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:作物生長(zhǎng)模型由最初的作物生長(zhǎng)發(fā)育模型發(fā)展到農(nóng)業(yè)決策支持模型，在科學(xué)研究、農(nóng)業(yè)管理、政策制定等方面發(fā)揮著越來(lái)越重要的作用。本文首先回顧了作物生長(zhǎng)模型的發(fā)展過(guò)程，并按照模型主要驅(qū)動(dòng)因子，將作物生長(zhǎng)模型分為土壤因子、光合作用因子和人為因子驅(qū)動(dòng)3類并分別進(jìn)行了歸納闡述；然后對(duì)典型的模型分別從模型模塊、時(shí)空尺度、可模擬的作物類型等方面進(jìn)行列表式對(duì)比；并對(duì)作物生長(zhǎng)模型在氣候變化評(píng)估、生產(chǎn)管理決策支持、資源管理優(yōu)化等方面的應(yīng)用，以及面臨的極端條件、復(fù)雜農(nóng)業(yè)景觀和模型復(fù)雜度等挑戰(zhàn)進(jìn)行了總結(jié)，在此基礎(chǔ)上認(rèn)為遙感數(shù)據(jù)同化和孿生農(nóng)場(chǎng)是其發(fā)展方向。

摘要:針對(duì)目前果園壟間導(dǎo)航路徑識(shí)別方法存在準(zhǔn)確性與實(shí)時(shí)性難以同時(shí)兼顧、泛化能力弱等問(wèn)題，本文在U-Net模型的基礎(chǔ)上進(jìn)行優(yōu)化，采用MobileNet-v3 Large作為U-Net的主干特征提取網(wǎng)絡(luò)，并在跳躍連接處引入坐標(biāo)注意力機(jī)制（Coordinate attention，CA），構(gòu)建輕量化路徑識(shí)別模型。以該模型分割的壟間可行駛區(qū)域?yàn)榛A(chǔ)，利用最小二乘法重塑可行駛區(qū)域邊緣點(diǎn)，并進(jìn)一步提取壟間導(dǎo)航線。首先采用數(shù)據(jù)增強(qiáng)的草莓壟間數(shù)據(jù)集進(jìn)行模型訓(xùn)練，并進(jìn)一步遷移到葡萄和藍(lán)莓?dāng)?shù)據(jù)集上進(jìn)行權(quán)重微調(diào)，以提高模型適應(yīng)能力。最后在相應(yīng)的驗(yàn)證集上進(jìn)行導(dǎo)航路徑識(shí)別，并通過(guò)可視化對(duì)比不同模型識(shí)別結(jié)果，以驗(yàn)證模型準(zhǔn)確性。試驗(yàn)結(jié)果表明，網(wǎng)絡(luò)模型在草莓、藍(lán)莓和葡萄果園壟間路徑識(shí)別的平均交并比分別為98.06%、97.36%和98.50%，平均像素準(zhǔn)確度分別達(dá)到99.13%、98.75%和99.29%。模型處理RGB圖像分割可行駛區(qū)域的理論推理速度可達(dá)19.23f/s，滿足導(dǎo)航實(shí)時(shí)性和準(zhǔn)確性的要求。

摘要:針對(duì)農(nóng)田耕整載荷大、測(cè)量精度低等問(wèn)題，在經(jīng)典十字梁結(jié)構(gòu)基礎(chǔ)上，設(shè)計(jì)了一種輻梁式六維力傳感器，可同時(shí)測(cè)量力和力矩，通過(guò)仿真方法對(duì)傳感器結(jié)構(gòu)進(jìn)行了優(yōu)化，確定了應(yīng)變梁長(zhǎng)、寬、高分別為9、10、6mm；分析了傳感器結(jié)構(gòu)在載荷下的應(yīng)變能力，確定了應(yīng)變片貼片位置。對(duì)傳感器開(kāi)展了靜態(tài)標(biāo)定試驗(yàn)，基于標(biāo)定數(shù)據(jù)采用改進(jìn)型XGBoost(Extreme gradient boosting)機(jī)器學(xué)習(xí)網(wǎng)絡(luò)對(duì)力信號(hào)進(jìn)行解耦，并與常規(guī)網(wǎng)絡(luò)進(jìn)行比對(duì)。試驗(yàn)結(jié)果表明，改進(jìn)型XGBoost模型在X、Y、Z方向力和力矩6種加載方式的測(cè)試集決定系數(shù)R2P分別達(dá)到0.9804、0.9418、0.9434、0.9868、0.9969、0.9822，預(yù)測(cè)效果較好，避免了陷入局部最優(yōu)解。改進(jìn)型XGBoost模型在六維加載力、力矩的R2P、測(cè)試集平均絕對(duì)誤差（MAEP）均明顯優(yōu)于隨機(jī)森林模型、傳統(tǒng)多元線性回歸，相較于傳統(tǒng)多元線性回歸方式，六維加載力、力矩的R2P分別提升22.57%、20.99%、23.32%、26.27%、26.05%、18.72%?；跈C(jī)器學(xué)習(xí)的解耦算法可明顯減少耦合誤差的影響，提高傳感器的測(cè)量精度, 為農(nóng)機(jī)優(yōu)化提供了技術(shù)支撐。

摘要:針對(duì)我國(guó)香蕉秸稈粉碎還田作業(yè)過(guò)程中香蕉秸稈粉碎質(zhì)量差，秸稈纏繞堵塞等問(wèn)題，設(shè)計(jì)了一種雙定刀滑切防纏式香蕉秸稈粉碎還田機(jī)。基于滑切定理，解析了粉碎刀隨軸轉(zhuǎn)動(dòng)過(guò)程中的動(dòng)態(tài)滑切角和粉碎定刀滑切角的相對(duì)作用原理，以等速螺線設(shè)計(jì)L形粉碎定刀刀刃曲線，確定了粉碎刀結(jié)構(gòu)參數(shù)；對(duì)香蕉秸稈纏繞粉碎刀輥進(jìn)行受力分析，設(shè)計(jì)防纏繞板并確定裝配數(shù)量與結(jié)構(gòu)參數(shù)；以裝置前進(jìn)速度、粉碎刀輥轉(zhuǎn)速、防纏繞板高度為試驗(yàn)因素，以香蕉秸稈粉碎合格率、拋撒不均勻度和香蕉秸稈纏繞數(shù)量為評(píng)價(jià)指標(biāo)進(jìn)行三因素三水平正交試驗(yàn)，建立因素與指標(biāo)的響應(yīng)面數(shù)學(xué)模型。試驗(yàn)結(jié)果表明，最優(yōu)參數(shù)組合為作業(yè)機(jī)前進(jìn)速度1.5m/s、防纏繞板高度41.6mm、粉碎刀輥轉(zhuǎn)速1800r/min，此時(shí)香蕉秸稈粉碎合格率為93.8%，香蕉秸稈纏繞數(shù)量為26，香蕉秸稈拋撒不均勻度為12.1%。以最優(yōu)組合進(jìn)行田間試驗(yàn)驗(yàn)證，試驗(yàn)結(jié)果表明雙定刀滑切防纏式香蕉秸稈粉碎還田機(jī)整機(jī)防纏性能優(yōu)越，滿足設(shè)計(jì)要求。

摘要:針對(duì)冷浸田終年積水、水土溫度低及排水不良，需進(jìn)行壟作栽培水稻的生產(chǎn)要求及目前缺乏相關(guān)機(jī)具的生產(chǎn)現(xiàn)狀，設(shè)計(jì)了一種適宜于冷浸田作業(yè)的起壟平整裝置，該裝置主要由起壟輥、微壟開(kāi)溝器及平整部件組成，實(shí)現(xiàn)大壟排水、微壟蓄水作業(yè)，利于冷浸田排水及水稻種子生長(zhǎng)發(fā)育。根據(jù)《冷浸田機(jī)械起壟水稻栽培技術(shù)規(guī)程》，對(duì)起壟輥、微壟開(kāi)溝器及平整部件關(guān)鍵參數(shù)進(jìn)行了設(shè)計(jì)，確定起壟輥回轉(zhuǎn)半徑為560mm、錐形面倒角為28°，微壟開(kāi)溝器寬度為50mm、高度為40mm及平整部件可調(diào)節(jié)角度為5°?；贒EM-FEM耦合仿真分析確定了裝置較優(yōu)運(yùn)行參數(shù)，當(dāng)機(jī)具前進(jìn)速度為0.6m/s、旋耕刀輥轉(zhuǎn)速為230r/min、起壟輥轉(zhuǎn)速為120r/min時(shí)，土壤回流率為3.51%，并進(jìn)行了起壟輥應(yīng)力應(yīng)變分析。田間試驗(yàn)結(jié)果表明，平均壟溝溝深為160.03mm、溝頂寬為174.84mm，平均壟頂寬為1888.89mm，平均廂面平整度為11.26mm，平均微壟溝溝寬為60.16mm、溝深為36.48mm，各項(xiàng)指標(biāo)均滿足冷浸田機(jī)械化起壟作業(yè)要求。

摘要:針對(duì)現(xiàn)有排種器存在投種不順及大播量成穴性較差等問(wèn)題，本文設(shè)計(jì)了一種雙軌道彈射式水稻精量直播排種器。基于理論分析設(shè)計(jì)了關(guān)鍵部件，利用DEM-MBD耦合仿真技術(shù)得到了彈簧力參數(shù)及因素取值范圍，明確了轉(zhuǎn)速超過(guò)35r/min后排種器的性能顯著下降。以合格率、漏播率及重播率為性能評(píng)價(jià)指標(biāo)開(kāi)展臺(tái)架正交試驗(yàn)，研究轉(zhuǎn)速、調(diào)節(jié)深度及稻種球度對(duì)排種器工作性能的影響，建立排種性能評(píng)價(jià)指標(biāo)的回歸預(yù)測(cè)模型。試驗(yàn)結(jié)果表明：排種輪轉(zhuǎn)速為23.06r/min、型孔深度為8.99mm、稻種球度為52.7%時(shí)，排種器合格率為88.58%、漏播率為4.43%、重播率為6.99%，排種器工作性能最佳。為驗(yàn)證排種器工作性能及優(yōu)化后參數(shù)的準(zhǔn)確性，開(kāi)展了田間試驗(yàn)，試驗(yàn)結(jié)果與優(yōu)化后結(jié)果保持一致，回歸方程預(yù)測(cè)結(jié)果誤差小于2%，驗(yàn)證了試驗(yàn)可行性及參數(shù)準(zhǔn)確性，在最優(yōu)參數(shù)下排種器穴徑合格率為100%、平均穴徑為3.62cm、穴徑變異系數(shù)為18.45%、平均穴距為22.98cm、穴距變異系數(shù)為8.43%、平均穴粒數(shù)為11.08、穴粒數(shù)變異系數(shù)為17.56%。所設(shè)計(jì)的排種器具有較好的播種性能、較高的穴徑合格率及較低的變異系數(shù)，表明該排種器具有良好的成穴性能。

