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:為了提高無人插秧機地頭轉(zhuǎn)向時的曲線路徑跟蹤精度，針對傳統(tǒng)的誤差權(quán)重矩陣固定的線性二次調(diào)節(jié)器（Linear quadratic regulator，LQR）路徑跟蹤控制器對插秧機的縱向速度、橫向偏差以及航向角偏差的變化適應(yīng)性較差的問題，基于車輛二自由度動力學(xué)模型，提出了一種通過模糊控制實時調(diào)整LQR控制器誤差權(quán)重矩陣的路徑跟蹤控制器優(yōu)化方法。該方法以縱向速度、橫向偏差、航向角偏差為輸入，以橫向偏差和航向角偏差對應(yīng)的誤差權(quán)重為輸出，建立模糊控制模型實時調(diào)整LQR控制器的誤差權(quán)重矩陣。為了驗證所提出算法的曲線路徑跟蹤控制精度和可行性，以改裝后的洋馬VP6E型無人插秧機為對象，進行Carsim和Simulink聯(lián)合仿真試驗以及實車試驗。仿真試驗結(jié)果表明，控制插秧機跟蹤半徑為2m的1/4圓弧路徑時，所提出算法控制下的橫向偏差絕對值均值為0.014m，最大值為0.032m，小于0.04m的占100%，航向角偏差絕對值均值為1.67°，最大值為4.94°，相較于傳統(tǒng)引入前饋控制的LQR控制器，橫向偏差絕對值均值降低50%，航向角偏差絕對值均值降低23%。實車試驗結(jié)果表明，在插秧機跟蹤半徑為2m的1/4圓弧路徑時，所提出算法控制下橫向偏差絕對值均值為0.027m，最大值為0.048m，小于0.04m的占62%，航向角偏差絕對值均值為1.86°，最大值為4.94°，相較于傳統(tǒng)引入前饋控制的LQR控制器，橫向偏差絕對值均值降低40%，航向角偏差絕對值均值降低4.1%。該方法提升了無人插秧機曲線路徑跟蹤控制精度，為無人插秧機曲線路徑跟蹤控制提供了參考。

摘要:為提高聯(lián)合收獲機無人駕駛導(dǎo)航路徑的精度，本文提出一種基于激光雷達的作物收獲導(dǎo)航線實時提取方法。搭建點云數(shù)據(jù)采集系統(tǒng)，利用平面擬合法確定激光雷達安裝高度和安裝角度。利用三維激光雷達掃描收獲機前方作物的點云數(shù)據(jù)，結(jié)合IMU慣性傳感器反饋的姿態(tài)信息，實現(xiàn)作物點云數(shù)據(jù)從激光雷達坐標(biāo)系到車體坐標(biāo)系的變換。基于激光雷達掃描視場角、安裝高度和安裝角度獲取感興趣區(qū)域（ROI）的坐標(biāo)，并對感興趣區(qū)域進行直通濾波和統(tǒng)計濾波，去除灰塵、秸稈粉末等噪聲的影響，以實現(xiàn)點云數(shù)據(jù)無效點和離群點的剔除。提出一種基于柵格八鄰域高程差的作物收獲導(dǎo)航線快速識別算法，以點云柵格化后在Z軸方向上的坐標(biāo)值作為檢測依據(jù)，定義某一柵格與其8個相鄰柵格在Z軸坐標(biāo)上的差值為高程差，遍歷柵格并根據(jù)設(shè)定閾值進行比較判斷，實現(xiàn)收獲邊界點的有效提取。采用最小二乘算法進行收獲邊界點的擬合，實現(xiàn)田間作業(yè)過程中作物收獲導(dǎo)航線動態(tài)提取。田間試驗表明，該方法具有較好的魯棒性，能在作物稀缺、雜草較多等情況下保持較高的準(zhǔn)確性，其中前進方向偏差角平均值為0.872°，割臺橫向偏差為0.104m，收獲導(dǎo)航線準(zhǔn)確率為93.5%，可為聯(lián)合收獲機工作提供輔助導(dǎo)航，提高無人駕駛的準(zhǔn)確率。

摘要:針對大田作物行特征復(fù)雜多樣，傳統(tǒng)作物行識別方法魯棒性不足、參數(shù)調(diào)節(jié)困難等問題，該研究提出一種基于特征工程的大田作物行識別方法。以苗期棉花作物行冠層為識別對象，分析作物行冠層特點，以RGB圖像和深度圖像為數(shù)據(jù)來源，建立作物行冠層特征表達模型。運用特征降維方法提取作物行冠層的關(guān)鍵特征參數(shù)，降低運算量。基于支持向量機技術(shù)建立作物行冠層特征分割模型，提取作物行特征點。結(jié)合隨機抽樣一致算法和主成分分析技術(shù)建立作物行中心線檢測方法。以包含不同光照、雜草、相機位姿的棉花作物行圖像為測試數(shù)據(jù)，運用線性核、徑向基核和多項式核的支持向量機分類器開展作物行冠層分割試驗；對比分析典型Hough變換、最小二乘法和所建作物行中心線檢測方法的性能。結(jié)果表明，徑向基核分類器的分割精度和魯棒性最優(yōu)；所建作物行中心線檢測方法的精度和速度最優(yōu)，航向角偏差平均值為0.80°、標(biāo)準(zhǔn)差為0.73°；橫向位置偏差平均值為0.90像素，標(biāo)準(zhǔn)差為0.76像素；中心線擬合時間平均值為55.74ms/f，標(biāo)準(zhǔn)差為4.31ms/f。研究成果可提高作物行識別模型的適應(yīng)性，減少參數(shù)調(diào)節(jié)工作量，為導(dǎo)航系統(tǒng)提供準(zhǔn)確的導(dǎo)航參數(shù)。

摘要:針對我國玉米秸稈量大，生產(chǎn)應(yīng)用的還田機具還田深度淺，存在影響后續(xù)播種、出苗質(zhì)量、病蟲害發(fā)生率高和深層土壤“碳饑餓”等問題，設(shè)計了一種秸稈粉碎集中全量深埋還田機，可一次完成秸稈撿拾、粉碎、輸送、深松開溝、集中遁注掩埋和碎土鎮(zhèn)壓等作業(yè)，在有效減少土壤擾動下能夠?qū)⒍嘈姓玖⒒蚍鬯楹蠼斩捈新袢氲乇硐乱粭l深380～400mm的溝內(nèi)。闡述了秸稈粉碎集中全量深埋還田機整機結(jié)構(gòu)及工作原理，對秸稈螺旋輸送裝置、拋壓風(fēng)機、深松開溝遁注裝置和傳動系統(tǒng)等關(guān)鍵部件進行了設(shè)計與計算，初步確定了螺旋輸送裝置與拋壓風(fēng)機轉(zhuǎn)速、風(fēng)機出料口尺寸和遁注體截面形狀參數(shù)，并對拋壓風(fēng)機與遁注體腔體內(nèi)部進行了流場模擬分析與驗證。按照設(shè)計要求對秸稈粉碎集中全量深埋還田機進行了試制,并進行了機具性能與大田定位試驗，結(jié)果表明：在作業(yè)速度3km/h時，秸稈撿拾率為90.8%，開溝深度與秸稈掩埋深度均值分別為394mm與200mm,開溝深度與秸稈掩埋深度穩(wěn)定性系數(shù)分別為97.4%和92.5%，各項指標(biāo)與設(shè)計值相符，且滿足農(nóng)藝要求。同時大田定位試驗結(jié)果表明，秸稈集中深還田與傳統(tǒng)還田相比，0～200cm土壤貯水量提高29mm，20～40cm土層有機碳、全氮和速效磷養(yǎng)分含量分別增加7.14g/kg、0.59g/kg、1.53mg/kg，有效增加了土壤養(yǎng)分含量，提高了深層土壤肥力與貯水能力。

摘要:為降低振動對指夾式排種器排種性能的影響，設(shè)計了一種具有輔助夾持結(jié)構(gòu)的玉米指夾式排種器，闡述了指夾式排種器工作原理，并對輔助夾持的指夾和種盤等各關(guān)鍵構(gòu)件結(jié)構(gòu)進行了優(yōu)化設(shè)計，建立了指夾夾持動力學(xué)模型。運用RecruDyn軟件建立排種器虛擬樣機模型，基于玉米籽粒特性在EDEM軟件中構(gòu)建玉米籽粒顆粒，通過EDEM-RecurDyn耦合仿真模擬了振動條件下排種器充種、攜種及排種過程，分析對指夾式排種器排種性能影響的主要因素。最后結(jié)合臺架試驗，選取排種器作業(yè)速度、振動幅值和振動頻率為試驗因素，以排種器合格指數(shù)和漏播指數(shù)為試驗指標(biāo)進行排種性能試驗驗證。研究表明，指夾打開28.65°夾持玉米籽粒時，符合指夾式排種器在振動條件下的運動過程，耦合仿真分析結(jié)果與指夾式排種器實際運動過程基本一致，夾持過程中指夾和種盤共同配合下能夠有效降低振動對排種器夾持性能的影響，滿足設(shè)計要求；當(dāng)作業(yè)速度為3.8km/h、振動幅值為5mm、振動頻率為32.52Hz時，排種器合格指數(shù)和漏播指數(shù)分別為91.0%、6.68%，排種器臺架驗證試驗得出該參數(shù)組合下排種器排種合格指數(shù)為和漏播指數(shù)分別為90.0%、7.1%，與理論優(yōu)化值非常接近，證明輔助夾持結(jié)構(gòu)在排種作業(yè)中可以保持較好的穩(wěn)定性，使得排種器具有良好的排種效果，滿足精密播種作業(yè)要求，為玉米精密播種裝置的改進設(shè)計提供參考。

