛健康的關(guān)鍵。通過分析奶牛在牛場(chǎng)中各時(shí)段的行為，提出一種基于時(shí)空特征的奶牛行為識(shí)別模型, 該模型在時(shí)域段網(wǎng)絡(luò)（TSN）的基礎(chǔ)上融合了時(shí)態(tài)移位模塊（TSM）、特征注意單元（FAU）和長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)。首先，利用TSM融合時(shí)間信息以提高時(shí)序建模能力，并將時(shí)序建模后的視頻幀輸入TSN。其次，利用FAU融合高分辨率空間信息和低分辨率語義信息，增強(qiáng)模型空間特征的學(xué)習(xí)能力。最后，由LSTM聚合過去和當(dāng)前信息進(jìn)行奶牛行為分類。實(shí)驗(yàn)表明，該方法對(duì)進(jìn)食、行走、躺臥、站立行為識(shí)別準(zhǔn)確率分別為76.7%、90.0%、68.0%、96.0%，平均行為識(shí)別準(zhǔn)確率為82.6%，和C3D、I3D、CNN-LSTM網(wǎng)絡(luò)相比，本文模型平均行為識(shí)別準(zhǔn)確率分別提升7.9、9.2、9.6個(gè)百分點(diǎn)。光照變化會(huì)對(duì)奶牛行為識(shí)別準(zhǔn)確率產(chǎn)生一定影響，但本文模型受光照影響相對(duì)較小。研究成果可為感知奶牛健康和疾病預(yù)防提供技術(shù)支持。

摘要:針對(duì)目前蛋雞啄羽異常行為（包括啄和被啄）識(shí)別精度比較低的問題，提出了一種基于改進(jìn)YOLO v6-tiny模型進(jìn)行啄羽異常行為識(shí)別的方法。該方法通過在YOLO v6-tiny模型中引入DenseBlock結(jié)構(gòu)并融入CSP結(jié)構(gòu)的SPP模塊（SPPCSPC）的方式，增強(qiáng)了YOLO v6-tiny模型的特征提取能力，擴(kuò)大了模型的感受野，提升了模型的檢測(cè)精度。在識(shí)別出啄羽異常行為的基礎(chǔ)上，對(duì)如何基于異常行為發(fā)生次數(shù)，進(jìn)行蛋雞個(gè)體分類進(jìn)行了研究。提出了基于YOLO v6-tiny模型進(jìn)行蛋雞個(gè)體識(shí)別，并將啄羽異常行為識(shí)別結(jié)果輸入個(gè)體識(shí)別網(wǎng)絡(luò)，進(jìn)行蛋雞個(gè)體分類的方法。同時(shí)，本文還分別對(duì)2種不同的養(yǎng)殖密度、一天當(dāng)中3個(gè)不同的時(shí)間段，異常行為發(fā)生次數(shù)的變化規(guī)律進(jìn)行了分析。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后的模型對(duì)啄和被啄異常行為的識(shí)別平均精度（AP）分別為92.86%和92.93%，分別比YOLO v6-tiny模型高1.61、1.08個(gè)百分點(diǎn)，比Faster R-CNN模型高3.28、4.00個(gè)百分點(diǎn)，比YOLO v4-tiny模型高6.15、6.63個(gè)百分點(diǎn)，比YOLO v5s模型高2.04、4.27個(gè)百分點(diǎn)，比YOLO v7-tiny模型高5.39、3.92個(gè)百分點(diǎn)。本文方法可以識(shí)別出啄和被啄羽異常行為，為蛋雞異常行為的智能檢測(cè)提供了技術(shù)支撐。