摘要:針對(duì)玉米大豆帶狀復(fù)合種植條件下傳統(tǒng)機(jī)械式排種器不易實(shí)現(xiàn)二者兼用精量排種要求、現(xiàn)有氣力式排種器排種速度提高因型孔漏充存在漏播斷條等問(wèn)題，設(shè)計(jì)了一種具有腔盤組合孔結(jié)構(gòu)的排種盤，分析確定了排種盤關(guān)鍵結(jié)構(gòu)參數(shù)，構(gòu)建了吸附過(guò)程和吸運(yùn)過(guò)程力學(xué)模型。應(yīng)用EDEM離散元仿真與臺(tái)架試驗(yàn)相結(jié)合的方法進(jìn)行了排種盤型式優(yōu)選試驗(yàn)，結(jié)果得出：腔盤組合孔式排種盤具有提高充種室種群定向運(yùn)移平均速度和增大拖拽充種角的作用，有效抑制了型孔漏充率。以安裝優(yōu)選種盤的玉豆兼用排種器為對(duì)象，以機(jī)組前進(jìn)速度和工作負(fù)壓為試驗(yàn)因素,以漏充率和充種合格率為試驗(yàn)指標(biāo),采用二因素全因子試驗(yàn)設(shè)計(jì)開(kāi)展了充種性能試驗(yàn)，結(jié)果表明：當(dāng)機(jī)組前進(jìn)速度為4.0~7.0km/h、工作負(fù)壓在3.0~4.0kPa時(shí)，玉米和大豆種子漏充率均小于3.6%、充種合格率均不小于96%。田間驗(yàn)證試驗(yàn)表明，在機(jī)組前進(jìn)速度為4.0~7.0km/h、工作負(fù)壓為3.0~4.0kPa條件下,腔盤組合孔式排種盤的排種器播種玉米和大豆漏充率分別不大于3.8%、4.2%；當(dāng)工作負(fù)壓為3.0kPa、機(jī)組前進(jìn)速度為7.0km/h時(shí)，自擾動(dòng)腔盤組合孔式排種盤相比無(wú)擾動(dòng)平面排種盤，播種玉米和大豆漏充率分別下降14.8、12.6個(gè)百分點(diǎn)。

摘要:為解決播種單體仿形機(jī)構(gòu)性能難以檢測(cè)的問(wèn)題，設(shè)計(jì)了俯仰式播種單體仿形性能檢測(cè)試驗(yàn)臺(tái)。闡述了試驗(yàn)臺(tái)組成結(jié)構(gòu)與工作原理，對(duì)其高速傳動(dòng)系統(tǒng)、液壓升降系統(tǒng)、監(jiān)控系統(tǒng)以及關(guān)鍵部件參數(shù)進(jìn)行設(shè)計(jì)。應(yīng)用ANSYS軟件對(duì)臺(tái)架整體和關(guān)鍵部件進(jìn)行靜力學(xué)分析和模態(tài)分析，驗(yàn)證結(jié)構(gòu)設(shè)計(jì)的合理性。為檢驗(yàn)俯仰式播種單體仿形性能檢測(cè)試驗(yàn)臺(tái)的實(shí)際檢測(cè)效果，以德邦大為1205型牽引式免耕精量播種機(jī)播種單體為研究對(duì)象，先以液壓桿伸出量與傳送帶速度為試驗(yàn)因素，以監(jiān)控系統(tǒng)誤差為評(píng)價(jià)指標(biāo)進(jìn)行試驗(yàn)。試驗(yàn)得出，在液壓桿伸出量為0~200mm范圍內(nèi)，監(jiān)控系統(tǒng)角度傳感器最大誤差為0.69mm；在傳送帶速度8~19km/范圍內(nèi)，光電編碼器最大誤差為0.18km/h。確認(rèn)監(jiān)控系統(tǒng)準(zhǔn)確性后，再以單體速度為試驗(yàn)因素，采集速度8、10、12km/h下地塊的起伏數(shù)據(jù)為目標(biāo)曲線，以地形起伏模擬曲線的絕對(duì)誤差平均值為指標(biāo)進(jìn)行單因素試驗(yàn)，試驗(yàn)得出，所設(shè)計(jì)的試驗(yàn)臺(tái)可有效模擬田間地面的起伏頻率與起伏量，絕對(duì)誤差平均值為1.86mm，滿足播種單體仿形性能檢測(cè)需求。

摘要:為了解決現(xiàn)有空間行星輪系式分插機(jī)構(gòu)在再生稻寬窄行機(jī)械化種植取秧過(guò)程中出現(xiàn)側(cè)向偏移量和側(cè)向偏轉(zhuǎn)角的技術(shù)難題，本文提出一種具有局部平面軌跡特性的空間軌跡不等速行星輪系機(jī)構(gòu)，并開(kāi)展基于取秧口和機(jī)構(gòu)回轉(zhuǎn)中心位置約束下的寬窄行分插機(jī)構(gòu)綜合研究。構(gòu)建了基于關(guān)鍵位姿點(diǎn)（取秧起始點(diǎn)、取秧結(jié)束點(diǎn)、推秧點(diǎn)）的空間輪系機(jī)構(gòu)運(yùn)動(dòng)綜合模型，利用關(guān)鍵位姿點(diǎn)求解機(jī)構(gòu)桿長(zhǎng)參數(shù)與空間交錯(cuò)軸信息，并通過(guò)優(yōu)選二桿相對(duì)角位移參數(shù)實(shí)現(xiàn)機(jī)構(gòu)傳動(dòng)比分配。將不完全非圓齒輪副引入空間行星輪系機(jī)構(gòu)，利用間歇機(jī)構(gòu)鎖止弧約束行星軸，實(shí)現(xiàn)機(jī)構(gòu)取秧過(guò)程側(cè)向零偏移量、側(cè)向零偏轉(zhuǎn)角的平面軌跡段。通過(guò)仿真分析與機(jī)構(gòu)樣機(jī)試驗(yàn)驗(yàn)證了機(jī)構(gòu)實(shí)際作業(yè)性能與理論設(shè)計(jì)相一致，結(jié)果表明：分插機(jī)構(gòu)取秧側(cè)向零偏移量，取秧側(cè)向零偏轉(zhuǎn)角，推秧側(cè)向總偏移量為50.24mm、取秧角為5.18°、推秧角為71.56°、推秧側(cè)向角為16.26°、插秧穴口寬度為22.43mm、軌跡高度為289.76mm，滿足預(yù)期設(shè)計(jì)要求。最后通過(guò)田間試驗(yàn)驗(yàn)證，分插機(jī)構(gòu)可實(shí)現(xiàn)等行距取秧口和既定機(jī)構(gòu)回轉(zhuǎn)中心下寬行（40cm）與窄行(20cm)間隔機(jī)插，滿足再生稻寬窄行種植要求。

摘要:針對(duì)現(xiàn)有植物莖稈夾持裝置存在夾傷莖稈、夾持行程及夾持力不可調(diào)等問(wèn)題，設(shè)計(jì)一種植物莖稈柔性?shī)A持裝置，夾持手內(nèi)置彈簧可實(shí)現(xiàn)植物莖稈柔性?shī)A持，能進(jìn)行夾持力與夾持行程雙調(diào)節(jié)，更好適應(yīng)植物莖稈在力學(xué)試驗(yàn)、嫁接、莖稈切割試驗(yàn)等領(lǐng)域夾持需求?；谒A持裝置剛?cè)狁詈戏抡婺Ｐ?，進(jìn)行夾持力、夾持行程、彈簧剛度等多因素動(dòng)力學(xué)對(duì)比仿真與試驗(yàn)分析，以彈簧剛度為設(shè)計(jì)變量進(jìn)行靈敏度及穩(wěn)定性分析，研究不同彈簧剛度對(duì)柔性?shī)A持裝置夾持性能的影響。仿真與試驗(yàn)結(jié)果表明：裝置最大夾持直徑為68.8mm，基于所構(gòu)建夾持裝置精準(zhǔn)夾持力模型，可平穩(wěn)調(diào)控夾持行程、速度及夾持力；隨著彈簧剛度的增加，夾持力逐漸變大，夾持穩(wěn)定性增加，綜合比較發(fā)現(xiàn)當(dāng)彈簧剛度為10N/mm時(shí)，可滿足裝置施加400N切割力時(shí)植物莖稈穩(wěn)定夾持需求，柔性?shī)A持力波動(dòng)較小，能有效避免損傷植物莖稈。

摘要:針對(duì)目前丘陵山地果園作業(yè)農(nóng)用底盤整機(jī)體積大、行駛作業(yè)操作繁瑣和通過(guò)性差等問(wèn)題，結(jié)合丘陵山地果園開(kāi)溝、除草和修剪等農(nóng)藝管理環(huán)節(jié)的實(shí)際需求，設(shè)計(jì)了一款全液壓遙控式履帶動(dòng)力底盤。首先，對(duì)動(dòng)力底盤的整機(jī)結(jié)構(gòu)和工作原理進(jìn)行了闡述；其次，對(duì)前置掛載機(jī)構(gòu)、行走系、變幅寬底盤、液壓系統(tǒng)、遙控系統(tǒng)等關(guān)鍵部件進(jìn)行設(shè)計(jì)和相應(yīng)的匹配選型；最后，對(duì)整機(jī)進(jìn)行了性能試驗(yàn)。試驗(yàn)結(jié)果表明：動(dòng)力底盤在最小幅寬（1220mm）和最大幅寬(1620mm)的直線行駛偏移率分別為2.24％和2.2％，均滿足相應(yīng)國(guó)家標(biāo)準(zhǔn)（≤6%）要求。底盤的轉(zhuǎn)向機(jī)動(dòng)性能良好，最小幅寬原地轉(zhuǎn)彎半徑為905mm，可適應(yīng)丘陵山地果園相對(duì)狹窄的坡地作業(yè)環(huán)境。遙控操作上下斜坡、翻越田埂、跨越畦溝等過(guò)程平穩(wěn)，滿足丘陵山地果園非結(jié)構(gòu)化地形行走要求。掛載鏈?zhǔn)介_(kāi)溝器進(jìn)行開(kāi)溝作業(yè)時(shí)，溝深穩(wěn)定系數(shù)為88.5%，溝寬穩(wěn)定系數(shù)為92.5%，滿足國(guó)家標(biāo)準(zhǔn)（≥85%）要求。整機(jī)工作性能滿足丘陵果園復(fù)雜坡度地形管理作業(yè)要求，可為丘陵山地果園田間管理作業(yè)的有效實(shí)施提供綜合應(yīng)用平臺(tái)和技術(shù)支撐。