摘要:播種機氣送式集排器增壓管是種子顆粒輸送過程中的重要組成部分，其結(jié)構(gòu)直接影響到播種機的作業(yè)性能。本文運用理論分析與EDEM-Fluent耦合相結(jié)合的方法來研究增壓管內(nèi)種子流運移特性。經(jīng)過理論分析后，得出影響種子顆粒的因素主要有增壓管結(jié)構(gòu)、輸送氣流和裝置材料等。由于裝置材料和輸送氣流均是外部因素，本文主要以油菜種子為例，研究增壓管結(jié)構(gòu)對種子顆粒運動狀態(tài)的影響。耦合分析得出：常用增壓管中V型波紋式的增壓管對種子流有較好的擾動分散等作用；在氣流速度為16m/s時，增壓管直徑為30mm、長度為100mm、寬度為10mm、深度為2mm時出口種子流質(zhì)量較為均勻，其變異系數(shù)為17.32%。開展臺架試驗驗證了耦合參數(shù)和模型選擇的正確性。

摘要:為解決蔬菜氣吸式排種器吸種時出現(xiàn)一孔多?，F(xiàn)象導(dǎo)致播種質(zhì)量下降的問題，提出4級鋸齒清種作業(yè)的方法，并設(shè)計了四級清種機構(gòu)。闡述排種器出現(xiàn)重吸現(xiàn)象的原因，對清種過程中種子的受力建立數(shù)學(xué)模型，從而確定清種機構(gòu)安裝位置、齒形角度等關(guān)鍵參數(shù)。選取清種齒頂與型孔距離、排種器工作轉(zhuǎn)速和氣室負(fù)壓為主要因素進行二次回歸正交旋轉(zhuǎn)組合試驗并對試驗結(jié)果進行顯著性和回歸分析，獲得最優(yōu)參數(shù)組合為第4級清種齒頂與型孔距離0.41mm、負(fù)壓1.22kPa、排種器工作轉(zhuǎn)速5.85r/min，并對最優(yōu)工作參數(shù)進行驗證試驗和對比試驗。驗證試驗表明，在工作轉(zhuǎn)速為4.5~9.5r/min時，漏清率不大于1.50%，過清率不大于1.88%，與回歸方程計算值基本一致。對比試驗表明，在轉(zhuǎn)速分別為4.5、7.0、9.5r/min時，采用四級清種機構(gòu)漏清率分別降低3.2、4.0、5.0個百分點，過清率分別降低0.19、0.83、1.45個百分點，排種合格率分別提升3.42、4.83、6.45個百分點。采用四級清種機構(gòu)有效降低了清種環(huán)節(jié)的漏清率，提升了排種器的工作質(zhì)量。

摘要:針對氣送式玉米高速精量排種器進行高速精量播種時排種器內(nèi)存種量波動較大，無法維持最佳作業(yè)狀態(tài)的問題，提出通過改進供種裝置結(jié)構(gòu)、優(yōu)化供種控制模型的技術(shù)思路。設(shè)計了一種智能供種系統(tǒng)，采用可替換輪片的新型供種輪結(jié)構(gòu)和以正弦函數(shù)為基礎(chǔ)的波動變量供種方式，根據(jù)供種效果實時調(diào)節(jié)供種速度波動幅度，從而使排種器內(nèi)的存種量保持在較好區(qū)間，確保排種器在較高作業(yè)性能下進行持續(xù)性工作。對關(guān)鍵零部件進行了結(jié)構(gòu)參數(shù)設(shè)計，通過離散元仿真和臺架試驗獲取并驗證了不同結(jié)構(gòu)的供種輪較優(yōu)工作區(qū)間，同時對波動變量供種模型性能進行了試驗驗證。試驗結(jié)果表明，新型供種輪能夠通過改變自身結(jié)構(gòu)在供種速度250~1500g/min范圍內(nèi)將供種速度變異系數(shù)保持在20%以下。優(yōu)化后新型波動變量供種控制模型將使供種速度以波動變量供種的方式進行平滑變化，在供種速度500~1500g/min范圍內(nèi)圍繞供種需求進行100g/min左右幅度的波動供種，滿足玉米精量播種的技術(shù)要求。

摘要:起壟有利于增加土壤的透氣性及保水能力，是馬鈴薯種植環(huán)節(jié)中重要的一環(huán)。針對目前馬鈴薯播種機起壟裝置功能單一、效率低、作業(yè)效果差等問題，提出一種適用于山東地區(qū)的兩段式組合起壟裝置，通過覆土圓盤和翼面鏟的配套作業(yè)，同時完成覆土、起壟和整形作業(yè)，有利于種薯扎根穩(wěn)定、生長發(fā)達，提高馬鈴薯播種機的作業(yè)效率和質(zhì)量。通過分析覆土圓盤、翼面鏟的作業(yè)過程以及土壤的運動過程，對翼面鏟的總體尺寸及鏟尖、鏟面、翼板等主要部件進行參數(shù)設(shè)計。利用EDEM仿真軟件建立土壤與兩段式組合起壟裝置的聯(lián)合仿真模型并進行試驗，對兩段式組合起壟裝置的起壟量模擬曲線進行分析，得出裝置的作業(yè)質(zhì)量相比僅依靠覆土圓盤作業(yè)有顯著提升。田間試驗表明，當(dāng)馬鈴薯播種機前進速度為0.25m/s時，兩段式組合起壟裝置所起土壟平均高度為251mm，平均壟底寬為698mm，平均壟距為902mm，平均壟體土壤緊實度可達到390.33kPa，作業(yè)效果良好，滿足山東地區(qū)馬鈴薯起壟農(nóng)藝要求。

摘要:針對無紡布容器苗在換缽移盆過程中存在的基質(zhì)填充不完善導(dǎo)致根系過淺裸露，移栽機自動化程度過低導(dǎo)致移栽效率過慢等現(xiàn)象，設(shè)計了一種基于無紡布容器苗的全自動二次移栽機。對柔性機械爪的關(guān)鍵部件進行參數(shù)設(shè)計以及受力分析，結(jié)合RecurDyn剛?cè)狁詈戏抡鎸σ圃詸C械臂運動狀態(tài)進行優(yōu)化設(shè)計，通過運動學(xué)分析進行優(yōu)化。綜合考慮影響移栽成功率的關(guān)鍵因素，確定以二次填土作用力率、苗體基質(zhì)含水率、夾取針間距為試驗因素，以60穴香榧幼苗為試驗對象，通過正交試驗確定最佳工作參數(shù)。試驗結(jié)果表明：當(dāng)二次填土機構(gòu)作用力率為83.51%、夾取針間距為19.66mm、苗體基質(zhì)含水率為33.45%時，移栽成功率為95.29%，與驗證性試驗的95.33%基本一致，滿足高速、高效移栽要求，為林木無紡布容器苗二次移栽領(lǐng)域提供參考。

摘要:針對目前小麥播種機在復(fù)雜的田間作業(yè)過程中存在的播深一致性和穩(wěn)定性難以控制等問題,從調(diào)節(jié)覆土量確定小麥播深的控制角度出發(fā)，提出了一種基于播深反饋的模糊PID控制方法，設(shè)計了小麥播種機高精度播深控制系統(tǒng)，實現(xiàn)了播深的自動調(diào)控，保證了小麥播深的均勻一致性。該系統(tǒng)主要由車載終端、播深檢測模塊、播前鎮(zhèn)壓輥檢測模塊以及播前鎮(zhèn)壓輥調(diào)節(jié)機構(gòu)等4部分組成，能夠?qū)崿F(xiàn)小麥播種機播深的實時檢測及調(diào)整。通過播深檢測模塊獲取實時播深并作為反饋輸入，結(jié)合播深預(yù)設(shè)值，根據(jù)專家模糊規(guī)則和Mamdani推理法對PID參數(shù)進行在線整定得到控制輸出量，控制驅(qū)動器調(diào)整播前鎮(zhèn)壓輥位置，不斷調(diào)整作業(yè)過程中的覆土量，從而實現(xiàn)對播深的實時精確控制，確保播深的一致性。田間試驗結(jié)果表明：播種作業(yè)過程中，播深存在小范圍波動。當(dāng)設(shè)定播深為30mm、車速為3~5km/h時，播深平均值為30.13mm，播深標(biāo)準(zhǔn)差為0.18mm，播深合格率均值為93%，播深變異系數(shù)均值為2.93%。該系統(tǒng)實現(xiàn)了小麥播種機播深均勻一致的實時自適應(yīng)調(diào)控。