摘要:為解決養(yǎng)殖場(chǎng)條件下羊只的個(gè)體識(shí)別問題，本文基于小波變換與卷積神經(jīng)網(wǎng)絡(luò)，提出一種融合頻域特征與空間域特征的羊臉識(shí)別模型DWT-GoatNet。首先采集總計(jì)30只高相似度西農(nóng)薩能奶山羊日間、夜間兩種不同光照環(huán)境下的面部圖像，基于SSIM指標(biāo)剔除其中相似度過高的樣本，接著進(jìn)行圖像裁剪，并通過模糊、調(diào)整亮度、平移、旋轉(zhuǎn)、加入噪聲、縮放等方法完成數(shù)據(jù)增強(qiáng)；然后，設(shè)計(jì)基于二維離散小波變換（2D-DWT）與卷積運(yùn)算的羊臉特征提取模塊，完成特征融合；之后，以前述羊臉特征提取模塊為基礎(chǔ)，添加分類模塊，進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)搭建；最后，進(jìn)行超參數(shù)組合尋優(yōu)，形成羊臉識(shí)別模型。試驗(yàn)結(jié)果表明，本文所構(gòu)建的羊臉識(shí)別模型在日間、夜間兩種不同光照環(huán)境下測(cè)試集上識(shí)別準(zhǔn)確率分別可達(dá)99.74%和99.89%，高于AlexNet、VGGNet-16、GoogLeNet、ResNet-50、DenseNet-121等經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型，說明所構(gòu)建模型適用于羊只的個(gè)體識(shí)別，為精準(zhǔn)養(yǎng)殖、農(nóng)險(xiǎn)理賠領(lǐng)域相關(guān)工作提供了有效解決方案。

摘要:針對(duì)柔性pH芯片復(fù)合結(jié)構(gòu)多層打印制備過程的配準(zhǔn)偏差嚴(yán)重，限制其農(nóng)用pH值在線監(jiān)測(cè)精度及穩(wěn)定性問題，比較分析了MSER仿射變換模型對(duì)“疊層復(fù)合結(jié)構(gòu)”柔性pH芯片性能的影響，分析了配準(zhǔn)后柔性pH芯片在基質(zhì)培番茄根系pH值在線監(jiān)測(cè)應(yīng)用中的可行性。試驗(yàn)結(jié)果表明：MSER仿射變換模型配準(zhǔn)后，農(nóng)用柔性芯片加工最小線寬和線間距分別為90、500μm，芯片加工平均相對(duì)誤差可控制在25%以內(nèi)；配準(zhǔn)后，農(nóng)用柔性pH傳感器靈敏度達(dá)到了每單位pH值-61.9mV，響應(yīng)范圍為2.0~10.0，與商用玻璃pH電極的測(cè)量絕對(duì)誤差小于0.15，相對(duì)誤差小于4.1%；基質(zhì)培番茄根系pH值監(jiān)測(cè)試驗(yàn)中，自制柔性芯片與商用pH電極的測(cè)量結(jié)果具有較好一致性，同步測(cè)定結(jié)果的絕對(duì)誤差小于0.09，相對(duì)誤差小于1.5%，RMSE僅為0.05。MSER仿射變換配準(zhǔn)方法可有效提高“疊層復(fù)合結(jié)構(gòu)”農(nóng)用打印柔性傳感芯片的制備精度及傳感檢測(cè)準(zhǔn)確性。