摘要:針對(duì)耕層殘膜老化嚴(yán)重、力學(xué)性能差，殘膜與土壤混合造成耕層殘膜回收拾凈率低、含土量高等問(wèn)題，提出了一種旋耕起拋膜土混合物、彈齒順向旋轉(zhuǎn)撿膜、逆向旋轉(zhuǎn)卸膜的主動(dòng)回收方法。設(shè)計(jì)了卷輥式耕層殘膜回收機(jī)的整體方案，實(shí)現(xiàn)了起膜、卷輥正轉(zhuǎn)撿膜、反轉(zhuǎn)卸膜、集膜的功能。對(duì)起膜裝置、撿膜裝置、正反轉(zhuǎn)機(jī)構(gòu)及卸膜裝置等關(guān)鍵作業(yè)部件進(jìn)行設(shè)計(jì)與參數(shù)計(jì)算，獲得在彈齒機(jī)械力作用下，將混合物內(nèi)的殘膜有效鉤、挑分離出來(lái)的臨界條件。運(yùn)用ANSYS和SPH（Smoothed particle hydrodynamics）耦合方法，構(gòu)建彈齒撿拾殘膜過(guò)程的數(shù)值模擬計(jì)算模型，獲得撿膜過(guò)程中殘膜所受的最大應(yīng)力及變形，分析了彈齒撿拾殘膜的有效性。樣機(jī)驗(yàn)證試驗(yàn)表明，當(dāng)起膜刀轉(zhuǎn)速為213.75r/min、撿拾滾筒轉(zhuǎn)速為43.75r/min、卷輥正轉(zhuǎn)撿膜轉(zhuǎn)速為131.27r/min、卷輥反轉(zhuǎn)卸膜轉(zhuǎn)速為167.86r/min、卸膜輪轉(zhuǎn)速為43r/min時(shí)，卷輥式耕層殘膜回收機(jī)表層拾凈率為82.6%，深層拾凈率為71.1%，試驗(yàn)結(jié)果符合國(guó)家與行業(yè)標(biāo)準(zhǔn)的要求，能夠從膜土混合物中有效回收耕層殘膜。

摘要:為解決新疆地區(qū)現(xiàn)有葡萄藤清土機(jī)械傷藤率高、彩條布上方大量覆土影響葡萄藤清土上架和彩條布回收的問(wèn)題，采用柔性刷輥設(shè)計(jì)了一種刷輥式葡萄藤清土機(jī)。該機(jī)關(guān)鍵部件為清土裝置，作業(yè)時(shí)通過(guò)清土刷的旋轉(zhuǎn)運(yùn)動(dòng)和橫向伸縮機(jī)構(gòu)的往復(fù)運(yùn)動(dòng)將彩條布上方的覆土清除。首先進(jìn)行清土刷結(jié)構(gòu)設(shè)計(jì)和材料選擇，然后對(duì)清土刷工作過(guò)程進(jìn)行運(yùn)動(dòng)學(xué)理論分析，得到影響清土機(jī)作業(yè)性能的主要參數(shù)。通過(guò)單因素試驗(yàn)確定清土刷轉(zhuǎn)速、橫向伸縮機(jī)構(gòu)往復(fù)速度、清土刷回轉(zhuǎn)直徑的合理取值范圍，以清土刷轉(zhuǎn)速、橫向伸縮機(jī)構(gòu)往復(fù)速度、清土刷回轉(zhuǎn)直徑為試驗(yàn)因素，以清土率和傷藤率為評(píng)價(jià)指標(biāo)，開(kāi)展三因素三水平正交試驗(yàn)。試驗(yàn)結(jié)果表明，各試驗(yàn)影響因素對(duì)清土率和傷藤率的影響顯著性大小順序?yàn)榍逋了⑥D(zhuǎn)速、橫向伸縮機(jī)構(gòu)往復(fù)速度、清土刷回轉(zhuǎn)直徑。較優(yōu)參數(shù)組合為：清土刷轉(zhuǎn)速250r/min、橫向伸縮機(jī)構(gòu)往復(fù)速度0.14m/s和清土刷回轉(zhuǎn)直徑600mm，在此參數(shù)組合下進(jìn)行3次驗(yàn)證試驗(yàn)取平均值，清土率為90.98%，傷藤率為3.27%，與優(yōu)化值相對(duì)誤差均小于5%，證明樣機(jī)設(shè)計(jì)合理。

摘要:針對(duì)現(xiàn)有的牧草揉絲機(jī)效率低、揉絲質(zhì)量差、對(duì)高含水率牧草不適用等問(wèn)題，以苜蓿為加工對(duì)象設(shè)計(jì)了一種鍘切揉碎協(xié)同式牧草揉絲機(jī)。對(duì)鍘切和揉碎過(guò)程進(jìn)行了理論分析，并通過(guò)設(shè)計(jì)計(jì)算確定了揉絲機(jī)的總體結(jié)構(gòu)和關(guān)鍵部件結(jié)構(gòu)參數(shù)。以生產(chǎn)率、絲化率為性能評(píng)價(jià)指標(biāo)，進(jìn)行了以電機(jī)輸出轉(zhuǎn)速、篩孔直徑、喂入量、含水率為試驗(yàn)因素的單因素試驗(yàn)；將含水率為65%的苜蓿作為加工對(duì)象，進(jìn)行了以電機(jī)輸出轉(zhuǎn)速、篩孔直徑、喂入量為試驗(yàn)因素的二次正交旋轉(zhuǎn)組合試驗(yàn)。單因素試驗(yàn)確定了試驗(yàn)因素的取值范圍，探究了揉絲機(jī)對(duì)不同含水率苜蓿的揉絲效果。通過(guò)Design-Expert 12.0軟件對(duì)二次正交旋轉(zhuǎn)組合試驗(yàn)的試驗(yàn)結(jié)果進(jìn)行了響應(yīng)曲面分析、回歸分析及目標(biāo)優(yōu)化，得到了試驗(yàn)因素與評(píng)價(jià)指標(biāo)之間的回歸方程，以生產(chǎn)率和絲化率同時(shí)最大化為目標(biāo)，對(duì)電機(jī)輸出轉(zhuǎn)速、篩孔直徑、喂入量進(jìn)行多目標(biāo)尋優(yōu)求解，確定最優(yōu)參數(shù)組合為：電機(jī)輸出轉(zhuǎn)速443.77r/min、篩孔直徑14mm、喂入量1.27kg/s，揉絲驗(yàn)證試驗(yàn)表明，生產(chǎn)率為5065.98kg/h、絲化率為94.87%；該裝置揉絲效率高、質(zhì)量好，而且能夠揉絲高含水率牧草，滿足牧草揉絲機(jī)設(shè)計(jì)要求。

摘要:針對(duì)現(xiàn)有大田精準(zhǔn)施藥系統(tǒng)主要以藥量變量控制為主，缺乏農(nóng)藥噴施作業(yè)數(shù)據(jù)遠(yuǎn)程監(jiān)測(cè)與溯源管理等問(wèn)題，本文設(shè)計(jì)了基于農(nóng)藥噴施溯源的精準(zhǔn)變量噴藥監(jiān)控系統(tǒng)，可實(shí)現(xiàn)農(nóng)藥精準(zhǔn)變量噴施，作業(yè)地塊、作業(yè)時(shí)間、作業(yè)面積、農(nóng)藥種類與配比、噴施藥量、噴霧壓力、實(shí)時(shí)流量和作業(yè)速度等信息的在線監(jiān)測(cè)、實(shí)時(shí)顯示和溯源管理?；谠撓到y(tǒng)分別開(kāi)展了施藥量計(jì)算精度、作業(yè)面積計(jì)算精度、物聯(lián)網(wǎng)數(shù)據(jù)傳輸穩(wěn)定性、變量調(diào)控系統(tǒng)動(dòng)態(tài)響應(yīng)、變量調(diào)控精度和農(nóng)藥噴施均勻性等試驗(yàn)。試驗(yàn)結(jié)果表明，北斗定位測(cè)速最大誤差為1.33%，平均誤差為0.82%，施藥量計(jì)算誤差為1.73%，作業(yè)面積計(jì)算誤差為2.61%，數(shù)據(jù)丟失率為3.51%；速度連續(xù)變化下系統(tǒng)穩(wěn)定調(diào)節(jié)時(shí)間為4~5s；不同設(shè)定施藥量和作業(yè)速度下，變量調(diào)控精度誤差為2.45%；霧滴沉積點(diǎn)密度大于20滴/cm2下，在噴霧機(jī)行走和噴霧方向上的噴霧覆蓋率變異系數(shù)均小于10%，滿足精準(zhǔn)變量作業(yè)要求。本研究可在實(shí)現(xiàn)藥量變量調(diào)控下對(duì)農(nóng)藥噴施數(shù)據(jù)進(jìn)行溯源管理，為后續(xù)開(kāi)展大田作物農(nóng)藥殘留風(fēng)險(xiǎn)評(píng)估提供支撐。

摘要:針對(duì)國(guó)內(nèi)連棟溫室缺乏植保噴霧機(jī)、機(jī)械走直定位與換軌轉(zhuǎn)向精度低等問(wèn)題，設(shè)計(jì)了一種連棟溫室分段變距噴霧機(jī)器人，在實(shí)現(xiàn)無(wú)人化噴藥的同時(shí)提高作業(yè)精度。為滿足連棟溫室機(jī)械作業(yè)路軌結(jié)合、精準(zhǔn)切換的要求，提出一種通用型移動(dòng)底盤，并確定其關(guān)鍵設(shè)計(jì)參數(shù)；為減少底盤上下軌時(shí)的偏移量，設(shè)計(jì)軌上矯正裝置，通過(guò)分析計(jì)算及試驗(yàn)驗(yàn)證，確定其安裝余量為4mm；針對(duì)底盤對(duì)軌誤差大的問(wèn)題，提出一種二維碼融合陀螺儀及光電傳感器雙向垂直尋跡的路面關(guān)鍵點(diǎn)定位與轉(zhuǎn)向控制方法。設(shè)計(jì)分段變距噴霧裝置，提出一種絲桿滑臺(tái)驅(qū)動(dòng)的噴桿變距方案，分析校驗(yàn)其驅(qū)動(dòng)參數(shù)以滿足工作要求；基于滾針軸承設(shè)計(jì)噴桿輔助防抖裝置，減小因噴桿劇烈抖動(dòng)帶來(lái)的滑臺(tái)與噴桿損傷。開(kāi)發(fā)底盤運(yùn)動(dòng)及分段變距噴霧控制系統(tǒng)，實(shí)現(xiàn)噴霧機(jī)器人在連棟溫室內(nèi)的全程自動(dòng)化作業(yè)。最后，對(duì)樣機(jī)進(jìn)行底盤性能與噴霧效果試驗(yàn)。底盤作業(yè)時(shí)直線行走與對(duì)軌誤差平均值分別為4.8、5.8mm，滿足控制精度要求；避障距離為34cm，滿足安全性要求；防抖裝置的安裝使噴桿行進(jìn)方向的抖動(dòng)量從-1°~1.3°降低到±0.4°內(nèi)，噴頭方向的抖動(dòng)量從±0.5°降低到±0.3°內(nèi)，防抖效果顯著；分段變距噴霧作業(yè)后，盛果期番茄葉片正面霧滴沉積量為1.76μL/cm2，反面沉積量為0.2μL/cm2，霧滴體積中徑在100~180μm之間，滿足作業(yè)要求。