摘要:當(dāng)前井窖移栽機成穴裝置挖掘井窖穩(wěn)定性差、易坍塌、土壤回流嚴(yán)重、直立度差，無法滿足深井窖移栽成穴農(nóng)藝要求。為此設(shè)計一種井窖移栽機單線螺旋成穴裝置。對單線螺旋成穴裝置的錐形鉆尖、螺旋葉片、中心鉆桿等關(guān)鍵結(jié)構(gòu)進行設(shè)計，并采用動力學(xué)方法對其作業(yè)過程的入土階段、切土階段和排土階段的成穴機理進行分析，確定了單線螺旋成穴裝置的直徑、螺距和轉(zhuǎn)速為影響其作業(yè)質(zhì)量的關(guān)鍵參數(shù)。應(yīng)用離散元仿真軟件EDEM對成穴裝置作業(yè)過程進行仿真分析，以井窖深度、井窖直徑、井窖直立度和土壤回流程度為評價指標(biāo)，以直徑、螺距、轉(zhuǎn)速為試驗因素，進行單因素試驗確定關(guān)鍵參數(shù)的取值范圍。根據(jù)取值范圍，利用二次正交旋轉(zhuǎn)中心組合試驗方法建立單線螺旋成穴裝置響應(yīng)指標(biāo)與試驗因素的回歸方程，并通過響應(yīng)曲面得到其影響趨勢和交互關(guān)系，結(jié)果表明各因素對井窖深度影響的主次順序為螺距、轉(zhuǎn)速、直徑，對井窖直徑影響的主次順序為直徑、螺距、轉(zhuǎn)速。以回歸方程為基礎(chǔ)，采用多目標(biāo)函數(shù)優(yōu)化獲取單線螺旋成穴裝置的優(yōu)化參數(shù)組合。根據(jù)優(yōu)化后的參數(shù)組合研制單線螺旋成穴裝置及田間作業(yè)平臺并進行田間試驗，試驗結(jié)果表明：成穴裝置直徑為100mm、螺距為75mm、轉(zhuǎn)速為350r/min時作業(yè)效果最佳，此時井窖深度為182mm、井窖直徑為80.7mm，優(yōu)化后的單線螺旋成穴裝置滿足井窖移栽成穴的農(nóng)藝要求。

摘要:為解決頂夾式取苗出現(xiàn)的頂苗失敗、缽體被夾持時受壓變形、破損等問題，以頂夾式取苗末端執(zhí)行部件為研究對象，建立頂苗和夾苗過程力學(xué)分析模型，得出影響取苗效果的主要因素包括頂針直徑、頂針長度、頂苗速度和夾苗加載距離。通過試驗測定缽體相關(guān)物理性能參數(shù)，在EDEM軟件中選用EEPA接觸模型建立缽體顆粒模型。利用EDEM仿真模擬頂苗與夾苗過程，采用Box-Behnken設(shè)計法和單變量控制法分別進行頂苗和夾苗仿真試驗設(shè)計，利用Design-Expert軟件分析得到優(yōu)化參數(shù)組合為：頂針直徑1.9mm、頂針長度18mm、頂苗速度0.3m/s和夾苗加載距離4mm。在頻率100株/min下進行取投苗性能驗證試驗，經(jīng)過優(yōu)化的取苗末端執(zhí)行部件取投苗成功率93.25%，缽體完整度良好，滿足葉菜類蔬菜穴盤苗自動旱地移栽取苗要求。

摘要:針對西南地區(qū)坡度較大、免耕地表秸稈及根茬等造成耕地平整度較差，驅(qū)動式破茬防堵免耕播種機作業(yè)時機具整體產(chǎn)生振動較大，導(dǎo)致排肥器排肥及導(dǎo)肥管導(dǎo)肥作業(yè)性能差的問題，基于螺旋輸送原理，設(shè)計了一種柔性無軸螺旋排肥輸肥裝置。通過對肥料的螺旋輸送以及物料臨界輸送速度分析，得出螺旋葉片最佳充肥尺寸以及轉(zhuǎn)速范圍。采用EDEM仿真進行二次回歸正交旋轉(zhuǎn)試驗和響應(yīng)曲面法分析無軸螺旋排肥輸肥裝置最佳工作參數(shù)：螺旋葉片內(nèi)半徑3mm、螺旋葉片外半徑12.8mm、螺旋葉片轉(zhuǎn)速319r/min以及螺旋間距24.5mm。田間測試結(jié)果表明，在地表平整度平均值以及地表坡度分別為8.9cm、16.1°時，無軸螺旋排肥輸肥裝置在作業(yè)速度1.5 m/s時，排肥精度誤差、均勻性變異系數(shù)分別為1.87%、2.52%，滿足國家施肥標(biāo)準(zhǔn)，播肥符合當(dāng)?shù)剞r(nóng)藝要求。所設(shè)計的無軸螺旋排肥輸肥裝置滿足免耕播種施肥要求，可為在地表平整度較差時排肥和振動較大條件下排肥器以及導(dǎo)肥管的設(shè)計與改進提供參考。

摘要:水肥一體化技術(shù)在棉花、小麥、番茄等大田農(nóng)作物種植場景中的應(yīng)用逐漸增多。當(dāng)前能夠快速有效調(diào)整大田農(nóng)作物水肥一體化系統(tǒng)中肥料流量的控制算法研究較為有限。由于水肥一體化系統(tǒng)存在時變性、滯后性與非線性的特點，常見的PID與BP-PID控制算法無法獲得預(yù)期的控制效果。為此設(shè)計一種基于蝙蝠算法（BA）優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)PID控制器。通過采用BA對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值進行優(yōu)化，加快了BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)速度，實現(xiàn)對水肥一體化系統(tǒng)中肥料流量的快速精準(zhǔn)控制，從而降低了超調(diào)量、提高了響應(yīng)速度。同時，基于STM32單片機搭建了水肥一體化流量調(diào)節(jié)測試平臺，并對該控制器的性能進行了試驗驗證。結(jié)果表明，與常規(guī)PID控制器和基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器相比，所設(shè)計的控制器具有較高的控制精度和魯棒性，降低了由時滯性、非線性等因素引起的影響。平均最大超調(diào)量為4.78%，平均調(diào)節(jié)時間為41.24s。特別是在施肥流量為0.6m3/h時，控制器表現(xiàn)出最佳的綜合控制性能，達到了精準(zhǔn)施肥的效果。

摘要:中國是林果起源地之一，采摘是林果產(chǎn)業(yè)生產(chǎn)中的重要環(huán)節(jié)。機械化采摘是實現(xiàn)代替人工作業(yè)進行林果快速收獲的重要手段之一，是現(xiàn)代化農(nóng)業(yè)發(fā)展驅(qū)動下的必然走向。機械振動采摘是目前應(yīng)用最為廣泛的技術(shù)，林果采摘機械的工作性能主要由振動效果決定。因此，本文通過對國內(nèi)外各類林果機械振動采摘裝備的研究分析，歸納出影響振動采摘的因素、果樹三維重構(gòu)與等效模型、果實振動脫落特性以及振動能量傳遞與耗散等4大關(guān)鍵機械振動采摘理論，并闡明了各理論目前存在的不足。在此基礎(chǔ)上闡述了國內(nèi)外林果機械化采摘裝備的研究現(xiàn)狀和進展，分析了林果機械式采摘機的適用范圍、工作原理及分類，總結(jié)了典型振動式及接觸式采摘機的機型和技術(shù)參數(shù)，指出了各機型應(yīng)用作業(yè)產(chǎn)生的實際問題。結(jié)合林果產(chǎn)業(yè)應(yīng)用場景和發(fā)展要求，分析了中國林果機械化采摘面臨的主要問題，認(rèn)為缺乏系統(tǒng)性理論研究、關(guān)鍵技術(shù)研究進展緩慢是制約林果機械化發(fā)展的關(guān)鍵，提出了未來林果機械化采摘的技術(shù)重點是高效、精準(zhǔn)、低損收獲，最終為實現(xiàn)林果自動化、智能化采摘的建議。

摘要:針對分段收獲后胡麻脫出物形狀差異小、混雜程度大、清選困難等問題，設(shè)計了胡麻脫粒清選裝置。為提高胡麻脫粒清選裝置作業(yè)效率，探究胡麻脫粒物料氣流式清選機理，以裝置氣流清選系統(tǒng)為研究對象，分別建立清選系統(tǒng)CFD模型和胡麻脫出物DEM模型。采用CFD-DEM耦合仿真技術(shù)，通過研究各組分脫出物料的運動軌跡與空間位置分布，得出清選系統(tǒng)內(nèi)胡麻脫出物分離規(guī)律，并進行驗證試驗，校驗仿真模型可靠性。仿真試驗表明，胡麻脫粒物顆粒在清選系統(tǒng)內(nèi)氣流場的作用下表現(xiàn)出較好的分離清選效果，同時，通過分析模擬試驗所得到的胡麻脫粒物顆粒數(shù)量和平均速度變化曲線，探明了胡麻脫粒物料在分離清選作業(yè)過程中運移的平均速度和數(shù)量的變化規(guī)律。驗證試驗表明，該裝置在最佳工作狀態(tài)下作業(yè)后胡麻籽粒的清選損失率為2.78%，含雜率為2.23%，與仿真模擬胡麻籽粒損失率（2.05%）、含雜率（1.56%）相比，二者試驗結(jié)果分別僅相差0.73、0.67個百分點，實際試驗結(jié)果與仿真模擬結(jié)果吻合度較高，驗證了模型的可靠性。