摘要:在全球變化背景下，揭示土壤養(yǎng)分系統(tǒng)對(duì)氣候和人類耕地利用活動(dòng)變化的響應(yīng)對(duì)于農(nóng)業(yè)可持續(xù)發(fā)展至關(guān)重要。基于焉耆盆地的氣候、耕地利用強(qiáng)度（LUI）和土壤養(yǎng)分?jǐn)?shù)據(jù)，采用敏感性、貢獻(xiàn)率和GIS方法分析了土壤養(yǎng)分系統(tǒng)對(duì)氣候和人類耕地利用活動(dòng)變化的敏感性及其空間分異特征。結(jié)果表明：焉耆盆地氣候暖濕化趨勢(shì)明顯（氣溫傾向率為3℃/(10a)，降水量?jī)A向率為39mm/(10a)），LUI微幅上升；土壤養(yǎng)分系統(tǒng)對(duì)氣候和LUI變化的敏感性存在顯著的空間差異和響應(yīng)差異。土壤養(yǎng)分系統(tǒng)對(duì)氣溫變化敏感性的空間異質(zhì)性更高，對(duì)LUI變化敏感性更具有響應(yīng)深度；氣候和LUI對(duì)土壤養(yǎng)分系統(tǒng)變化的貢獻(xiàn)率空間分異明顯，并且LUI的貢獻(xiàn)率大于氣候；土壤養(yǎng)分系統(tǒng)的敏感性及其空間布局是自然環(huán)境和人類耕地利用活動(dòng)相互調(diào)節(jié)和空間分異的綜合結(jié)果。研究結(jié)果可為提高區(qū)域土壤養(yǎng)分系統(tǒng)應(yīng)對(duì)氣候變化的能力和耕地精準(zhǔn)高效管理提供科學(xué)依據(jù)。

摘要:以江蘇省沿海地區(qū)不同圍墾區(qū)剖面土層原狀土樣為研究對(duì)象，基于CT掃描技術(shù)，通過構(gòu)建孔隙網(wǎng)絡(luò)模型，對(duì)土壤孔隙分布及其拓?fù)潢P(guān)系進(jìn)行定量表征，統(tǒng)計(jì)分析了土壤孔喉參數(shù)，包括孔徑分布、配位數(shù)、喉道半徑及喉道長(zhǎng)度；運(yùn)用提取的孔隙網(wǎng)絡(luò)實(shí)現(xiàn)土壤中單相水的滲流模擬，分析土壤的絕對(duì)滲透系數(shù)（飽和導(dǎo)水率）及其主要影響因素。結(jié)果表明，圍墾活動(dòng)對(duì)改良土壤孔隙活動(dòng)起到積極作用，隨圍墾年限的增加，連通孔隙的半徑范圍、平均配位數(shù)、喉道半徑趨于增大，喉道長(zhǎng)度趨于減??；淺層土壤的孔隙結(jié)構(gòu)較為良好。單相水模擬中，模擬計(jì)算的土壤絕對(duì)滲透系數(shù)和試驗(yàn)測(cè)定的飽和導(dǎo)水率結(jié)果吻合度較好，呈現(xiàn)出一致的變化規(guī)律?；疑P(guān)聯(lián)度顯示喉道半徑對(duì)土壤滲透性能的影響最大。

摘要:構(gòu)建了基于梯形模糊數(shù)和分布式作物模擬模型的空間分布式農(nóng)業(yè)生產(chǎn)預(yù)警模型來實(shí)現(xiàn)作物產(chǎn)量和水分生產(chǎn)力綜合警情預(yù)警預(yù)報(bào)。模型采用空間分布式作物產(chǎn)量和水分生產(chǎn)力作為警情指標(biāo)來計(jì)算系統(tǒng)警級(jí)，引入梯形模糊數(shù)來表征目標(biāo)產(chǎn)量和水分生產(chǎn)力的不確定性，采用空間分布式作物模擬模型來模擬常規(guī)灌溉、0.8倍常規(guī)灌溉和0.6倍常規(guī)灌溉下的作物產(chǎn)量和水分生產(chǎn)力，進(jìn)而對(duì)現(xiàn)狀1976—2012年和未來RCP4.5情景下2026—2045年不同灌溉水平下進(jìn)行農(nóng)業(yè)生產(chǎn)風(fēng)險(xiǎn)預(yù)報(bào)預(yù)警，并衡量了未來20年產(chǎn)量和水分生產(chǎn)力的靜態(tài)協(xié)調(diào)度和每5年4個(gè)周期的動(dòng)態(tài)協(xié)調(diào)度。結(jié)果表明，同一作物在不同土壤類型和不同灌溉水平下預(yù)警等級(jí)不同，警級(jí)隨著灌溉水平的降低呈現(xiàn)不規(guī)則變化規(guī)律，協(xié)調(diào)性隨著灌溉水平的降低而減小。模型能夠識(shí)別出未來氣候變化不同節(jié)水灌溉水平下的空間異質(zhì)性作物產(chǎn)量和水分生產(chǎn)力的警級(jí)，實(shí)現(xiàn)精準(zhǔn)化農(nóng)業(yè)生產(chǎn)風(fēng)險(xiǎn)預(yù)警預(yù)報(bào)，有利于實(shí)現(xiàn)高效率降警處理。