摘要:噴灌是園藝作物有效的防霜技術(shù)之一。為確定茶樹(shù)噴灌防霜需水量和節(jié)約水資源，需研究噴灌過(guò)程中植株的儲(chǔ)水/冰量動(dòng)態(tài)變化及影響因素。本文設(shè)計(jì)了一種防滴落、莖桿水收集及稱量組合裝置，可直接精確獲取整株茶樹(shù)的儲(chǔ)水/冰量；試驗(yàn)分析非凍結(jié)和凍結(jié)、微量和搖臂2類噴頭條件下儲(chǔ)水/冰量變化的異同；最后探究了凍結(jié)下微量噴頭噴灌時(shí)長(zhǎng)對(duì)儲(chǔ)冰量和莖桿水量的影響。研究結(jié)果表明，非凍結(jié)條件下，茶樹(shù)儲(chǔ)水量變化經(jīng)歷積累、動(dòng)平衡和干燥3個(gè)階段；凍結(jié)條件下的儲(chǔ)冰量隨噴灌進(jìn)行持續(xù)增加，并在停噴后較長(zhǎng)時(shí)間內(nèi)保持不變，即積累和保持階段，隨后依次經(jīng)歷融化流失和干燥階段；相同噴灌壓力和時(shí)長(zhǎng)下，微量噴頭的儲(chǔ)水量和儲(chǔ)冰量分別是搖臂噴頭的1.2倍和2.0倍；微量噴頭噴灌時(shí)長(zhǎng)對(duì)最大儲(chǔ)水量無(wú)明顯影響，約為0.22kg，最大儲(chǔ)冰量則隨噴灌時(shí)長(zhǎng)的增加而顯著增加，1.5h的儲(chǔ)冰量是0.5h的2.9倍。微量噴頭作用的莖桿水量，在非凍結(jié)和凍結(jié)條件下也較高，分別是搖臂噴頭的3.0倍和2.7倍。本文研究了茶樹(shù)植株表面儲(chǔ)水/冰量變化及影響因素，改進(jìn)了灌木類植物冠層截留量的測(cè)量方法，為提升防霜效果和實(shí)現(xiàn)精準(zhǔn)噴灌奠定了基礎(chǔ)。

摘要:液滴撞擊葉片時(shí)會(huì)使葉片發(fā)生彎曲變形，這種變形會(huì)對(duì)液滴的撞擊行為產(chǎn)生影響?；谇叭艘旱巫矒魟傂员砻娴睦碚撃Ｐ?，探究了液滴撞擊柔性辣椒葉片時(shí)葉片彈性系數(shù)對(duì)液滴撞擊行為的影響，考慮葉片彈性勢(shì)能、液滴和葉片重力勢(shì)能，建立了液滴撞擊柔性辣椒葉片最大擴(kuò)散因子數(shù)學(xué)預(yù)測(cè)模型。以液滴粒徑、撞擊速度、撞擊點(diǎn)到葉尖距離占比為試驗(yàn)因素，對(duì)數(shù)學(xué)模型進(jìn)行了合理性驗(yàn)證。結(jié)果表明：3個(gè)因素對(duì)液滴粘附和飛濺均有顯著性影響（P<0.05）。數(shù)學(xué)模型對(duì)液滴撞擊柔性辣椒葉片最大擴(kuò)散因子預(yù)測(cè)誤差在10%以內(nèi)，但此誤差會(huì)隨著葉片彈性系數(shù)的增加而減小。液滴撞擊柔性辣椒葉片沒(méi)有發(fā)生反彈，和理論模型預(yù)測(cè)結(jié)果一致。液滴粘附時(shí)，葉片彈性系數(shù)與液滴達(dá)到最大擴(kuò)散的時(shí)間呈負(fù)相關(guān)，與撞擊剛性固定葉片相比，達(dá)到最大擴(kuò)散的時(shí)間增加量在0.5ms以內(nèi)，最大擴(kuò)散因子減小率在25%以內(nèi)，傳遞給葉片彈性勢(shì)能占初始總能量的比隨著葉片彈性系數(shù)的增加呈現(xiàn)先減小后增大趨勢(shì)。液滴飛濺時(shí)，在到葉尖距離占比的20%、40%、60%、80%處，與剛性葉片相比，飛濺臨界值Kcrit分別增加16.202%、10.515%、6.508%、4.467%，說(shuō)明葉片越靠近彈性系數(shù)小的區(qū)域，液滴越不容易飛濺。本文為液滴在柔性植物葉片上的撞擊行為研究和噴霧參數(shù)選擇提供了一種方法。

摘要:離心泵葉片泥沙磨損是引黃泵站面臨的工程難題，采用模型試驗(yàn)及數(shù)值模擬相結(jié)合的方法，分析了雙吸式離心泵葉片出口的磨損破壞規(guī)律及其形成機(jī)制。采用多層涂層法、絲線法和內(nèi)窺式成像技術(shù)對(duì)葉片的磨損特征和近壁面流態(tài)進(jìn)行了分析，并結(jié)合數(shù)值模擬分析了葉輪流道內(nèi)的旋渦結(jié)構(gòu)及顆粒軌跡。研究發(fā)現(xiàn)：葉片吸力面出口存在左右近似對(duì)稱的“三角形”磨損破壞區(qū)域，該區(qū)域存在明顯的流動(dòng)分離；葉輪內(nèi)的葉道渦和出口回流渦是導(dǎo)致葉片吸力面出口磨損的主要原因。源于葉片壓力面進(jìn)口的葉道渦誘導(dǎo)泥沙顆粒向葉片吸力面出口聚集，造成吸力面出口的集中磨損；葉片吸力面出口附近存在的回流渦誘導(dǎo)顆粒進(jìn)行軸向旋轉(zhuǎn)運(yùn)動(dòng)，加劇葉片吸力面出口的磨損破壞。本研究為雙吸式離心泵的抗磨損設(shè)計(jì)提供了理論支撐。

摘要:針對(duì)當(dāng)前運(yùn)用單一光學(xué)衛(wèi)星反演土壤含水率時(shí)易受到云的影響，單一SAR衛(wèi)星反演土壤含水率時(shí)易受到地表粗糙度和植被影響的問(wèn)題，以內(nèi)蒙古河套灌區(qū)沙壕渠為研究區(qū)域，以4個(gè)深度的土壤含水率為研究對(duì)象，分別采用主成分分析（PCA）、施密特正交變換（GS）融合Landsat8和Sentinel-1圖像以減少云、植被、土壤粗糙度的影響，并對(duì)融合后的圖像質(zhì)量進(jìn)行評(píng)價(jià)，然后用融合圖像的灰度構(gòu)建1134種遙感指數(shù)，基于相關(guān)系數(shù)分析、變量投影重要性分析、灰色關(guān)聯(lián)分析3種變量篩選方法與BP神經(jīng)網(wǎng)絡(luò)（BP）、極限學(xué)習(xí)機(jī)（ELM）、隨機(jī)森林（RF）、支持向量機(jī)（SVM）4種機(jī)器學(xué)習(xí)算法的耦合模型反演沙壕渠土壤含水率。研究結(jié)果表明：經(jīng)PCA、GS融合后的融合圖像可同時(shí)保持Sentinel-1和Landsat8圖像的優(yōu)勢(shì)，并成功定量反演土壤含水率?；谌诤蠄D像構(gòu)建的三維指數(shù)普遍比二維指數(shù)對(duì)土壤含水率更敏感。在表層土壤含水率反演中，基于GS融合的VIP-ELM模型精度最高（決定系數(shù)R2=0.66，均方根誤差（RMSE）為1.35%）。將GS融合的VIP-ELM模型應(yīng)用于其他土壤深度含水率的反演后發(fā)現(xiàn)，20~40cm反演精度最高（R2=0.79，RMSE為0.94%），其次是0~10cm、40~60cm、10~20cm。該研究可為多源衛(wèi)星圖像融合反演土壤含水率提供參考。

摘要:葉片含水率和葉水勢(shì)反映植物組織中水分的狀態(tài)，是衡量植物水分供應(yīng)和水分利用效率的重要指標(biāo)。為探究基于不同高度下無(wú)人機(jī)多光譜影像反演葉片含水率和葉水勢(shì)模型的差異，本研究在3個(gè)飛行高度處理F30、F60、F100 (30、60、100m)下采集多光譜影像數(shù)據(jù)，通過(guò)使用6種光譜反射率+經(jīng)驗(yàn)植被指數(shù)的組合與地面實(shí)測(cè)數(shù)據(jù)進(jìn)行相關(guān)性分析，獲得不同飛行高度下的光譜反射率+經(jīng)驗(yàn)植被指數(shù)組合與葉片含水率和葉水勢(shì)的反演模型及其決定系數(shù)，以決定系數(shù)為依據(jù)分別構(gòu)建支持向量機(jī)（SVM）、隨機(jī)森林（RF）和徑向基神經(jīng)網(wǎng)絡(luò)（RBFNN）模型，分析不同飛行高度無(wú)人機(jī)多光譜影像反演芳樟葉片含水率和葉水勢(shì)的精度。結(jié)果發(fā)現(xiàn)：3個(gè)飛行高度下，基于RF模型的反演精度均高于SVM模型和RBFNN模型。F30處理對(duì)葉片含水率與葉水勢(shì)反演效果均優(yōu)于F60和F100處理。F30處理對(duì)葉片含水率反演的敏感光譜反射率+植被指數(shù)組合為紅光波段反射率（R）、紅邊1波段反射率（RE1）、紅邊2波段反射率（RE2）、近紅外波段反射率（NIR）、增強(qiáng)型植被指數(shù)（EVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）。RF模型訓(xùn)練集的R2、RMSE、MRE分別為0.845、0.548%、0.712%；測(cè)試集的R2、RMSE、MRE分別為0.832、0.683%、0897%。對(duì)葉水勢(shì)反演的敏感光譜反射率+植被指數(shù)組合為R、RE2、NIR、EVI、SAVI、花青素反射指數(shù)（ARI）。RF模型訓(xùn)練集的R2、RMSE、MRE分別為0.814、0.073MPa、3.550%；測(cè)試集的R2、RMSE、MRE分別為0.806、0.095MPa、4.250%。研究結(jié)果表明飛行高度30m與RF方法分別為反演葉片含水率和葉水勢(shì)的最優(yōu)光譜獲取高度與最優(yōu)模型構(gòu)建方法。本研究可為基于無(wú)人機(jī)平臺(tái)的矮林芳樟水分監(jiān)測(cè)提供技術(shù)支持，并可為篩選無(wú)人機(jī)多光譜波段與經(jīng)驗(yàn)植被指數(shù)、實(shí)現(xiàn)植物長(zhǎng)勢(shì)參數(shù)快速估測(cè)提供應(yīng)用參考。

摘要:為了提高冬小麥種植區(qū)識(shí)別精度，本文基于谷歌地球引擎（Google Earth Engine，GEE）平臺(tái)和隨機(jī)森林算法，對(duì)比雷達(dá)和光學(xué)遙感數(shù)據(jù)對(duì)冬小麥提取效果的差異，并對(duì)多類特征變量進(jìn)行重要性分析，研究特征優(yōu)選對(duì)冬小麥識(shí)別精度的影響。選取2019年3—5月冬小麥關(guān)鍵生育期的Sentinel-1和Sentinel-2影像為數(shù)據(jù)源，構(gòu)建Sentinel-1的極化特征和紋理特征以及Sentinel-2的光譜特征、植被指數(shù)特征、植被指數(shù)變化率特征共5類特征變量；設(shè)置不同數(shù)據(jù)源和不同特征組合的冬小麥種植區(qū)提取方案；對(duì)方案中特征變量進(jìn)行優(yōu)選，得出最優(yōu)特征組合，利用最優(yōu)特征組合對(duì)河南省駐馬店市冬小麥種植區(qū)進(jìn)行提取。結(jié)果表明，無(wú)論是否進(jìn)行特征優(yōu)選，基于多源遙感數(shù)據(jù)的冬小麥識(shí)別精度均優(yōu)于僅采用光學(xué)或雷達(dá)數(shù)據(jù)的精度；經(jīng)過(guò)特征優(yōu)選后，各方案的分類精度均有不同程度的提升，說(shuō)明多源數(shù)據(jù)特征變量組合和特征優(yōu)選均能夠提高分類精度。不同月份和類型的特征變量對(duì)分類精度的貢獻(xiàn)率不同，貢獻(xiàn)率由大到小為4月、3月和5月；貢獻(xiàn)率由大到小的特征類型為極化特征、植被指數(shù)變化率特征、植被指數(shù)特征、光譜特征和紋理特征。基于多源數(shù)據(jù)特征優(yōu)選提取的2019年駐馬店冬小麥空間分布最優(yōu)，總體精度為95.60%，Kappa系數(shù)為0.93，冬小麥提取面積與統(tǒng)計(jì)年鑒數(shù)據(jù)相比，相對(duì)誤差為2.23%。本文可為基于多源光學(xué)和雷達(dá)遙感影像進(jìn)行農(nóng)作物種植區(qū)提取的研究提供理論參考。