摘要:基于喂入量的作業(yè)速度智能化控制技術(shù)是優(yōu)化聯(lián)合收獲機作業(yè)效率和質(zhì)量的重要手段。本文針對傳統(tǒng)喂入量自動控制技術(shù)時滯明顯，在喂入量調(diào)整時無法及時適應(yīng)實際情況的問題，采用基于圖像的深度學(xué)習(xí)方法開展了成熟期小麥植株密度等級分類識別方法研究，通過預(yù)先感知作物密度，實現(xiàn)聯(lián)合收獲機作業(yè)參數(shù)的自動調(diào)整。首先基于車載相機和無人機圖像構(gòu)建了小麥植株圖像數(shù)據(jù)集，并細(xì)分為低密度、中密度、高密度和特高密度4類；其次構(gòu)建了基于MobileViT-XS輕量化網(wǎng)絡(luò)的密度等級識別模型，利用建立的數(shù)據(jù)集進行模型的訓(xùn)練和測試；最后將其與VGG16、GoogLeNet和ResNet進行了比較。結(jié)果表明，MobileViT-XS模型的總體識別準(zhǔn)確率達到91.03%，且單幅圖像推理時間僅為29.5ms。與VGG16、ResNet網(wǎng)絡(luò)相比，總體識別準(zhǔn)確率分別高出3.51、2.34個百分點，MobileViT-XS模型可以較好的完成小麥不同密度等級的分類識別任務(wù)，為實時預(yù)測小麥喂入密度提供了技術(shù)支持。

摘要:針對紫云英聯(lián)合收獲物料組分構(gòu)成復(fù)雜及其小差異混雜特性，使其在分離清選作業(yè)過程中存在高含雜、多損失等問題，提出“先篩分、再氣流清”的作業(yè)模式，設(shè)計了紫云英聯(lián)合收獲物料分離清選機，并對喂料斗出口處料層厚度調(diào)節(jié)機構(gòu)、篩分裝置、集雜除塵裝置等關(guān)鍵部件進行了設(shè)計選型與參數(shù)計算?；贒EM-CFD耦合數(shù)值模擬方法，確定了物料層調(diào)節(jié)厚度、篩分裝置驅(qū)振振幅和吸雜管道風(fēng)量調(diào)節(jié)手柄擋位等主要影響因素合理的取值范圍，運用Minitab進行正交試驗設(shè)計，以籽粒清潔率和夾帶總損失率為響應(yīng)值，得到影響紫云英聯(lián)合收獲物料分離清選機作業(yè)質(zhì)量的最優(yōu)因素參數(shù)組合：物料層調(diào)節(jié)厚度為16.8mm、篩分裝置驅(qū)振振幅為35mm、吸雜管道風(fēng)量調(diào)節(jié)手柄在擋位5，此時，籽粒清潔率均值為98.07%，夾帶總損失率均值為2.96%，試驗結(jié)果滿足設(shè)計要求。

摘要:為解決甜菜聯(lián)合收獲機分離輸送過程中甜菜塊根含雜率高、損傷率高的問題，設(shè)計了一種六行甜菜聯(lián)合收獲機的三級分離輸送裝置，闡述了該裝置的主要結(jié)構(gòu)及工作原理，并確定關(guān)鍵參數(shù)。通過對分離輸送過程中土壤、甜菜的運動學(xué)分析及甜菜在碰撞過程中的能量分析，確定了影響甜菜含雜和損傷效果的主要因素及各因素的試驗取值范圍。以撥送板轉(zhuǎn)速、桿條式鏈篩輸送速度和橡膠尾篩傾角為試驗因素，以含雜率和損傷率為試驗指標(biāo)，進行二次回歸正交旋轉(zhuǎn)組合試驗，利用Design-Expert 8.0.6軟件對試驗結(jié)果進行分析，得到試驗因素與各指標(biāo)的回歸方程。通過響應(yīng)面分析各因素對評價指標(biāo)的影響規(guī)律，得出優(yōu)化參數(shù)組合為：撥送板轉(zhuǎn)速100.0r/min、桿條式鏈篩輸送速度1.4m/s和橡膠尾篩傾角39.0°。驗證試驗結(jié)果表明，經(jīng)過三級分離輸送后甜菜含雜率為3.4%，損傷率為2.6%，各項指標(biāo)均符合國家行業(yè)標(biāo)準(zhǔn)要求。

摘要:針對丘陵山區(qū)三七機械化收獲根土分離難、輸送效率低等問題，開展了三七收獲機輸送分離裝置作業(yè)機理與參數(shù)優(yōu)化試驗研究。首先，通過理論分析建立了三七根土復(fù)合體在輸送過程中的動力學(xué)模型；其次，利用高速攝影獲取三七根土復(fù)合體的運動軌跡，確定三七輸送、根土分離、須根斷裂等作業(yè)機理；與此同時，基于EDEM-RecurDyn耦合開展三七根土復(fù)合體輸送分離作業(yè)聯(lián)合仿真，驗證了模型的可靠性，明確了三七根土復(fù)合體輸送分離規(guī)律，確定了影響三七根土分離的主要作業(yè)參數(shù)為：升運速度、升運傾角、振動幅度、振動頻率；最后，開展臺架試驗并利用Design-Expert軟件進行分析尋找最優(yōu)作業(yè)參數(shù)。結(jié)果表明：當(dāng)最優(yōu)作業(yè)參數(shù)組合升運傾角為21°、振動幅度為44mm、升運速度為0.9m/s、振動頻率為1.6Hz時，三七輸送率、三七篩凈率分別為93.60%、92.64%，符合三七收獲機輸送分離作業(yè)要求。

摘要:智能蟲情測報燈下害蟲的精準(zhǔn)識別和分類是實現(xiàn)稻田蟲情預(yù)警的前提，為解決水稻害蟲圖像識別過程中存在分布密集、體態(tài)微小、易受背景干擾等造成識別精度不高的問題，提出了一種基于MS-YOLO v7（Multi-Scale-YOLO v7）輕量化稻飛虱識別分類方法。首先，采用稻飛虱害蟲誘捕裝置搭建稻飛虱害蟲采集平臺，獲取的稻飛虱圖像構(gòu)成ImageNet數(shù)據(jù)集。然后，MS-YOLO v7目標(biāo)檢測算法采用GhostConv輕量卷積作為主干網(wǎng)絡(luò)，減小模型運行的參數(shù)量；在Neck部分加入CBAM注意力機制模塊，有效強調(diào)稻飛虱區(qū)別度較高的特征通道，抑制沉冗無用特征，準(zhǔn)確提取稻飛虱圖像中的關(guān)鍵特征，動態(tài)調(diào)整特征圖中不同通道的權(quán)重；將SPPCSPS空間金字塔池化模塊替換SPPFS金字塔池化模塊，提高網(wǎng)絡(luò)模型對各分類樣本的特征提取能力；同時將YOLO v7模型中的SiLU激活函數(shù)替換為Mish激活函數(shù)，增強網(wǎng)絡(luò)的非線性表達能力。試驗結(jié)果表明，改進后的MS-YOLO v7在測試集上的模型平均精度均值（Mean average precision，mAP）為95.7%，精確率（Precision）為96.4%，召回率（Recall）為94.2%，與Faster R-CNN、SSD、YOLO v5、YOLO v7網(wǎng)絡(luò)模型相比mAP分別提高2.1、3.4、2.3、1.6個百分點，F(xiàn)1值分別提高2.7、4.1、2.5、1.4個百分點。改進后的模型內(nèi)存占用量、參數(shù)量、浮點運算數(shù)分別為63.7MB、2.85×107、7.84×1010，相比YOLO v7模型分別縮減12.5%、21.7%、25.4%，MS-YOLO v7網(wǎng)絡(luò)模型對稻飛虱種間害蟲均能實現(xiàn)高精度的識別與分類，具有較好的魯棒性，可為稻田早期稻飛虱蟲情預(yù)警提供技術(shù)支持。