摘要:土壤水動(dòng)力參數(shù)是模擬田間土壤物質(zhì)傳輸過程的基本參數(shù)，準(zhǔn)確確定土壤水動(dòng)力參數(shù)對(duì)實(shí)現(xiàn)農(nóng)田生境精準(zhǔn)調(diào)控具有重要意義?；谝痪S垂直入滲試驗(yàn)數(shù)據(jù)，采用代數(shù)方法和數(shù)值方法，構(gòu)造3個(gè)不同的目標(biāo)函數(shù)，并分析鯨魚優(yōu)化算法和灰狼優(yōu)化算法反演Brooks-Corey-Mualem模型參數(shù)的適用性。結(jié)果表明：通過選擇合適的目標(biāo)函數(shù)，兩種群智能優(yōu)化算法均可用于反演土壤水動(dòng)力參數(shù)。在代數(shù)方法中，鯨魚優(yōu)化算法在目標(biāo)函數(shù)2下（由累積入滲量、入滲時(shí)間、含水率構(gòu)成的相對(duì)誤差）固定參數(shù)θr、θs優(yōu)化得到的土壤水動(dòng)力參數(shù)誤差最小，反演參數(shù)得到的累積入滲量、入滲率、含水率的相對(duì)誤差都在9.74%以下，決定系數(shù)都在0.9040以上，反演時(shí)間為70s；在數(shù)值方法中，灰狼優(yōu)化算法在目標(biāo)函數(shù)3下（由累積入滲量、濕潤(rùn)鋒深度、含水率構(gòu)成的相對(duì)誤差）固定參數(shù)θr、θs優(yōu)化得到的參數(shù)誤差最小，反演參數(shù)得到的累積入滲量、入滲率、含水率的相對(duì)誤差都在2.53%以下，決定系數(shù)都在0.9917以上，反演時(shí)間為115s。因此，代數(shù)方法所用時(shí)間短、精度相對(duì)較低，數(shù)值方法所用時(shí)間較長(zhǎng)、精度相對(duì)較高，在反演土壤水動(dòng)力參數(shù)時(shí)，可根據(jù)誤差精度需求，選擇合適的優(yōu)化方法。