摘要:針對(duì)圖像處理與計(jì)算機(jī)視覺(jué)技術(shù)中低對(duì)比度、邊緣模糊圖像的邊緣檢測(cè)問(wèn)題，參考局部極值與梯度方向兩種因素，并結(jié)合圖像邊緣方向趨勢(shì)，提出了一種單像素邊緣跟蹤策略。相較于應(yīng)用廣泛的Canny算法，該跟蹤策略無(wú)需設(shè)置全局閾值，實(shí)現(xiàn)方式更為簡(jiǎn)潔、高效；提取的圖像邊緣連續(xù)、平滑、完整，并有效地減少了圖像邊緣的冗余像素，進(jìn)而提升了圖像后續(xù)處理的效率；邊緣跟蹤方向抗干擾性強(qiáng)，具有較強(qiáng)的魯棒性。為了減小檢測(cè)的圖像邊緣與真實(shí)圖像邊緣之間的偏差、提高圖像邊緣檢測(cè)的精度，參考邊緣像素點(diǎn)的相鄰區(qū)域灰度，以邊緣像素點(diǎn)的梯度分布為依據(jù)對(duì)該像素點(diǎn)進(jìn)行亞像素定位。經(jīng)實(shí)驗(yàn)驗(yàn)證，經(jīng)過(guò)亞像素優(yōu)化的圖像邊緣檢測(cè)策略可用于檢測(cè)邊緣模糊、對(duì)比度低的圖像，檢測(cè)的圖像邊緣完整、連續(xù)且平滑。該策略有效地消除了程序運(yùn)算中引入的截?cái)嗾`差，提升了圖像邊緣檢測(cè)精度，且適用于亮度5~100000lx的高動(dòng)態(tài)成像場(chǎng)景中。

摘要:為實(shí)現(xiàn)復(fù)雜自然環(huán)境下對(duì)桑樹(shù)嫩葉處枝干的識(shí)別檢測(cè)，改變當(dāng)前桑葉采摘設(shè)備作業(yè)過(guò)程中依賴人工輔助定位的現(xiàn)狀，解決識(shí)別目標(biāo)姿態(tài)多樣和環(huán)境復(fù)雜導(dǎo)致的低識(shí)別率問(wèn)題，提出一種基于改進(jìn)YOLO v5模型的桑樹(shù)枝干識(shí)別模型(YOLO v5-mulberry)，并結(jié)合深度相機(jī)構(gòu)建定位系統(tǒng)。首先，在YOLO v5的骨干網(wǎng)絡(luò)中加入CBAM(Convolutional block attention module)注意力機(jī)制，提高神經(jīng)網(wǎng)絡(luò)對(duì)桑樹(shù)枝干的關(guān)注度；并增加小目標(biāo)層使模型可檢測(cè)4像素×4像素的目標(biāo)，提高了模型檢測(cè)小目標(biāo)的性能；同時(shí)使用GIoU損失函數(shù)替換原始網(wǎng)絡(luò)中的IoU損失函數(shù)，有效防止了預(yù)測(cè)框和真實(shí)框尺寸較小時(shí)無(wú)法正確反映預(yù)測(cè)框及真實(shí)框之間位置關(guān)系的情況；隨后，完成深度圖和彩色圖的像素對(duì)齊，通過(guò)坐標(biāo)系轉(zhuǎn)換獲取桑樹(shù)枝干三維坐標(biāo)。試驗(yàn)結(jié)果表明：YOLO v5-mulberry檢測(cè)模型的平均精度均值為94.2%，較原模型提高16.9個(gè)百分點(diǎn)，置信度也提高12.1%；模型室外檢測(cè)時(shí)應(yīng)檢測(cè)目標(biāo)數(shù)53，實(shí)際檢測(cè)目標(biāo)數(shù)為48，檢測(cè)率為90.57%；桑樹(shù)嫩葉處枝干三維坐標(biāo)識(shí)別定位系統(tǒng)的定位誤差為(9.4985mm,11.285mm,19.11mm)，滿足使用要求。該研究可實(shí)現(xiàn)桑樹(shù)嫩葉處枝干的識(shí)別與定位，有助于推動(dòng)桑葉智能化采摘機(jī)器人研究。

摘要:針對(duì)菊花種類繁多，花型差別細(xì)微，準(zhǔn)確標(biāo)注比較困難的問(wèn)題，基于深度主動(dòng)學(xué)習(xí)與混合注意力機(jī)制模塊(Convolutional block attention module,CBAM)，提出了一種標(biāo)號(hào)數(shù)據(jù)不足情況下的菊花表型智能識(shí)別方法和框架。首先，通過(guò)主動(dòng)學(xué)習(xí)策略基于最優(yōu)標(biāo)號(hào)和次優(yōu)標(biāo)號(hào)法（Best vs secondbest,BvSB）在未標(biāo)記菊花樣本中選取信息量較大的樣本進(jìn)行標(biāo)記，并將標(biāo)記后的樣本放入訓(xùn)練樣本中；其次，使用深度卷積神經(jīng)網(wǎng)絡(luò)ResNet50作為本文的主干網(wǎng)絡(luò)訓(xùn)練標(biāo)記樣本，引入混合注意力機(jī)制模塊CBAM，使模型能夠更為準(zhǔn)確地提取細(xì)粒度圖像中的高層語(yǔ)義信息；最后，用更新后的訓(xùn)練樣本繼續(xù)訓(xùn)練分類模型，直到模型達(dá)到迭代次數(shù)后停止。實(shí)驗(yàn)結(jié)果表明，該方法在少量菊花標(biāo)記樣本下，精確率、召回率和F1值分別達(dá)到93.66%、93.15%和93.41%。本文方法可為標(biāo)號(hào)數(shù)據(jù)不足情況下的菊花等花卉智能化識(shí)別提供技術(shù)支撐。

摘要:針對(duì)黃花傳統(tǒng)人工識(shí)別效率低，辨識(shí)標(biāo)準(zhǔn)不統(tǒng)一的問(wèn)題，提出基于輕量化和高效層聚合過(guò)渡網(wǎng)絡(luò)的黃花成熟度識(shí)別方法LSEB YOLO v7。首先，引入輕量化卷積對(duì)高效層聚合網(wǎng)絡(luò)和過(guò)渡模塊進(jìn)行輕量化處理，減少模型計(jì)算量。其次，在特征提取與特征融合網(wǎng)絡(luò)之間增加通道注意力機(jī)制，提升模型檢測(cè)性能。最后，在特征融合網(wǎng)絡(luò)中，優(yōu)化通道信息融合方式，使用雙向特征金字塔網(wǎng)絡(luò)替換Concatenate，增加信息融合通道，持續(xù)提升模型性能。實(shí)驗(yàn)結(jié)果表明：與原始模型相比，在黃花成熟度檢測(cè)中，改進(jìn)后的LSEB YOLO v7模型參數(shù)量和浮點(diǎn)運(yùn)算量分別減少約2.0×106和7.7×109。訓(xùn)練時(shí)長(zhǎng)由8.025h降低至7.746h，模型體積壓縮約4MB。同時(shí)，訓(xùn)練精確率和召回率分別提升約0.64個(gè)百分點(diǎn)和0.14個(gè)百分點(diǎn)，mAP@0.5和mAP@0.5：0.95分別提升約1.84個(gè)百分點(diǎn)和1.02個(gè)百分點(diǎn)。此外，調(diào)和均值性能保持不變，均為84.00%。LSEB YOLO v7算法可均衡模型復(fù)雜性與性能，為黃花成熟度檢測(cè)和智能化采摘設(shè)備提供技術(shù)支持。

摘要:蘋果樹(shù)疏花是果園生產(chǎn)管理中的重要環(huán)節(jié)。準(zhǔn)確高效地識(shí)別蘋果中心花和邊花，是研發(fā)智能疏花機(jī)器人的前提。針對(duì)蘋果疏花作業(yè)中的實(shí)際需求，提出了一種基于CRV-YOLO的蘋果中心花和邊花識(shí)別方法。本文基于YOLO v5s模型進(jìn)行了如下改進(jìn)：將C-CoTCSP結(jié)構(gòu)融入Backbone，更好地學(xué)習(xí)上下文信息并提高了模型特征提取能力，提高了模型對(duì)外形相似和位置關(guān)系不明顯的中心花和邊花的檢測(cè)性能。在Backbone中添加改進(jìn)RFB結(jié)構(gòu)，擴(kuò)大特征提取感受野并對(duì)分支貢獻(xiàn)度進(jìn)行加權(quán)，更好地利用了不同尺度特征。采用VariFocal Loss損失函數(shù)，提高了模型對(duì)遮擋等場(chǎng)景下難識(shí)別樣本檢測(cè)能力。在3個(gè)品種1837幅圖像數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明，CRV-YOLO的精確率、召回率和平均精度均值分別為95.6%、92.9%和96.9%，與原模型相比，分別提高3.7、4.3、3.9個(gè)百分點(diǎn)，模型受光照變化和蘋果品種影響較小。與Faster R-CNN、SSD、YOLOX、YOLO v7模型相比，CRV-YOLO的精確率、平均精度均值、模型內(nèi)存占用量和復(fù)雜度性能最優(yōu)，召回率接近最優(yōu)。研究成果可為蘋果智能疏花提供技術(shù)支持。

摘要:針對(duì)畜禽疫病文本語(yǔ)料匱乏、文本內(nèi)包含大量疫病名稱及短語(yǔ)等未登錄詞問(wèn)題，提出了一種結(jié)合詞典匹配的BERT-BiLSTM-CRF畜禽疫病文本分詞模型。以羊疫病為研究對(duì)象，構(gòu)建了常見(jiàn)疫病文本數(shù)據(jù)集，將其與通用語(yǔ)料PKU結(jié)合，利用BERT(Bidirectional encoder representation from transformers)預(yù)訓(xùn)練語(yǔ)言模型進(jìn)行文本向量化表示；通過(guò)雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Bidirectional long short-term memory network, BiLSTM)獲取上下文語(yǔ)義特征；由條件隨機(jī)場(chǎng)(Conditional random field, CRF)輸出全局最優(yōu)標(biāo)簽序列?；诖耍贑RF層后加入畜禽疫病領(lǐng)域詞典進(jìn)行分詞匹配修正，減少在分詞過(guò)程中出現(xiàn)的疫病名稱及短語(yǔ)等造成的歧義切分，進(jìn)一步提高了分詞準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，結(jié)合詞典匹配的BERT-BiLSTM-CRF模型在羊常見(jiàn)疫病文本數(shù)據(jù)集上的F1值為96.38%，與jieba分詞器、BiLSTM-Softmax模型、BiLSTM-CRF模型、未結(jié)合詞典匹配的本文模型相比，分別提升11.01、10.62、8.3、0.72個(gè)百分點(diǎn)，驗(yàn)證了方法的有效性。與單一語(yǔ)料相比，通用語(yǔ)料PKU和羊常見(jiàn)疫病文本數(shù)據(jù)集結(jié)合的混合語(yǔ)料，能夠同時(shí)對(duì)畜禽疫病專業(yè)術(shù)語(yǔ)及疫病文本中常用詞進(jìn)行準(zhǔn)確切分，在通用語(yǔ)料及疫病文本數(shù)據(jù)集上F1值都達(dá)到95%以上，具有較好的模型泛化能力。該方法可用于畜禽疫病文本分詞。