摘要:為在保證識別性能前提下，對葉片病害檢測模型進行有效輕量化，基于主干替換、模型剪枝以及知識蒸餾技術(shù)構(gòu)建了一種模型輕量化方法，對以YOLO v5s為基礎(chǔ)的葉片黃化曲葉病檢測模型開展輕量化試驗。首先，通過常見的性能優(yōu)異的輕量級主干特征提取神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（Lightweight convolutional neural networks，LCNN）替換YOLO v5s主干對模型主體進行縮減；然后利用模型稀疏化訓(xùn)練和批歸一化層（Batch normalization layer）的縮放因子分布狀況，篩選并刪減不重要的通道；最后，通過微調(diào)重新訓(xùn)練以及知識蒸餾，將模型精度調(diào)整到接近剪枝前的水平。試驗結(jié)果表明，經(jīng)輕量化處理的模型精確率、召回率和平均精度分別為91.3%、87.4%和92.7%，模型內(nèi)存占用量為1.4 MB，臺式機檢測幀率81.0f/s，移動端檢測幀率1.2f/s，相比原始YOLO v5s葉片病害檢測模型，精確率、召回率和平均精度下降3.7、4.6、2.7個百分點，內(nèi)存占用量僅為處理前的10%，臺式機和移動端檢測的幀率分別提升近27%和33%。本文所提出的方法在保持模型性能的前提下對模型有效輕量化，為移動端葉片病害檢測部署提供了理論基礎(chǔ)。

摘要:作物病害的初期快速準(zhǔn)確識別是減小作物經(jīng)濟損失的重要保障。針對實際生產(chǎn)環(huán)境中，作物葉片黃化曲葉病毒病(Yellow leaf curl virus，YLCV)患病初期無法應(yīng)用傳統(tǒng)圖像處理算法通過顏色或紋理特征進行準(zhǔn)確和快速識別，并且YOLO v5s通用模型在復(fù)雜環(huán)境下識別效果差和效率低的問題，本文提出一種集成改進的葉片病害檢測識別方法。該方法通過對Plant Village公開數(shù)據(jù)集中單一患病葉片圖像以及實際生產(chǎn)中手機拍攝獲取的患病作物冠層圖像兩種來源制作數(shù)據(jù)集，并對圖像中的患病葉片進行手動標(biāo)注等操作，以實現(xiàn)在復(fù)雜地物背景和葉片遮擋等情況下正確識別目標(biāo)，即在健康葉片、患病葉片、枯萎葉片、雜草和土壤中準(zhǔn)確識別出所有的患病葉片。此外，用智能手機在生產(chǎn)現(xiàn)場拍攝圖像，會存在手機分辨率、光線、拍攝角度等多種因素，會導(dǎo)致識別正確率降低等問題，需要對采集到的圖像進行預(yù)處理和數(shù)據(jù)增強以提高模型識別率，通過對YOLO v5s原始模型骨干網(wǎng)絡(luò)重復(fù)多次增加CA注意力機制模塊（Coordinate attention），增強YOLO算法對關(guān)鍵信息的提取能力，利用加權(quán)雙向特征金字塔網(wǎng)絡(luò)（Bidirectional feature pyramid network，BiFPN），增強模型不同特征層的融合能力，從而提高模型的泛化能力，替換損失函數(shù)EIoU（Efficient IoU loss），進一步優(yōu)化算法模型，實現(xiàn)多方法疊加優(yōu)化后系統(tǒng)對目標(biāo)識別性能的綜合提升。在相同試驗條件下，對比YOLO v5原模型、YOLO v8、Faster R-CNN、SSD等模型，本方法的精確率P、召回率R、平均識別準(zhǔn)確率mAP0.5、mAP0.5:0.95分別達到97.40%、94.20%、97.20%、79.10%，本文所提出的算法在提高了精確率與平均精度的同時，保持了較高的運算速度，滿足對作物黃化曲葉病毒病檢測的準(zhǔn)確性與時效性的要求，并為移動端智能識別作物葉片病害提供了理論基礎(chǔ)。

摘要:針對自然環(huán)境下棉花葉片病害檢測難度大和人工設(shè)計特征提取器難以獲取與棉葉病蟲害相近特征表達的問題，提出一種改進的注意力機制YOLO v7算法（CBAM-YOLO v7）。該模型在YOLO v7模型基礎(chǔ)上，在Backbone與Head中間增加注意力機制CBAM，并在Head部進行4倍下采樣，然后將CBAM-YOLO v7模型用于棉葉病蟲害識別，并與YOLO v5和YOLO v7進行對比試驗。試驗結(jié)果表明：蚜蟲和正常葉片檢測方面，YOLO v7可取得好的檢測結(jié)果；CBAM-YOLO v7對黃萎病、棉盲蝽、紅蜘蛛棉葉病蟲害圖像檢測的準(zhǔn)確率高于其他模型。CBAM-YOLO v7的mAP為85.5%，相較于YOLO v5提高21個百分點，相較于YOLO v7提高4.9個百分點；單幅圖檢測耗時為29.26ms，可為棉葉病害在線監(jiān)測提供理論基礎(chǔ)。

摘要:快速準(zhǔn)確識別奶牛糞便形態(tài)，對于奶牛腸胃健康監(jiān)測與精細(xì)管理具有重要意義。針對目前奶牛糞便識別人工依賴強、識別難度大等問題，提出了一種基于VGG-ST（VGG-Swin Transformer）模型的奶牛稀便、軟便、硬便及正常糞便圖像識別與分類方法。首先，以泌乳期荷斯坦奶牛糞便為研究對象，采集上述4種不同形態(tài)的糞便圖像共879幅，利用翻轉(zhuǎn)、旋轉(zhuǎn)等圖像增強操作擴充至5580幅作為本研究數(shù)據(jù)集；然后，分別選取Swin Transformer、AlexNet、ResNet-34、ShuffleNet和MobileNet 5種典型深度學(xué)習(xí)圖像分類模型進行奶牛糞便形態(tài)分類研究，通過對比分析，確定Swin Transformer為最優(yōu)基礎(chǔ)分類模型；最后，融合VGG模型與Swin Transformer模型，構(gòu)建了VGG-ST模型，其中，VGG模型獲取奶牛糞便局部特征，同時Swin Transformer模型提取全局自注意力特征，特征融合后實〖JP3〗現(xiàn)奶牛糞便圖像分類。實驗結(jié)果表明，Swin Transformer模型在測試集中分類準(zhǔn)確率達859%，與ShuffleNet、ResNet-34、MobileNet、AlexNet模型相比分別提高1.8、4.0、12.8、23.4個百分點；VGG-ST模型分類準(zhǔn)確率達89.5%，與原Swin Transformer模型相比提高3.6個百分點。該研究可為奶牛糞便形態(tài)自動篩查機器人研發(fā)提供方法參考。

摘要:針對荷斯坦奶牛個體識別神經(jīng)網(wǎng)絡(luò)的人工調(diào)參成本高、泛化性差、效率低，難以實現(xiàn)局部遮擋條件下精準(zhǔn)識別等問題，提出了一種基于ResNet框架和神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索(NAS)的自適應(yīng)網(wǎng)絡(luò)參數(shù)優(yōu)化算法(NAS-Res)。首先，通過設(shè)計包含CBR_K1、CBR_K3、CBR_K5和SkipConnect的操作集，配合密集連接路徑，構(gòu)成超參數(shù)網(wǎng)絡(luò)。然后基于梯度下降的搜索策略，在多目標(biāo)優(yōu)化復(fù)合損失函數(shù)的約束下，強化了對低成本模型的設(shè)計。結(jié)果表明，NAS-Res在GPU上僅耗時6.18h獲得最佳架構(gòu)，在包含168頭奶牛局部遮擋側(cè)面圖像的PO-Cows數(shù)據(jù)集上，閉集驗證準(zhǔn)確率為90.18%，與ResNet-18、ResNet-34和ResNet-50相比提高5.04、3.02、14.92個百分點，而參數(shù)量分別降低5.9×105、1.069×107和1.317×107。在包含174頭奶牛背部圖像的Cows2021數(shù)據(jù)集上閉集驗證準(zhǔn)確率為99.25%。此外，NAS-Res可忽略PO-Cows數(shù)據(jù)集規(guī)模變化的影響，牛只數(shù)量在50～168頭之間變化時，Top-1準(zhǔn)確率和Top-5 準(zhǔn)確率變化幅度僅為1.51、1.01個百分點，適用性較強?？傮w而言，NAS-Res算法實現(xiàn)了對局部遮擋奶牛的精準(zhǔn)個體識別，本研究可為復(fù)雜背景下畜禽個體識別提供技術(shù)參考。

摘要:為實現(xiàn)非接觸、高精度個體識別，本文提出了一種基于牛只臉部RGB-D信息融合的個體身份識別方法。以108頭28~30月齡荷斯坦奶牛作為研究對象，利用Intel RealSense D455深度相機采集2334幅牛臉彩色/深度圖像作為原始數(shù)據(jù)集。首先，采用冗余圖像剔除方法和自適應(yīng)閾值背景分離算法進行圖像預(yù)處理，經(jīng)增強共得到8344幅牛臉圖像作為數(shù)據(jù)集；然后，分別選取Inception ResNet v1、Inception ResNet v2和SqueezeNet共3種特征提取網(wǎng)絡(luò)進行奶牛臉部特征提取研究，通過對比分析，確定FaceNet模型的最優(yōu)主干特征提取網(wǎng)絡(luò)；最后，將提取的牛臉圖像特征L2正則化，并映射至同一特征空間，訓(xùn)練分類器實現(xiàn)奶牛個體分類。測試結(jié)果表明，采用Inception ResNet v2作為FaceNet模型的主干網(wǎng)絡(luò)特征提取效果最優(yōu)，在經(jīng)過背景分離數(shù)據(jù)預(yù)處理的數(shù)據(jù)集上測試牛臉識別準(zhǔn)確率為98.6%，驗證率為81.9%，誤識率為0.10%。與Inception ResNet v1、SqueezeNet網(wǎng)絡(luò)相比，準(zhǔn)確率分別提高1、2.9個百分點；與未進行背景分離的數(shù)據(jù)集相比，準(zhǔn)確率提高2.3個百分點。