摘要:農(nóng)田干燥收縮產(chǎn)生的裂隙影響土壤水力-物理結(jié)構(gòu)特征，并為農(nóng)田灌溉水或污染物運(yùn)移產(chǎn)生優(yōu)先通道。為揭示農(nóng)田裂隙形態(tài)和基質(zhì)收縮等演化特征，并對(duì)土壤裂隙率進(jìn)行預(yù)測(cè)，基于室內(nèi)土壤收縮及裂隙發(fā)育模擬試驗(yàn)，采用圖像處理及形態(tài)學(xué)算法分析了裂隙幾何特征，選取非侵入性局部收縮分析方法量化基質(zhì)域收縮特性；根據(jù)脫濕過程中土壤孔隙由基質(zhì)域向沉降域和裂隙域中的轉(zhuǎn)換機(jī)理，結(jié)合收縮特征曲線VG-PENG模型、收縮幾何因子Logistic函數(shù)2個(gè)子模型，提出土壤裂隙率預(yù)測(cè)模型，并對(duì)不同厚度土壤試樣的裂隙率進(jìn)行驗(yàn)證。結(jié)果表明，厚度在土壤開裂過程中對(duì)裂隙形態(tài)影響顯著，表現(xiàn)為隨著土壤厚度加大，土壤表面大裂隙寬度總體加大，且裂隙骨架密度減小，土壤收縮開裂進(jìn)程放緩；土壤在干燥過程中，基質(zhì)收縮呈現(xiàn)非均勻特征，并向塊區(qū)型芯聚集，裂隙邊壁區(qū)域呈現(xiàn)出局部集中變形區(qū)，且收縮量隨土壤厚度增加而增大。裂隙率預(yù)測(cè)模型結(jié)合土壤收縮非均勻性特征，從土壤物理角度預(yù)測(cè)了裂隙率關(guān)于含水率的演化過程，有效模擬了裂隙率隨含水率演化規(guī)律(模型決定系數(shù)R2>0.91)。模型彌補(bǔ)了以往裂隙模型未考慮收縮各向異性的不足，可為裂隙流模型構(gòu)建及其土壤基質(zhì)水力特征提供參數(shù)基礎(chǔ)，有助于制定膨縮土壤修復(fù)及水分管理方案。

摘要:前屋面是實(shí)現(xiàn)日光溫室內(nèi)外環(huán)境溝通的重要構(gòu)建部分，通過控制前屋面覆蓋物狀態(tài)即可達(dá)到控制日光溫室內(nèi)部環(huán)境的目的。保溫卷簾、通風(fēng)卷膜以及遮陽網(wǎng)布作為日光溫室常見的3種主要覆蓋功能材料，在依靠共同前屋面構(gòu)造面實(shí)現(xiàn)鋪卷動(dòng)作時(shí)，存在作業(yè)機(jī)械結(jié)構(gòu)難以協(xié)調(diào)、自動(dòng)化程度低等問題。結(jié)合3種覆蓋物鋪卷的功能需求，設(shè)計(jì)其彼此相協(xié)調(diào)的鋪卷裝置，包括外側(cè)鋪卷結(jié)構(gòu)和內(nèi)側(cè)鋪卷結(jié)構(gòu)兩個(gè)主要部分以及相配套的覆蓋物協(xié)調(diào)鋪卷控制方法。通過比例縮放的實(shí)體模型和實(shí)地試驗(yàn)相結(jié)合的方法驗(yàn)證了所設(shè)計(jì)日光溫室前屋面覆蓋物協(xié)調(diào)鋪卷裝置可以有效實(shí)現(xiàn)卷簾、卷膜和遮陽網(wǎng)布3種覆蓋物的協(xié)調(diào)鋪卷，且具有較好的控制精度和穩(wěn)定性。模型試驗(yàn)結(jié)果表明：覆蓋物開度控制的平均相對(duì)誤差均小于3.5%，均方根誤差均小于2.0%。覆蓋物鋪卷控制在各個(gè)開度下的變異系數(shù)均小于3.0%。而卷簾鋪卷控制裝置在實(shí)地試驗(yàn)中，其開度控制試驗(yàn)結(jié)果的平均相對(duì)誤差均小于2.5%，均方根誤差小于1.26%，測(cè)試數(shù)據(jù)的變異系數(shù)小于1.0%，也表現(xiàn)出較好的作業(yè)控制精度和穩(wěn)定性。實(shí)地試驗(yàn)和模型試驗(yàn)結(jié)果中的測(cè)量數(shù)據(jù)整體變化趨勢(shì)相同，進(jìn)一步驗(yàn)證了裝置模型試驗(yàn)結(jié)果的合理性和整體裝置的實(shí)施可行性。