摘要:多目標(biāo)小鼠跟蹤是小鼠行為分析的基本任務(wù)，是研究社交行為的重要方法。針對(duì)傳統(tǒng)小鼠跟蹤方法存在只能跟蹤單只小鼠以及對(duì)多目標(biāo)小鼠跟蹤需要對(duì)小鼠進(jìn)行標(biāo)記從而影響小鼠行為等問(wèn)題，提出了一種基于實(shí)例分割網(wǎng)絡(luò)YOLO v8n-seg和改進(jìn)Strongsort相結(jié)合的多目標(biāo)小鼠無(wú)標(biāo)記跟蹤方法。使用RGB攝像頭采集多目標(biāo)小鼠的日常行為視頻，標(biāo)注小鼠身體部位分割數(shù)據(jù)集，對(duì)數(shù)據(jù)集進(jìn)行增強(qiáng)后訓(xùn)練YOLO v8n-seg實(shí)例分割網(wǎng)絡(luò)，經(jīng)過(guò)測(cè)試，模型精確率為97.7%，召回率為98.2%，mAP50為99.2%，單幅圖像檢測(cè)時(shí)間為3.5ms，實(shí)現(xiàn)了對(duì)小鼠身體部位準(zhǔn)確且快速地分割，可以滿足Strongsort多目標(biāo)跟蹤算法的檢測(cè)要求。針對(duì)Strongsort算法在多目標(biāo)小鼠跟蹤中存在的跟蹤錯(cuò)誤問(wèn)題，對(duì)Strongsort做了兩點(diǎn)改進(jìn)：對(duì)匹配流程進(jìn)行改進(jìn)，將未匹配上目標(biāo)的軌跡和未匹配上軌跡的目標(biāo)按歐氏距離進(jìn)行再次匹配；對(duì)卡爾曼濾波進(jìn)行改進(jìn)，將卡爾曼濾波中表示小鼠位置和運(yùn)動(dòng)狀態(tài)的小鼠身體輪廓外接矩形框替換為以小鼠身體輪廓質(zhì)心為中心、對(duì)角線為小鼠體寬的正方形框。經(jīng)測(cè)試，改進(jìn)后Strongsort算法的ID跳變數(shù)為14，MOTA為97.698%，IDF1為85.435%，MOTP為75.858%，與原Strongsort相比，ID跳變數(shù)減少88%，MOTA提升3.266個(gè)百分點(diǎn)，IDF1提升27.778個(gè)百分點(diǎn)，與Deepsort、ByteTrack和Ocsort相比，在MOTA和IDF1上均有顯著提升，且ID跳變數(shù)大幅降低，結(jié)果表明改進(jìn)Strongsort算法可以提高多目標(biāo)無(wú)標(biāo)記小鼠跟蹤的穩(wěn)定性和準(zhǔn)確性，為小鼠社交行為分析提供了一種新的技術(shù)途徑。

摘要:針對(duì)已有水質(zhì)預(yù)測(cè)模型在數(shù)據(jù)降噪、網(wǎng)絡(luò)參數(shù)初始值設(shè)置和優(yōu)化、精度提高等方面能力的不足，構(gòu)建了一種優(yōu)化的水質(zhì)三維預(yù)測(cè)模型。利用主成分分析算法篩選出水質(zhì)關(guān)鍵參數(shù)，并基于自適應(yīng)噪聲的完全集合經(jīng)驗(yàn)?zāi)B(tài)分解算法結(jié)合小波閾值模型對(duì)三維水質(zhì)參數(shù)和氣象數(shù)據(jù)降噪處理，使用3維卷積神經(jīng)網(wǎng)絡(luò)（Three-dimensional convolutional neural networks,3-D CNN）提取出特征數(shù)據(jù)集，自編碼器（Autoencoder,AE）獲得徑向基函數(shù)（Radial basis function,RBF）網(wǎng)絡(luò)參數(shù)初始化值，改進(jìn)布谷鳥搜索算法(Improved cuckoo search, ICS)優(yōu)化更新網(wǎng)絡(luò)中超參數(shù)動(dòng)態(tài)初始化值。廣東省湛江市徐聞縣大水橋水庫(kù)區(qū)域22個(gè)典型在線監(jiān)測(cè)站點(diǎn)以及6個(gè)手持監(jiān)測(cè)點(diǎn)的實(shí)測(cè)數(shù)據(jù)對(duì)比驗(yàn)證結(jié)果表明，濁度和藻密度分別與總氮含量強(qiáng)正相關(guān)，葉綠素含量與氣溫強(qiáng)正相關(guān)，所提出的水質(zhì)預(yù)測(cè)模型在5個(gè)典型精準(zhǔn)性評(píng)價(jià)指標(biāo)方面優(yōu)于已有文獻(xiàn)方法。研究成果可為管理部門和研究者對(duì)水質(zhì)監(jiān)測(cè)提供參考。

摘要:為明確氣候變暖和“雙晚技術(shù)”背景下華北地區(qū)冬小麥的適宜播期，基于WMAIP集成模型，對(duì)華北地區(qū)冬小麥適宜播期、冬前積溫下限及最遲播期進(jìn)行了分析。研究結(jié)果表明，華北地區(qū)晚播減產(chǎn)幅度由南向北增大，南部晚播減產(chǎn)幅度最?。?19.5%），中部晚播減產(chǎn)幅度在26.4%以內(nèi)，北部晚播減產(chǎn)幅度最大，最高可達(dá)32.0%。華北地區(qū)北部、中部和南部的適宜播期分別在9月25日—10月5日之間、9月30日—10月20日之間和10月10日—11月5日之間。華北地區(qū)冬小麥基于高產(chǎn)和高水分利用效率的適宜冬前積溫下限分別在497~629℃·d和 344~581℃·d之間，并由南部向北部遞增。在高產(chǎn)和高水分利用效率條件下，河北、山東、河南大部分地區(qū)的最遲播期分別為10月1—13日、10月10—16日、10月22—28日和10月7—19日、10月16—22日、10月31日—11月12日。研究結(jié)果可為氣候變暖背景下華北地區(qū)“雙晚技術(shù)”的推廣和應(yīng)用提供參考。

摘要:為探明不同連作年限設(shè)施農(nóng)用地土壤有機(jī)碳（Soil organic carbon, SOC）與細(xì)菌群落功能變化及其動(dòng)態(tài)響應(yīng)關(guān)系，以北京市南郊設(shè)施農(nóng)業(yè)集中地為研究區(qū)，采用時(shí)空替代法系統(tǒng)分析了未種植（CK）、連作年限0~5年（0~5a）、5~10年（5~10a）、10~20年（10~20a）和20年以上（20a+）SOC、細(xì)菌群落結(jié)構(gòu)及其代謝功能的變化。結(jié)合冗余分析（RDA）、典型相關(guān)分析（CCA）、PICRUSt2功能預(yù)測(cè)及Mantel test探究了SOC及其活性組分與細(xì)菌優(yōu)勢(shì)菌群的動(dòng)態(tài)響應(yīng)，以及與細(xì)菌代謝功能的相互關(guān)系。結(jié)果表明：連作使研究區(qū)微生物生物量碳（Microbial biomass carbon, MBC）、易氧化有機(jī)碳（Easily oxidizes organic carbon, EOC）、SOC含量及土壤有機(jī)碳密度（Soil organic carbon density, SOCD）均隨種植年限先增后減，可溶性有機(jī)碳（Dissolved organic carbon, DOC）含量在20a+時(shí)最高，微生物熵（Q）隨連作年限增加而減小。連作降低了土壤細(xì)菌的多樣性，但提高了細(xì)菌種群間差異，PICRUSt2預(yù)測(cè)不同連作年限土壤細(xì)菌功能均以新陳代謝為主，5~20a土壤細(xì)菌二級(jí)代謝功能豐度明顯高于0~5a、20a+、CK。相對(duì)豐度前10的細(xì)菌群中Acidobacteriota與SOC及其活性組分含量均呈負(fù)相關(guān)，主導(dǎo)和參與SOC累積循環(huán)的關(guān)鍵菌群在連作20a+后出現(xiàn)由富營(yíng)養(yǎng)型菌群向寡營(yíng)養(yǎng)和致病類菌群轉(zhuǎn)變的趨勢(shì)；Mantel分析顯示，第3層級(jí)有53類與土壤有機(jī)碳含量呈顯著相關(guān)的代謝功能（p<0.05），其中23類隸屬于第1層級(jí)的新陳代謝，與EOC呈顯著相關(guān)的代謝功能高達(dá)51類。本研究結(jié)果可為優(yōu)化碳循環(huán)相關(guān)細(xì)菌功能群，提升小尺度設(shè)施農(nóng)用地土壤碳匯功能提供參考。

摘要:對(duì)畜禽糞污好氧堆肥中產(chǎn)生的氨氣與厭氧發(fā)酵后沼液中的氨氮進(jìn)行回收，不僅可以減少污染物和溫室氣體的排放，達(dá)到減污降碳的目的，還能獲得氮肥產(chǎn)品，增加糞污處理的經(jīng)濟(jì)性。針對(duì)現(xiàn)有氨氣捕集過(guò)程中設(shè)備體積大和靈活性差等問(wèn)題，提出了采用中空纖維膜來(lái)實(shí)現(xiàn)氨氣捕集的目標(biāo)。采用空氣吹掃氨水溶液模擬了不同情形下的氨氣濃度與空氣流量，測(cè)試不同情形下氨氣捕集的通量和回收率，分析影響氨氣捕集的主要因素和傳質(zhì)特性。結(jié)果表明，氨氣向膜內(nèi)傳質(zhì)的阻力主要受氣相傳質(zhì)阻力和膜的傳質(zhì)阻力影響，低空氣流量下氣相傳質(zhì)阻力占主導(dǎo)地位。提升空氣流量至5L/min時(shí)，氣相傳質(zhì)阻力比0.5L/min時(shí)下降53.6%，此時(shí)膜內(nèi)傳質(zhì)阻力占主導(dǎo)。氨氣捕集通量隨進(jìn)膜氨氣濃度的增大而提升。在空氣流量低于1L/min下，氨氮回收率高于95%，0.5L/min時(shí)的氨氮回收率高于99%。在氨氣停留時(shí)間足夠的條件下，氨氮回收率僅與酸液吸收容量相關(guān)。在溫度差和濃度差的影響下，空氣中的水蒸氣會(huì)向膜內(nèi)的吸收劑中傳遞。吸收劑中含質(zhì)量分?jǐn)?shù)26%的硫酸銨比僅含1%的硫銨溶液水回收通量高13.3倍，氨氮分離因子由41.6降低至3.06。酸液質(zhì)量分?jǐn)?shù)對(duì)氨氣的傳質(zhì)無(wú)顯著影響。文獻(xiàn)對(duì)比表明典型狀態(tài)下糞污處理中的氨氣釋放質(zhì)量濃度與本研究中涉及的質(zhì)量濃度區(qū)間基本一致，說(shuō)明中空纖維膜捕集氨氣具有較廣的適用性。