摘要:針對當(dāng)前生豬規(guī)模化養(yǎng)殖過程中基于熱紅外技術(shù)的生豬體溫測量效率低的問題，提出了一種基于改進YOLO v7的生豬群體體溫檢測方法。改進YOLO v7算法在Head層引入VoV-GSCSP結(jié)構(gòu)，降低網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度；使用內(nèi)容感知特征重組(Content-aware reassembly of features，CARAFE)替換模型原始上采樣算子，提高特征圖放大后的品質(zhì)，強化生豬頭部區(qū)域有效特征；引入感受野增強模塊（Receptive field enhancement module，RFE），增強特征金字塔對生豬頭部特征的提取能力。本文改進YOLO v7算法對于生豬頭部的檢測精確率為87.9%，召回率為92.5%，平均精度均值（Mean average precision，mAP）為94.7%。與原始YOLO v7相比，精確率提高3.6個百分點，召回率提高7.0個百分點，mAP提高3.6個百分點。該方法首先自動檢測生豬頭部區(qū)域，再利用頭部最大溫度與耳根溫度的高相關(guān)性，最終自動獲取生豬體溫。溫度提取平均絕對誤差僅為0.16℃，檢測速度為222f/s，實現(xiàn)了生豬群體體溫的實時精準(zhǔn)檢測。綜合上述試驗結(jié)果表明，該方法能夠自動定位生豬群體的頭部區(qū)域，滿足生豬群體體溫測定的高效和高精度要求，為群養(yǎng)生豬體溫自動檢測提供了有效的技術(shù)支撐。

摘要:針對生豬體質(zhì)量準(zhǔn)確測定問題，提出了一種跨模態(tài)特征融合模型（Crossmodality feature fusion ResNet，CFF-ResNet），充分利用可見光圖像的紋理輪廓信息與深度圖像的空間結(jié)構(gòu)信息的互補性，實現(xiàn)了群養(yǎng)環(huán)境中無接觸的生豬體質(zhì)量智能測定。首先，采集并配準(zhǔn)俯視豬圈的可見光與深度圖像，并通過EdgeFlow算法對每一只目標(biāo)生豬個體進行由粗到細(xì)的像素級分割。然后，基于ResNet50網(wǎng)絡(luò)構(gòu)建雙流架構(gòu)模型，通過內(nèi)部插入門控形成雙向連接，有效地結(jié)合可見光流和深度流的特征，實現(xiàn)跨模態(tài)特征融合。最后，雙流分別回歸出生豬體質(zhì)量預(yù)估值，通過均值合并得到最終的體質(zhì)量測定值。在試驗中，以某種公豬場群養(yǎng)生豬為數(shù)據(jù)采集對象，構(gòu)建了擁有9842對配準(zhǔn)可見光和深度圖像的數(shù)據(jù)集，包括6909對訓(xùn)練數(shù)據(jù)和2933對測試數(shù)據(jù)。本研究所提出模型在測試集上的平均絕對誤差為3.019kg，平均準(zhǔn)確率為96.132%。與基于可見光和基于深度的單模態(tài)基準(zhǔn)模型相比，該模型體質(zhì)量測定精度更高，其在平均絕對誤差上分別減少18.095%和12.569%。同時，該模型體質(zhì)量測定精度優(yōu)于其他現(xiàn)有生豬體質(zhì)量測定方法：常規(guī)圖像處理模型、改進EfficientNetV2模型、改進DenseNet201模型和BotNet+DBRB+PFC模型，在平均絕對誤差上分別減少46.272%、14.403%、8.847%和11.414%。試驗結(jié)果表明，該測定模型能夠有效學(xué)習(xí)跨模態(tài)的特征，滿足了生豬體質(zhì)量測定的高精度要求，為群養(yǎng)環(huán)境中生豬體質(zhì)量測定提供了技術(shù)支撐。

摘要:魚類行為識別對于生態(tài)學(xué)、水產(chǎn)養(yǎng)殖、漁業(yè)資源管理等方面具有重要意義，可以通過其行為模式判斷其生長發(fā)育狀況和活動水平，并間接評估環(huán)境因素對其影響，以減少魚類生長應(yīng)激反應(yīng)，提高資源利用效率，為水產(chǎn)養(yǎng)殖的智能化發(fā)展奠定基礎(chǔ)。近年來，基于人工智能技術(shù)的魚類行為識別方法受到廣泛關(guān)注，其具有無損性、低成本等優(yōu)勢。本文綜述了近5年基于卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、雙流卷積神經(jīng)網(wǎng)絡(luò)等人工智能方法的魚類行為識別技術(shù)，對魚類行為識別方法及數(shù)據(jù)集進行了歸納與分析，在此基礎(chǔ)上，對未來的研究進行討論與展望。

摘要:圍繞水產(chǎn)養(yǎng)殖水下目標(biāo)精準(zhǔn)識別的產(chǎn)業(yè)發(fā)展需求，針對小樣本目標(biāo)識別精度低、模型算法場景適應(yīng)能力差等問題，提出一種基于改進循環(huán)對抗網(wǎng)絡(luò)（Cycle constraint adversarial network, CycleGAN）樣本擴增和注意力增強遷移學(xué)習(xí)的小樣本養(yǎng)殖魚類識別方法。利用水下采樣裝備收集實際養(yǎng)殖場景和可控養(yǎng)殖場景大黃魚圖像，并以可控場景圖像作為輔助樣本集。利用CycleGAN為基礎(chǔ)框架實現(xiàn)輔助樣本到實際養(yǎng)殖場景圖像的遷移，并提出一種基于最大平均差異（Maximum mean discrepancy, MMD）的遷移模型損失函數(shù)優(yōu)化方法。在遷移學(xué)習(xí)階段使用ResNet50為基礎(chǔ)框架，并引入SK-Net（Selective kernel network）注意力機制優(yōu)化模型對不同感受野目標(biāo)的感知能力，提升模型對無約束魚類目標(biāo)的識別精度。試驗結(jié)果表明，本文方法有效提升了小樣本魚類目標(biāo)的識別能力，魚類識別召回率達到94.33%，平均精度均值達到96.67%，為魚類行為跟蹤和表型測量提供了有效的技術(shù)支撐。

摘要:我國的奶牛養(yǎng)殖數(shù)量逐年增加，通過對奶牛的生理參數(shù)和行為進行監(jiān)測，可以提高奶牛養(yǎng)殖的經(jīng)濟效益，提升我國奶業(yè)的競爭力。隨著人工智能技術(shù)的發(fā)展，奶牛健康監(jiān)測的設(shè)備和技術(shù)在不斷更新和完善，為奶牛健康監(jiān)測提供了便捷和精確的手段。本文綜述了近年來奶牛健康監(jiān)測方面的研究進展，從奶牛的生理參數(shù)監(jiān)測和行為監(jiān)測兩方面展開，生理參數(shù)包括體溫、體尺、體質(zhì)量、呼吸頻率等，行為包括基本行為（站立、行走、躺臥等）、反芻、跛行等。對國內(nèi)外奶牛健康監(jiān)測的設(shè)備和技術(shù)進行了系統(tǒng)的分析，總結(jié)了不同監(jiān)測設(shè)備和技術(shù)的優(yōu)缺點和適用情況，并結(jié)合當(dāng)前已有的應(yīng)用案例，對奶牛健康監(jiān)測研究所面臨的問題進行了討論，指出了奶牛智慧養(yǎng)殖的發(fā)展趨勢，旨在為奶牛健康管理和養(yǎng)殖業(yè)的可持續(xù)發(fā)展提供方法和思路的參考。

摘要:數(shù)量計量是動物養(yǎng)殖管理的基礎(chǔ)工作，其結(jié)果對于動物養(yǎng)殖的生產(chǎn)效率、養(yǎng)殖成本管控及經(jīng)濟效益評估等具有重要意義?；谟嬎銠C視覺的計數(shù)方法解決了傳統(tǒng)人工計數(shù)存在的測量誤差大、耗時費力等問題，減輕了養(yǎng)殖人員的工作負(fù)擔(dān)。本文統(tǒng)計分析了近十年的養(yǎng)殖動物視覺計數(shù)相關(guān)研究，從傳統(tǒng)機器學(xué)習(xí)與深度學(xué)習(xí)兩方面對養(yǎng)殖動物計數(shù)算法進行分析與討論。此外，對水產(chǎn)養(yǎng)殖、畜禽養(yǎng)殖與特種動物養(yǎng)殖領(lǐng)域的養(yǎng)殖動物計數(shù)應(yīng)用進行梳理與總結(jié)。同時，對目前公開發(fā)布的養(yǎng)殖動物計數(shù)數(shù)據(jù)集進行概述。最后，從數(shù)據(jù)集、應(yīng)用場景、計數(shù)方法3方面分析討論養(yǎng)殖動物計數(shù)研究面臨的主要挑戰(zhàn)，并對未來研究進行展望。