摘要:地理位置與環(huán)境因素的不同導(dǎo)致水稻品質(zhì)存在差異，優(yōu)質(zhì)原產(chǎn)地的稻米質(zhì)優(yōu)味美，對(duì)消費(fèi)者更有吸引力，因此研究水稻原產(chǎn)地溯源，建立水稻原產(chǎn)地可信溯源系統(tǒng)具有重要意義。傳統(tǒng)物聯(lián)網(wǎng)區(qū)塊鏈溯源系統(tǒng)將溯源數(shù)據(jù)上傳至中心化的服務(wù)器，再由服務(wù)器上傳至區(qū)塊鏈；這無法很好地利用邊緣節(jié)點(diǎn)中的資源，還使其易受數(shù)據(jù)偽造或數(shù)據(jù)丟失等安全風(fēng)險(xiǎn)的影響。設(shè)計(jì)了一套基于區(qū)塊鏈和邊緣計(jì)算的水稻原產(chǎn)地溯源模型，依托嵌入式設(shè)備的邊緣計(jì)算能力，對(duì)傳感器數(shù)據(jù)實(shí)時(shí)數(shù)據(jù)融合并在嵌入式設(shè)備上部署區(qū)塊鏈。此外，設(shè)計(jì)邊緣計(jì)算場(chǎng)景下區(qū)塊鏈網(wǎng)絡(luò)的存儲(chǔ)擴(kuò)展方法和邊緣計(jì)算工作流程。最后，經(jīng)過測(cè)試分析，查詢公開溯源數(shù)據(jù)的平均時(shí)間為45.84ms，查詢隱私溯源數(shù)據(jù)的平均時(shí)間為50.92ms，邊緣節(jié)點(diǎn)加密上鏈的平均時(shí)間為1.27s，邊緣多鏈存儲(chǔ)容量消耗為傳統(tǒng)單鏈的18%，能夠滿足水稻原產(chǎn)地溯源實(shí)際的應(yīng)用需求。

摘要:針對(duì)獼猴桃產(chǎn)業(yè)聯(lián)盟鏈交易中金額與身份的雙重隱私保護(hù)問題，提出一種基于+HomElG零知識(shí)證明(+HomElG zero knowledge proof，+HomElG-ZKProof)和SM2的獼猴桃產(chǎn)業(yè)聯(lián)盟鏈隱私交易方案。首先，轉(zhuǎn)賬方利用+HomElG加密交易金額后將其發(fā)送給接收方，接收方基于SM2簽名確認(rèn)交易后發(fā)送給轉(zhuǎn)賬方；其次，轉(zhuǎn)賬方基于+HomElG-ZKProof對(duì)交易金額相關(guān)密文生成零知識(shí)證明證據(jù)，基于SM2可鏈接環(huán)簽名對(duì)交易金額相關(guān)密文和交易雙方身份分別生成環(huán)簽名，與接收方SM2簽名一起經(jīng)系統(tǒng)層Raft共識(shí)打包上鏈；然后，由監(jiān)管節(jié)點(diǎn)驗(yàn)證SM2簽名、兩次環(huán)簽名及鏈接性后確認(rèn)交易雙方身份，用戶節(jié)點(diǎn)間在應(yīng)用層使用PBFT共識(shí)驗(yàn)證交易金額相關(guān)密文、環(huán)簽名及交易金額相關(guān)零知識(shí)證明證據(jù)后確認(rèn)交易的有效性；最后，由監(jiān)管節(jié)點(diǎn)將有效交易區(qū)塊編號(hào)經(jīng)系統(tǒng)層Raft共識(shí)上鏈并更新賬戶余額。分析表明，該文方案具有抗篡改攻擊、抗公鑰替換攻擊、抗假冒攻擊以及匿名性，安全性較高；測(cè)試結(jié)果表明，該文方案可以實(shí)現(xiàn)獼猴桃產(chǎn)業(yè)聯(lián)盟鏈用戶交易金額、身份的雙重隱私保護(hù)；在安全參數(shù)為2048bit時(shí)，交易時(shí)間為4.495s，可以滿足獼猴桃產(chǎn)業(yè)聯(lián)盟鏈交易的實(shí)際需要。