摘要:為了探究超微粉碎/NaOH同步處理對(duì)小麥秸稈纖維素分離及其微觀形貌結(jié)構(gòu)和熱穩(wěn)定性的影響，將小麥秸稈與質(zhì)量分?jǐn)?shù)6%的NaOH溶液按照料液比0.1g/mL混合，進(jìn)行了不同時(shí)長(zhǎng)的超微粉碎/NaOH同步處理，并使用1.4%酸性亞氯酸鈉溶液漂白和水浴式超聲處理，分離得到纖維素纖維。系統(tǒng)表征了不同處理時(shí)長(zhǎng)對(duì)小麥秸稈木質(zhì)纖維素分離以及小麥秸稈纖維素微觀形貌、晶體結(jié)構(gòu)和熱穩(wěn)定性影響。結(jié)果表明：在同步處理0~60min范圍內(nèi)，機(jī)械力顯著降低了麥秸樣品的粒度，有效促進(jìn)了秸稈木質(zhì)纖維組分分離；經(jīng)不同時(shí)長(zhǎng)超微粉碎/NaOH同步處理后分離獲得的小麥秸稈纖維素中，大量微米和納米纖維素呈相互纏繞的網(wǎng)狀分布；隨處理時(shí)間延長(zhǎng)，纖維素結(jié)晶度先降低后趨于穩(wěn)定，處理30~60min是纖維素結(jié)晶度降低的轉(zhuǎn)折點(diǎn)；Person相關(guān)性分析結(jié)果表明，小麥秸稈纖維素?zé)岱€(wěn)定性與其結(jié)晶度以及處理時(shí)長(zhǎng)呈現(xiàn)顯著相關(guān)性（P<0.05）。

摘要:氧化還原電位（Oxidation-reduction potential, ORP）反映了發(fā)酵系統(tǒng)的氧化還原狀態(tài)，與酵母代謝以及香氣化合物合成密切相關(guān)，其水平在各酒精發(fā)酵階段存在差異。為了實(shí)現(xiàn)ORP在不同發(fā)酵階段的科學(xué)控制，通過(guò)氣相色譜-質(zhì)譜（Gas chromatography-mass spectrometry, GC-MS）和感官量化分析法在葡萄酒酒精發(fā)酵的不同階段控制不同水平的ORP，觀察酵母生長(zhǎng)、香氣化合物合成以及感官品質(zhì)的變化。結(jié)果表明，在0～48h階段ORP的變化對(duì)酵母活菌數(shù)和香氣化合物含量的影響遠(yuǎn)高于其他階段。提高此階段ORP有利于酵母生長(zhǎng)和糖消耗，而較低ORP有利于香氣化合物合成。與對(duì)照相比，0mV（0～48h）-自然條件（48～96h）-自然條件（96h至發(fā)酵結(jié)束）處理組可顯著提高中鏈脂肪酸乙酯中的己酸乙酯、癸酸乙酯含量；0mV-0mV-60mV處理組可顯著提高乙酸酯含量；60mV-0mV-60mV處理組可顯著提高高級(jí)醇含量。0mV-自然條件-自然條件處理增強(qiáng)了赤霞珠葡萄酒中紅色水果香氣和愛(ài)格麗葡萄酒花果類香氣，并減弱了愛(ài)格麗葡萄酒的動(dòng)物類氣味。ORP的階段性控制為葡萄酒發(fā)酵過(guò)程的精準(zhǔn)調(diào)控提供了依據(jù)，為提高葡萄酒香氣化合物含量以改善葡萄酒的香氣質(zhì)量提供了基礎(chǔ)。

摘要:大豆分離蛋白（Soybean protein isolate，SPI）對(duì)外界環(huán)境的變化極其敏感，中和工段中pH值微小的變化就會(huì)改變蛋白質(zhì)的結(jié)構(gòu)和功能性質(zhì)。通過(guò)添加NaOH調(diào)控凝乳的pH值，利用紅外光譜和內(nèi)源熒光光譜分析SPI的結(jié)構(gòu)及功能性質(zhì)，研究發(fā)現(xiàn)在中性條件下SPI具有較好的起泡性，堿性條件時(shí)SPI具有較好的乳化性，當(dāng)體系pH值為7時(shí)，SPI的起泡性最佳，當(dāng)體系pH值為8.5時(shí)，SPI的乳化性最佳。建立了25L大豆SPI中和工段pH值精細(xì)調(diào)控體系，利用Matlab模擬生產(chǎn)過(guò)程，通過(guò)動(dòng)態(tài)線性與靜態(tài)非線性擬合，采用模糊自適應(yīng)控制結(jié)合Wiener模型調(diào)控中和罐的加堿量，當(dāng)將中和罐中pH值調(diào)控為7時(shí)，調(diào)節(jié)時(shí)間為37.4s，生產(chǎn)的SPI起泡性指數(shù)為57.22%，將中和罐中pH值調(diào)控為8.5時(shí)，調(diào)節(jié)時(shí)間為33.4s，生產(chǎn)的SPI乳化活性指數(shù)為69.35m2/g，體系無(wú)超調(diào)量用堿。

摘要:酚類物質(zhì)是評(píng)價(jià)葡萄成熟品質(zhì)的重要指標(biāo)，本文利用可見(jiàn)-近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)定量分析方法對(duì)葡萄皮總酚、籽總酚、皮單寧和籽單寧含量開(kāi)展了無(wú)損檢測(cè)研究。通過(guò)手持式可見(jiàn)-近紅外光譜儀采集巨玫瑰葡萄波長(zhǎng)400~1029nm范圍內(nèi)的漫反射光譜，采用SPXY算法將其劃分為校正集和預(yù)測(cè)集，結(jié)合標(biāo)準(zhǔn)正態(tài)變換（Standard normal variate，SNV）、多元散射校正（Multiplicative scatter correction，MSC）、一階導(dǎo)數(shù)（First derivative，1D）、二階導(dǎo)數(shù)（Second derivative，2D）、Savitzky-Golay卷積平滑（Savitzky-Golay smoothing ，SG）和Savitzky-Golay卷積平滑+一階導(dǎo)數(shù)（SG+1D）6種預(yù)處理方法以及偏最小二乘回歸（Partial least squares regression，PLSR）、支持向量機(jī)回歸（Support vector machine regression，SVR）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）3種建模算法，分別建立了基于全波段和特征波長(zhǎng)的葡萄皮總酚、籽總酚、皮單寧和籽單寧定量預(yù)測(cè)模型并進(jìn)行綜合對(duì)比分析。結(jié)果表明，對(duì)于皮總酚、籽總酚和籽單寧，經(jīng)特征波長(zhǎng)篩選后建立的模型效果優(yōu)于全波段，而對(duì)于皮單寧，全波段建立的模型較特征波長(zhǎng)效果更佳；因此，在預(yù)測(cè)皮總酚、籽總酚、皮單寧和籽單寧含量時(shí)，最優(yōu)模型分別為RAW-CARS-SVR、1D-CARS-SVR、RAW-CNN和RAW-CARS-PLSR，校正集相關(guān)系數(shù)（Correlation coefficient of calibration set，Rc）分別為0.96、0.99、0.96和0.91，預(yù)測(cè)集相關(guān)系數(shù)（Correlation coefficient of prediction set，Rp）分別為0.95、0.99、0.83和0.89，剩余預(yù)測(cè)偏差（Residual predictive deviation，RPD）分別為3.56、7.30、1.92和2.25。因此，結(jié)合可見(jiàn)-近紅外光譜和合適的回歸模型，可以實(shí)現(xiàn)對(duì)巨玫瑰葡萄的皮-籽總酚、皮-籽單寧含量的無(wú)損檢測(cè)。

摘要:為了解決裂紋皮蛋分選中存在的效率低、人力成本高等問(wèn)題，提出了一種基于改進(jìn)YOLO v5的皮蛋裂紋在線檢測(cè)方法。使用EfficientViT網(wǎng)絡(luò)替換主干特征提取網(wǎng)絡(luò)，并采用遷移學(xué)習(xí)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，分別得到Y(jié)OLO v5n_EfficientViTb0和 YOLO v5s_EfficientViTb1兩個(gè)模型。YOLO v5n_EfficientViTb0為輕量化模型，相較于改進(jìn)前參數(shù)量減少14.8%，浮點(diǎn)數(shù)計(jì)算量減少26.8%；YOLO v5s_EfficientViTb1為高精度檢測(cè)模型，平均精度均值為878%。采用GradCAM++對(duì)模型可視化分析，得出改進(jìn)模型減少了對(duì)背景區(qū)域的關(guān)注度，證明了改進(jìn)模型的有效性。設(shè)計(jì)了視頻幀的目標(biāo)框匹配算法，實(shí)現(xiàn)了視頻中皮蛋的目標(biāo)追蹤，依據(jù)皮蛋的檢測(cè)序列實(shí)現(xiàn)了對(duì)皮蛋的定位和裂紋與否的判別。輕量化模型的判別準(zhǔn)確率為92.0%，高精度模型的判別準(zhǔn)確率為943%。研究結(jié)果表明，改進(jìn)得到的輕量化模型為運(yùn)算能力較差的皮蛋裂紋在線檢測(cè)裝備提供了解決方案，改進(jìn)得到的高精度模型為生產(chǎn)要求更高的皮蛋裂紋在線檢測(cè)裝備提供了技術(shù)支持。

摘要:大功率拖拉機(jī)作業(yè)時(shí)載荷沖擊會(huì)造成發(fā)動(dòng)機(jī)的輸出轉(zhuǎn)矩大范圍波動(dòng)，為減小載荷沖擊對(duì)拖拉機(jī)動(dòng)力單元的影響，提出以發(fā)動(dòng)機(jī)和雙電機(jī)為動(dòng)力源的拖拉機(jī)雙流耦合動(dòng)力系統(tǒng)構(gòu)型，以減小載荷沖擊引起的動(dòng)力傳動(dòng)系統(tǒng)換擋頻次?；贖aar小波分解提出了基于功率預(yù)測(cè)的轉(zhuǎn)矩分配策略，首先記錄拖拉機(jī)的作業(yè)參數(shù)，基于徑向基神經(jīng)網(wǎng)絡(luò)對(duì)拖拉機(jī)旋耕作業(yè)時(shí)的功率需求進(jìn)行預(yù)測(cè)，由Haar小波變換確定高頻和低頻轉(zhuǎn)矩需求值的范圍，并分別由電機(jī)和發(fā)動(dòng)機(jī)提供。最后，通過(guò)硬件在環(huán)試驗(yàn)對(duì)提出的動(dòng)態(tài)轉(zhuǎn)矩分配進(jìn)行了可行性驗(yàn)證，測(cè)試結(jié)果表明：提出的基于神經(jīng)網(wǎng)絡(luò)功率需求預(yù)測(cè)模型對(duì)行駛端和動(dòng)力輸出端 (Power take-off，PTO)的功率進(jìn)行預(yù)測(cè)，實(shí)際值和預(yù)測(cè)值均方根誤差分別占最大功率的7.6%和7.9%；提出的轉(zhuǎn)矩分配策略能夠應(yīng)對(duì)拖拉機(jī)旋耕時(shí)的載荷波動(dòng)。發(fā)動(dòng)機(jī)轉(zhuǎn)矩波動(dòng)與傳統(tǒng)構(gòu)型相比減小35.0%，有效地縮小了發(fā)動(dòng)機(jī)轉(zhuǎn)矩波動(dòng)范圍，緩解了拖拉機(jī)作業(yè)時(shí)載荷沖擊對(duì)發(fā)動(dòng)機(jī)的影響。