摘要:錦鯉選美的不同等級之間具有高相似度的特點，目前都是人工進行選美分級。為解決人工選美所存在的效率低、主觀性強、成本高的問題，提出了一種基于遷移學(xué)習(xí)和改進ResNeXt50殘差網(wǎng)絡(luò)的錦鯉選美方法。本文首先構(gòu)建了紅白、大正、昭和3種錦鯉的選美等級數(shù)據(jù)集。其次，采用遷移學(xué)習(xí)策略提高訓(xùn)練速度，并從SE注意力模塊、Hardswish激活函數(shù)和Ranger優(yōu)化器3方面對ResNeXt50模型進行了改進，構(gòu)建了SH-ResNeXt50錦鯉選美分級模型。試驗結(jié)果表明：SH-ResNeXt50模型有效提升了錦鯉選美的等級分選能力，模型準(zhǔn)確率達95.6%，損失值僅0.074，優(yōu)于常用的AlexNet、GoogLeNet、ResNet50和ResNeXt50網(wǎng)絡(luò)模型。最后，采用Grad-CAM分析SH-ResNeXt50模型的可解釋性，結(jié)果表明SH-ResNeXt50模型和人工識別的感興趣區(qū)域基本一致。本文所提出的方法實現(xiàn)了具有高相似度的錦鯉不同等級的智能分選，對其它具有高相似度的生物等級分選具有借鑒意義。

摘要:酒糟是釀酒生產(chǎn)過程中的副產(chǎn)物，以酒糟為研究對象，分別考察不同底物總固體（Total solid, TS）質(zhì)量分?jǐn)?shù)（0.5%、1%、1.5%、2%）、接種比（接種污泥與酒糟的揮發(fā)性固體質(zhì)量比）（0.25、0.5、0.75、1、1.5）和溫度（25、37、50℃）條件下酒糟的厭氧消化產(chǎn)甲烷特性。結(jié)果表明，隨著TS濃度的增加，產(chǎn)甲烷量逐漸增加， 2%TS條件下可獲得最大的累計產(chǎn)沼氣量（532.8mL/g）和產(chǎn)甲烷量（294.7mL/g）。接種比是影響厭氧消化系統(tǒng)的重要因素，隨著接種比的增大，系統(tǒng)累計產(chǎn)沼氣和產(chǎn)甲烷量呈先增加后減少的趨勢，在接種比為0.25和0.5的條件下，系統(tǒng)發(fā)生崩潰，并未產(chǎn)甲烷，當(dāng)接種比為1時，獲得最大的累計產(chǎn)沼氣和甲烷量。當(dāng)TS質(zhì)量分?jǐn)?shù)為2%、接種比為1.5、發(fā)酵溫度為50℃的條件下，獲得最大的累計產(chǎn)沼氣量為559.4mL/g，相較37℃條件下提高了10.2%，而獲得的累計產(chǎn)甲烷量為284.0mL/g，相較37℃并未顯著提升（P>0.05）。利用修正的Gompertz模型進行產(chǎn)氣動力學(xué)分析后，發(fā)現(xiàn)TS質(zhì)量分?jǐn)?shù)越高、接種比越大、溫度越高，產(chǎn)甲烷遲滯期越短。同時對不同溫度反應(yīng)體系中的微生物群落進行了分析，發(fā)現(xiàn)Bacteroidetes和 Firmicutes為優(yōu)勢菌門，隨著溫度的升高，產(chǎn)甲烷菌逐漸由氫營養(yǎng)型代替乙酸營養(yǎng)型。因此， TS濃度、接種比和溫度是厭氧發(fā)酵重要因素，初步確定2%TS、接種比為1的中溫酒糟厭氧發(fā)酵產(chǎn)甲烷性能相對較好。

摘要:以作物秸稈為原料制成的生物質(zhì)顆粒燃料具有便于儲存運輸，燃燒熱效率高等優(yōu)點，可以用來替代煤炭作為農(nóng)村家庭生活炊事與冬季取暖的主要能源。但生物質(zhì)顆粒燃燒會排放較多的氮氧化物，目前生物質(zhì)脫氮一般應(yīng)用于大型工業(yè)爐內(nèi)，農(nóng)村家用的生物質(zhì)鍋爐基本沒有氮氧化物處理裝置。根據(jù)生物質(zhì)燃料的燃燒特性，本文首先闡述了所設(shè)計秸稈成型燃料專用爐具的結(jié)構(gòu)和關(guān)鍵燃燒技術(shù)，對玉米秸稈成型燃料進行燃燒試驗研究。采用KM9106型煙氣分析儀測量燃燒時煙氣中NO、NO2和煙氣氧含量。結(jié)果表明通過改變二次風(fēng)的風(fēng)量比例、進氣位置、充氣角度，在爐具內(nèi)形成不同的風(fēng)壓射流，以強化熱質(zhì)傳遞，確保燃盡效果，有效控制氮氧化物的生成與排放。試驗結(jié)果表明，當(dāng)一、二次風(fēng)量比例為3∶1、擾流形成的風(fēng)壓射流配送二次風(fēng)時，秸稈成型燃料燒溫度最高，燃燒充分，滿足高效清潔燃燒要求。

摘要:儲糧害蟲會降低糧食及其產(chǎn)品的重量、品質(zhì)和營養(yǎng)健康指數(shù)，并且我國糧蟲檢測方式仍然以人工檢測為主。為滿足儲糧害蟲快速檢測的需求，采用氣相色譜-質(zhì)譜聯(lián)用儀（GC-MS）獲得了赤擬谷盜（Tribolium castaneum（Herbst））的主要特定揮發(fā)性有機化合物（VOCs），根據(jù)這些化合物的性質(zhì)篩選出多個金屬氧化物氣敏傳感器，并以傳感器陣列為核心開發(fā)了儲糧害蟲電子鼻檢測裝置。該裝置采集了赤擬谷盜、被赤擬谷盜侵染的面粉、被長頭谷盜（Latheticus oryzae Waterhouse）侵染的面粉3種實驗對象的氣味信息，提取每條響應(yīng)曲線的相對變化值和相對積分值作為原始特征矩陣（10×2），使用主成分分析（PCA）和偏最小二乘回歸算法（PLSR）對原始特征矩陣進行分析，并通過建立回歸預(yù)測模型，實現(xiàn)了對面粉中赤擬谷盜和長頭谷盜蟲口密度的預(yù)測。優(yōu)化后的傳感器數(shù)量由10個減少至8個，赤擬谷盜樣品的兩個主成分累計的貢獻率為79.4%?；赑LSR的預(yù)測模型對面粉中赤擬谷盜的數(shù)量有很好的預(yù)測效果（校正集：相關(guān)系數(shù)r=0.88，均方根誤差為8.09；驗證集：r=0.89，均方根誤差為7.75）；該預(yù)測模型對面粉中長頭谷盜的數(shù)量也有很好的預(yù)測效果（校正集：r=0.94，均方根誤差為5.85；驗證集：r=0.94，均方根誤差為6.08）。研究結(jié)果表明：該裝置能夠滿足判別儲糧中不同蟲口密度樣本的基本需要，并且具有可靠的穩(wěn)定性。

摘要:為研究裝置干燥均勻性和稻谷干燥特性，通過多因素試驗，以干燥溫度、滾筒傾角、滾筒轉(zhuǎn)速為影響因素，以干燥時間和干燥速率為評價指標(biāo)，考察指標(biāo)對稻谷干燥特性的影響，分析不同干燥工藝對稻谷爆腰率的影響。試驗結(jié)果表明，影響稻谷干燥時間和干燥速率的主次因素順序為：干燥溫度、滾筒傾角、滾筒轉(zhuǎn)速，最優(yōu)干燥工藝為干燥溫度55℃、滾筒傾角2°、滾筒轉(zhuǎn)速40r/min。驗證試驗通過含水率均勻度K判定，最佳干燥工藝參數(shù)為干燥溫度55℃、滾筒傾角2°、滾筒轉(zhuǎn)速60r/min。在此條件下，稻谷干燥時間為191min，干燥速率為0.036％/min，稻谷含水率均勻度為99.6%，稻谷干燥效果最優(yōu)。研究結(jié)果可以為稻谷變溫均質(zhì)干燥裝置研制和工藝制定提供參考。

摘要:花椒干燥過程中網(wǎng)帶式花椒干燥機內(nèi)氣流強度和均勻性影響花椒干燥后品質(zhì)，通過實驗進行花椒參數(shù)測定和模型可靠性驗證，采用多孔介質(zhì)模型對結(jié)構(gòu)優(yōu)化前后網(wǎng)帶式花椒干燥機流場進行數(shù)值模擬研究，根據(jù)網(wǎng)帶式花椒干燥機氣流分布特性提出了增加導(dǎo)流板的優(yōu)化方案，考察了不同角度導(dǎo)流板氣流分布特性。結(jié)果表明:導(dǎo)流板角度變化對干燥機氣流強度與均勻性有一定影響，最優(yōu)導(dǎo)流板角度為2.5°，較原始結(jié)構(gòu)在干燥機XY、XZ、YZ面平均速度平均增加6.8%、10.8%、5.2%，不均勻系數(shù)平均減小8.7%、8.5%、2.7%。