摘要:研究了我國(guó)西北地區(qū)175款干紅葡萄酒樣品的CIELAB顏色特征，基于紅葡萄酒顏色可視化表征方法，對(duì)供試酒樣進(jìn)行了顏色的微觀量化分類和宏觀量化分級(jí)研究。結(jié)果表明：供試酒樣的顏色特征具有一定的離散性和區(qū)分度，表明酒樣顏色具有多樣性、獨(dú)特性和差異性的特點(diǎn)，具備微觀量化分類和宏觀量化分級(jí)的基礎(chǔ)；將175款干紅葡萄酒的色調(diào)、色度和明度這3個(gè)顏色特征屬性分別劃分為5個(gè)類別，共得到供試酒樣的125個(gè)微觀顏色類別，可應(yīng)用于酒樣顏色特征的描述、傳遞與比較等；進(jìn)一步基于人對(duì)紅葡萄酒顏色的感官傾向構(gòu)建了紅葡萄酒顏色品質(zhì)的宏觀量化分級(jí)方法，該方法將供試酒樣劃分為6個(gè)宏觀顏色級(jí)別，相比于其他的分類和分級(jí)方法，本文的微觀量化分類和宏觀量化分級(jí)方法具有客觀、簡(jiǎn)便、分級(jí)效果明顯，易于標(biāo)準(zhǔn)化和數(shù)字化的特點(diǎn)。

摘要:為研究添加果膠、黃原膠和κ-卡拉膠3種多糖的種類和質(zhì)量濃度（0.002、0.004、0.006g/mL）對(duì)大豆蛋白（SPI）-綠原酸（CA）水凝膠的凝膠特性和分子間作用力的影響，通過測(cè)定SPI-CA/多糖三元凝膠的紅外光譜，分子間作用力、流變學(xué)、水分分布和微觀結(jié)構(gòu)等指標(biāo)，最終探明不同多糖與SPI-CA相互作用機(jī)制以及不同多糖對(duì)SPI-CA凝膠性質(zhì)改善的差異性和相似性。結(jié)果表明，添加黃原膠和κ-卡拉膠后，蛋白中β-折疊相對(duì)含量從24.59%升高至24.87%~26.65%，無規(guī)則卷曲含量顯著降低（P＜0.05），這有利于凝膠網(wǎng)絡(luò)結(jié)構(gòu)的形成。3種多糖的添加均顯著增強(qiáng)了凝膠中氫鍵的作用以及凝膠中固定水的結(jié)合能力，相較于果膠和黃原膠，添加κ-卡拉膠后凝膠中的氫鍵的作用更強(qiáng)，T21的弛豫時(shí)間更短，凝膠結(jié)構(gòu)也更加致密。凝膠的儲(chǔ)能模量G′、損耗模量G″、硬度和咀嚼性均與κ-卡拉膠的濃度呈正相關(guān)。適量的果膠和黃原膠的加入能夠形成穩(wěn)定的凝膠，但是過度填充果膠和黃原膠會(huì)降低凝膠的熱穩(wěn)定性，破壞凝膠網(wǎng)絡(luò)結(jié)構(gòu)。