摘要:針對(duì)分布式驅(qū)動(dòng)農(nóng)業(yè)車輛在路面參數(shù)辨識(shí)過(guò)程中，因路面環(huán)境變化出現(xiàn)的狀態(tài)模型誤差和時(shí)變?cè)肼?，?dǎo)致辨識(shí)結(jié)果發(fā)散的問(wèn)題，提出了基于自適應(yīng)強(qiáng)跟蹤無(wú)跡卡爾曼濾波(Adaptive strong tracking unscented Kalman filter, ASTUKF)的辨識(shí)方法。與傳統(tǒng)內(nèi)燃機(jī)農(nóng)業(yè)車輛相比，分布式驅(qū)動(dòng)可以直接獲取驅(qū)動(dòng)輪的狀態(tài)信息，結(jié)合含有峰值附著系數(shù)和極限滑轉(zhuǎn)率的μ-s曲線模型，建立了無(wú)跡卡爾曼濾波(Unscented Kalman filter, UKF)辨識(shí)算法的狀態(tài)方程和量測(cè)方程。同時(shí)，將強(qiáng)跟蹤濾波(Strong tracking filter, STF)和自適應(yīng)濾波(Adaptive filter, AF)引入辨識(shí)算法，用以提高對(duì)多變環(huán)境的識(shí)別精度和魯棒性，并采用奇異值分解(Singular value decomposition, SVD)解決了迭代過(guò)程中出現(xiàn)的非正定矩陣的問(wèn)題。仿真試驗(yàn)結(jié)果表明，在突變?cè)肼暛h(huán)境工況下，ASTUKF辨識(shí)結(jié)果可以快速收斂至目標(biāo)值附近，且不受突變?cè)肼暤挠绊?，各?qū)動(dòng)輪峰值附著系數(shù)估計(jì)結(jié)果的平均絕對(duì)誤差(Mean absolute error, MAE)分別為0.0144、0.0267、0.0144、0.0267，極限滑轉(zhuǎn)率估計(jì)結(jié)果的MAE分別為0.0025、0.0028、0.0025、0.0028。實(shí)車試驗(yàn)表明，在已耕地和未耕地的試驗(yàn)路面上，ASTUKF辨識(shí)結(jié)果的均值95%置信區(qū)間能夠匹配測(cè)量值，整車的附著系數(shù)辨識(shí)結(jié)果為0.4061(未耕地)、0.3991(已耕地)，極限滑轉(zhuǎn)率辨識(shí)結(jié)果0.1484(未耕地)、0.3600(已耕地)，可為分布式電動(dòng)農(nóng)業(yè)車輛作業(yè)參數(shù)感知提供理論參考。

摘要:為解決無(wú)人駕駛牽引式農(nóng)機(jī)在非結(jié)構(gòu)化環(huán)境中作業(yè)時(shí)直線跟蹤精度低、上線速度慢、抗干擾能力差等問(wèn)題，提出了一種基于模糊快速滑?？刂频霓r(nóng)用牽引式車輛直線路徑跟蹤控制方法。首先利用車輛運(yùn)動(dòng)學(xué)模型與參考路徑建立牽引車輛直線路徑跟蹤誤差模型，并提出一種基于模糊參數(shù)整定的快速滑模直線路徑跟蹤方法，解決了滑模控制算法的控制器抖振與機(jī)具快速上線問(wèn)題。通過(guò)Lyapunov穩(wěn)定性分析可知，所設(shè)計(jì)控制方法可保證牽引機(jī)具跟蹤參考路徑，同時(shí)鉸接角收斂至零。最后，基于Simulink仿真與實(shí)車試驗(yàn)對(duì)該控制方法的有效性與優(yōu)越性進(jìn)行測(cè)試。田間實(shí)車試驗(yàn)表明，使用本文控制方法時(shí)，拖車和掛車最大路徑跟蹤橫向誤差分別為0.11、0.12m，拖車和掛車跟蹤誤差方差分別為0.0013、0.0015m2；相較于傳統(tǒng)基于等速趨近律設(shè)計(jì)的滑?？刂破鳎暇€時(shí)間提升約58%，最大跟蹤誤差減小約66%。

摘要:針對(duì)蟻群算法易陷入局部最優(yōu)、路徑轉(zhuǎn)折點(diǎn)多、收斂速度慢的問(wèn)題，提出一種基于動(dòng)態(tài)擴(kuò)展鄰域蟻群算法（Dynamic extended neighbourhoods ant colony optimization，DENACO）。在螞蟻搜索方式上采用動(dòng)態(tài)擴(kuò)展鄰域方法，并定義新的信息素計(jì)算方式和增量規(guī)則，在取得更優(yōu)收斂路徑長(zhǎng)度的同時(shí)，減少路徑轉(zhuǎn)折點(diǎn)數(shù)量及路徑節(jié)點(diǎn)數(shù)量；引入自適應(yīng)調(diào)整因子改進(jìn)啟發(fā)函數(shù)，提高算法的全局搜索能力，并設(shè)定迭代閾值，提升算法的收斂速度；提出一種路徑節(jié)點(diǎn)雙優(yōu)化策略，對(duì)規(guī)劃好的路徑進(jìn)一步優(yōu)化，提高路徑綜合質(zhì)量。不同復(fù)雜度及不同規(guī)模柵格地圖中的仿真實(shí)驗(yàn)表明，DENACO算法所規(guī)劃的路徑更優(yōu)，路徑轉(zhuǎn)折點(diǎn)數(shù)量減少，收斂速度加快，路徑節(jié)點(diǎn)數(shù)量明顯減少，表明算法具有更高的可行性和適用性。

摘要:農(nóng)業(yè)環(huán)境起伏多變，邊界模糊，大多呈非結(jié)構(gòu)化分布。四足機(jī)器人在復(fù)雜農(nóng)業(yè)環(huán)境中作業(yè)時(shí)，易出現(xiàn)因傾覆失去運(yùn)動(dòng)能力的情況，因此機(jī)器人需具備傾覆后自我恢復(fù)能力。傳統(tǒng)四足機(jī)器人傾覆后恢復(fù)多數(shù)依靠腿部運(yùn)動(dòng)來(lái)實(shí)現(xiàn)，而可重構(gòu)四足機(jī)器人，可通過(guò)軀干與腿部協(xié)調(diào)運(yùn)動(dòng)來(lái)實(shí)現(xiàn)傾覆后自我恢復(fù)。本文基于可重構(gòu)軀干構(gòu)型多變，得到了多種仿生形態(tài)的可重構(gòu)四足機(jī)器人，規(guī)劃了基于可重構(gòu)理論的傾覆后恢復(fù)機(jī)理。對(duì)比傾覆后可重構(gòu)機(jī)器人利用軀干拱起折疊和單側(cè)翻轉(zhuǎn)折疊兩種恢復(fù)方式，分析R1型、R2型可重構(gòu)四足機(jī)器人恢復(fù)的運(yùn)動(dòng)特性。利用軟件ADAMS進(jìn)行仿真，對(duì)仿真數(shù)據(jù)進(jìn)行分析，證明了可重構(gòu)軀干比剛性軀干更有效地減少了恢復(fù)過(guò)程中的沖擊。最后設(shè)計(jì)樣機(jī)并進(jìn)行實(shí)驗(yàn)，驗(yàn)證機(jī)理實(shí)施的可行性與穩(wěn)定性，研究結(jié)果表明其可降低實(shí)現(xiàn)靜態(tài)自我恢復(fù)的難度。

摘要:直線共軛內(nèi)嚙合齒輪泵是液壓系統(tǒng)中的關(guān)鍵組件，因其高效的壓力輸送特性而廣泛應(yīng)用于工程領(lǐng)域。本文采用計(jì)算流體動(dòng)力學(xué)模擬方法對(duì)直線共軛內(nèi)嚙合齒輪泵進(jìn)行研究，分析軸向間隙和徑向間隙對(duì)齒輪泵泄漏和流場(chǎng)的影響。研究結(jié)果表明：配合間隙的變化對(duì)齒輪泵的流場(chǎng)特性產(chǎn)生廣泛影響，軸向間隙是引發(fā)泄漏的主要因素，約占總泄漏量的80%；當(dāng)軸向間隙由0.03mm增加到0.07mm后，輸出流量減少20.81%，平均壓力下降33.15%，空化產(chǎn)生的氣體體積分?jǐn)?shù)增加0.021；而設(shè)置相同徑向間隙后，輸出流量?jī)H下降0.69%，平均壓力下降2.76%，空化產(chǎn)生的氣體體積分?jǐn)?shù)增加0.005。此外，導(dǎo)致泵內(nèi)流速變化的主要配合間隙是軸向間隙，適當(dāng)減小軸向間隙可提升泵內(nèi)的流體速度，從而提升泵的整體效率。

摘要:測(cè)量噪聲對(duì)擴(kuò)張狀態(tài)觀測(cè)器帶寬的限制是影響電液伺服系統(tǒng)自抗擾位置控制器性能的關(guān)鍵問(wèn)題。為此，提出了一種基于噪聲抑制擴(kuò)張狀態(tài)觀測(cè)器的改進(jìn)自抗擾控制方法。建立電液伺服系統(tǒng)非線性模型，通過(guò)坐標(biāo)變換構(gòu)造鏈?zhǔn)椒e分器結(jié)構(gòu)，明確電液伺服系統(tǒng)“總擾動(dòng)”。引入低通濾波器抑制高頻測(cè)量噪聲，利用濾波后的位置信號(hào)構(gòu)建改進(jìn)型擴(kuò)張狀態(tài)觀測(cè)器，補(bǔ)償濾波器導(dǎo)致的相位滯后，分離狀態(tài)反饋與擾動(dòng)估計(jì)，增加新的擾動(dòng)估計(jì)調(diào)節(jié)參數(shù)，調(diào)和觀測(cè)器高帶寬、高估計(jì)性能與噪聲放大間的矛盾。采用李雅普諾夫穩(wěn)定性理論證明了閉環(huán)系統(tǒng)的穩(wěn)定性。仿真與試驗(yàn)結(jié)果表明，在系統(tǒng)受擾狀態(tài)下，與傳統(tǒng)LADRC相比，本文所提出控制方法擾動(dòng)抑制能力更強(qiáng)，位置跟蹤精度更高，為自抗擾控制器的工程應(yīng)用提供了參考。