摘要:為提高玉米干儲一體倉中氣流場均勻性，采用計算流體力學(xué)和正交試驗相結(jié)合的方法對玉米干儲一體倉內(nèi)部氣流場分布進行數(shù)值仿真和參數(shù)優(yōu)化。通過單因素試驗，研究水平進風(fēng)管位置、豎向通風(fēng)籠直徑、單位通風(fēng)量3個因素對玉米干儲一體倉通風(fēng)均勻性的影響規(guī)律，并通過系列數(shù)值仿真及正交試驗對干儲一體倉通風(fēng)結(jié)構(gòu)及參數(shù)進行優(yōu)化設(shè)計。結(jié)果表明：干儲一體倉內(nèi)氣流的平均速度，受不同水平進風(fēng)管位置的影響不明顯，隨著豎向通風(fēng)籠直徑的增加呈逐漸降低趨勢，而隨著單位通風(fēng)量的增加持續(xù)增長。速度不均勻系數(shù)隨水平進風(fēng)管位置從上到下變動、豎向通風(fēng)籠直徑增加和單位通風(fēng)量增加分別呈現(xiàn)先減小后增大、先急劇后緩慢降低和整體增加的趨勢。其中，豎向通風(fēng)籠直徑對干儲一體倉內(nèi)部流場均勻性的影響最為顯著，其次是水平進風(fēng)管位置和單位通風(fēng)量。優(yōu)化后的干儲一體倉通風(fēng)結(jié)構(gòu)及參數(shù)的組合為水平進風(fēng)管位置-0.34m、豎向通風(fēng)籠直徑400mm、單位通風(fēng)量20m3/(h·t)，此方案下干儲一體倉內(nèi)部流場速度不均勻系數(shù)綜合加權(quán)評分值與初始方案相比提高了77.4%，表明了優(yōu)化方案的可行性。

摘要:為進一步提升農(nóng)業(yè)機器人底盤田間轉(zhuǎn)向效率，設(shè)計了一種基于自抗擾控制的農(nóng)業(yè)機器人底盤雙重轉(zhuǎn)向運動控制系統(tǒng)。根據(jù)蘋果種植農(nóng)藝需求和行駛環(huán)境，確定了底盤組成和主要技術(shù)參數(shù)，開展了硬件系統(tǒng)搭建和部件選型。建立了底盤4自由度動力學(xué)模型，明確了衡量轉(zhuǎn)向效率的狀態(tài)空間方程。提出了一種基于自抗擾控制的雙重轉(zhuǎn)向控制策略，建立了Simulink動力學(xué)仿真模型，并進行了轉(zhuǎn)向仿真模擬。仿真結(jié)果表明，自抗擾雙重轉(zhuǎn)向運動控制模型橫擺角速度為0.241rad/s，轉(zhuǎn)彎半徑為1.96m，擾動恢復(fù)時間為1.04s，相較于傳統(tǒng)PID雙重轉(zhuǎn)向控制模型，該模型橫擺角速度更大、轉(zhuǎn)彎半徑更小、恢復(fù)穩(wěn)定狀態(tài)更快。田間試驗結(jié)果表明，底盤平均橫向偏移距離為18.5cm，滑移率為4.84%，大半徑轉(zhuǎn)彎測試中雙重轉(zhuǎn)向控制底盤的轉(zhuǎn)彎半徑平均值相比阿克曼轉(zhuǎn)向控制分別減少0.60、0.57m，平均轉(zhuǎn)向時間減少4.70、3.41s。小半徑轉(zhuǎn)彎測試中雙重轉(zhuǎn)向控制底盤的轉(zhuǎn)彎半徑平均值比阿克曼轉(zhuǎn)向控制分別減少0.52、0.49m，平均轉(zhuǎn)向時間減少10.27、8.22s。

摘要:拖拉機驅(qū)動輪滑轉(zhuǎn)率的精確估計對提高拖拉機作業(yè)效率及安全性，實現(xiàn)拖拉機驅(qū)動防滑控制具有重要意義。本文提出了多新息并行擴展卡爾曼濾波算法，融合了包括機器視覺在內(nèi)的多個傳感器信息，并通過在線統(tǒng)計多傳感器的新息，引入D-S證據(jù)理論進行決策，修正測量噪聲矩陣，從而實現(xiàn)拖拉機驅(qū)動輪滑轉(zhuǎn)率的精確估計。仿真結(jié)果表明，相較于普通的卡爾曼濾波算法，本文提出的融合算法估計滑轉(zhuǎn)率的精度更高，滑轉(zhuǎn)率估計值的均方根誤差從2.34%降低到1.45%，且對干擾信號不敏感。試驗結(jié)果表明，在多組工況下本文所提出的多傳感器信息融合算法相較于單一視覺法或雷達法對拖拉機驅(qū)動輪滑轉(zhuǎn)率估計的平均絕對誤差、均方根誤差均有所降低，從而驗證了所提出的算法滿足拖拉機驅(qū)動輪滑轉(zhuǎn)率的精確估計，可對后續(xù)實現(xiàn)拖拉機驅(qū)動防滑控制提供依據(jù)。

摘要:針對傳統(tǒng)供電方式難以適應(yīng)現(xiàn)代農(nóng)業(yè)傳感器網(wǎng)絡(luò)使用需求的問題，設(shè)計了一種基于印制繞組和Halbach陣列的電磁式自供電拖拉機輪速傳感器。裝置采用中間定子、兩側(cè)轉(zhuǎn)子的結(jié)構(gòu)形式，基于法拉第電磁感應(yīng)定律對裝置的輸出感應(yīng)電動勢進行理論推導(dǎo)，確定其影響參數(shù)。使用有限元仿真軟件，對影響裝置輸出性能的磁體排列方式、線圈匝數(shù)和裝置氣隙等進行仿真分析，并結(jié)合實際工程經(jīng)驗確定了定子線圈形狀和永磁體極對數(shù)等參數(shù)。設(shè)計了后端電路，其可對裝置的輸出電壓進行整流、測量和傳輸，從而計算轉(zhuǎn)速，并可由裝置直接供電。制作了裝置樣機，分別開展臺架標(biāo)定測試和實車應(yīng)用試驗。試驗結(jié)果表明，裝置轉(zhuǎn)速和電壓線性擬合結(jié)果良好，決定系數(shù)R2為0.99991，在轉(zhuǎn)速400r/min下整流后的直流電壓輸出約為3.16V，可以滿足為后端電路供電的需求。與商用編碼器相比，在臺架測試中裝置的轉(zhuǎn)速測量精度保持在1%以內(nèi)，實車測試中精度基本保持在5%以內(nèi)，可以滿足實際使用要求。

摘要:針對“人-車-土”作業(yè)系統(tǒng)下重型撒肥機組油耗因素機制不清和農(nóng)機單次作業(yè)期短、作業(yè)頻次低導(dǎo)致的農(nóng)機“電源撂荒”問題，分析“人-車-土”系統(tǒng)油耗結(jié)構(gòu)方程模型互作機制并預(yù)測純電動拖拉機電源“一源多用”模式對“生活-生態(tài)”的增益潛力。首先，開展重型拖拉機撒肥作業(yè)田間綜合試驗，采集駕駛員疲勞度、拖拉機燃油油耗、耕層土壤表征量等作業(yè)要素數(shù)據(jù)，建立駕駛員-拖拉機-耕層土壤的油耗結(jié)構(gòu)方程模型；然后，基于結(jié)構(gòu)方程因果關(guān)系探尋農(nóng)機油耗因子間相關(guān)性；最后，基于油耗等值轉(zhuǎn)換理論計算燃油農(nóng)機等效需電量與碳排放量，預(yù)測純電動拖拉機“一源多用”模式對生產(chǎn)生活電源互換共享與減排降碳的貢獻潛力。結(jié)果表明：耕層土壤緊實度是拖拉機主要油耗影響因素；駕駛員操作疲勞對油耗具有間接影響，可通過操縱拖拉機間接影響耕層物理性質(zhì)和拖拉機碳排放、作業(yè)效率。電動拖拉機電源“一源多用”對農(nóng)網(wǎng)末端小型用電設(shè)施供電具有一定潛力，在機械化田間管理期，等效耗電量約為45kW·h/hm2，減少碳排放12kg/hm2(CO2)，中小規(guī)模農(nóng)場可減少農(nóng)機碳排放約2464t(CO2)，節(jié)約電9.24×106kW·h，并且其電源閑置時提供約110t玉米烘干所需電力，或165臺通風(fēng)設(shè)備全天同時通風(fēng)所需電力，或5500個路燈夜間照明的電能，或11個值班室全年的用電需求。