摘要:以某并聯(lián)式柴電混合動(dòng)力拖拉機(jī)為研究對(duì)象，分析其拓?fù)浣Y(jié)構(gòu)特點(diǎn)及工作特性，構(gòu)建拖拉機(jī)旋耕、犁耕耦合動(dòng)力學(xué)模型，以整機(jī)等效燃油消耗量最小為目標(biāo)，電機(jī)功率和柴油機(jī)功率為控制變量、電池荷電狀態(tài)為狀態(tài)變量，建立基于龐特里亞金極小值原理的節(jié)能控制策略，基于Matlab仿真平臺(tái)對(duì)該節(jié)能控制策略進(jìn)行仿真試驗(yàn)。結(jié)果表明:與基于最佳經(jīng)濟(jì)性曲線的節(jié)能控制策略相比，所制定的基于龐特里亞金極小值原理節(jié)能控制策略能夠合理控制柴油機(jī)和電機(jī)的運(yùn)行狀態(tài)，使柴油機(jī)、電機(jī)工作在高效率區(qū)，有效降低了拖拉機(jī)田間作業(yè)時(shí)的等效燃油消耗量。旋耕工況下，等效燃油消耗量降低10.44%；犁耕工況下，等效燃油消耗量降低11.20%。

摘要:針對(duì)一種雙環(huán)多桿天線展開機(jī)構(gòu)進(jìn)行了運(yùn)動(dòng)學(xué)與動(dòng)力學(xué)特性分析，首先分析了展開機(jī)構(gòu)構(gòu)型特征，并對(duì)整體機(jī)構(gòu)進(jìn)行了單元分解，基于螺旋理論，繪制了單元機(jī)構(gòu)的螺旋約束圖；進(jìn)而建立了單元機(jī)構(gòu)的螺旋約束方程組，然后通過螺旋速度遞推求得機(jī)構(gòu)中構(gòu)件的角速度和質(zhì)心線速度，采用坐標(biāo)轉(zhuǎn)換求導(dǎo)法得到了速度雅可比矩陣，利用螺旋導(dǎo)數(shù)并基于螺旋加速度合成法則得到了構(gòu)件的螺旋加速度和角加速度以及質(zhì)心線加速度；最后基于拉格朗日方程，建立了整體機(jī)構(gòu)的動(dòng)力學(xué)方程，通過數(shù)值計(jì)算與模擬仿真，分析得到了不同構(gòu)件的運(yùn)動(dòng)學(xué)與動(dòng)力學(xué)特性，驗(yàn)證了理論推導(dǎo)的正確性。本文分析的雙環(huán)多桿天線展開機(jī)構(gòu)為單自由度機(jī)構(gòu)，整體結(jié)構(gòu)簡(jiǎn)單，僅需一個(gè)驅(qū)動(dòng)便可收攏和展開，基于螺旋理論和拉格朗日法相結(jié)合的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)建模分析方法物理意義明確，可以較好地應(yīng)用于此類空間可展開機(jī)構(gòu)的分析中。

摘要:為確保采茶機(jī)器人的精準(zhǔn)采摘，研究設(shè)計(jì)安裝于移動(dòng)底盤的6-DOF混聯(lián)采茶機(jī)器人機(jī)構(gòu)。根據(jù)基于方位特征的機(jī)器人機(jī)構(gòu)拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)理論，提出并設(shè)計(jì)一個(gè)6-DOF混聯(lián)操作手；對(duì)混聯(lián)機(jī)構(gòu)進(jìn)行正反解位置分析；以桿長(zhǎng)之和最小為目標(biāo)函數(shù)，采用非線性規(guī)劃法對(duì)機(jī)構(gòu)進(jìn)行桿件尺寸優(yōu)化；應(yīng)用有限位置法求出完全平衡時(shí)配重的質(zhì)量參數(shù)與位置參數(shù)；運(yùn)用遺傳算法研究擺動(dòng)力部分平衡優(yōu)化，求出其配重質(zhì)量和位置參數(shù)最優(yōu)解，部分平衡優(yōu)化結(jié)果表明，質(zhì)心軌跡在y、z方向上的波動(dòng)分別減少53.72%、25.10%，總擺動(dòng)力波動(dòng)減少43.33%，從而驗(yàn)證了部分平衡優(yōu)化的有效性。為該混聯(lián)采茶機(jī)器人結(jié)構(gòu)設(shè)計(jì)與樣機(jī)研制奠定了技術(shù)基礎(chǔ)。