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:果園生產(chǎn)管理主要包括噴藥、施肥、割草、修剪、授粉、疏花和采收分級等作業(yè)環(huán)節(jié)，需要大量的人力投入，隨著我國人口老齡化程度加劇，亟需果園生產(chǎn)管理由機械化向智能化轉(zhuǎn)型升級。自主導(dǎo)航技術(shù)是果園機械化裝備實現(xiàn)智能化的關(guān)鍵技術(shù)。本文圍繞果園智能化作業(yè)裝備導(dǎo)航控制需求，結(jié)合國內(nèi)外研究現(xiàn)狀，分別闡述了包含導(dǎo)航定位信息和障礙物信息的果園作業(yè)場景感知技術(shù)，導(dǎo)航地圖構(gòu)建、導(dǎo)航路徑提取和路徑規(guī)劃技術(shù)，行走底盤運動學(xué)模型構(gòu)建、運動控制技術(shù)，多機協(xié)同控制、遠程交互控制技術(shù)等。隨著智慧農(nóng)業(yè)發(fā)展，智慧果園已成為果園未來發(fā)展方向，果園智能化作業(yè)裝備是智慧果園建設(shè)必不可少的關(guān)鍵環(huán)節(jié)，在此基礎(chǔ)上，歸納了我國果園智能化作業(yè)裝備自主導(dǎo)航技術(shù)發(fā)展面臨的問題為：環(huán)境感知能力不足、路徑提取不穩(wěn)定、局部路徑規(guī)劃不靈活、導(dǎo)航系統(tǒng)環(huán)境適應(yīng)性欠缺、多機協(xié)同和遠程控制不成熟等，提出了多傳感器融合的環(huán)境感知與路徑提取、完整路徑規(guī)劃、強通用性果園導(dǎo)航、大型果園多作業(yè)環(huán)節(jié)的多機協(xié)同與遠程操作等未來發(fā)展方向。

摘要:針對V型擠壓式覆土裝置在黏土條件下作業(yè)不可靠，種溝閉合不嚴實，易造成種子“架空”和“晾種”的生產(chǎn)實際問題，設(shè)計一種星齒球面盤式覆土裝置，提高播種機覆土質(zhì)量。分析了星齒球面盤式覆土裝置的作業(yè)原理，通過對覆土作業(yè)過程中土壤顆粒的運動學(xué)分析，確定了影響覆土作業(yè)質(zhì)量的主要結(jié)構(gòu)參數(shù)，并對星齒球面覆土盤主要結(jié)構(gòu)參數(shù)和安裝參數(shù)進行了設(shè)計。借助EDEM離散元仿真技術(shù)，建立了土壤與覆土裝置的互作模型，以星齒球面覆土盤安裝傾角、安裝間距、入土深度為試驗因素，以覆土量與覆土量變異系數(shù)為評價指標，分別進行了單因素與Box-Behnken試驗，確定了星齒球面覆土盤的最優(yōu)結(jié)構(gòu)參數(shù)組合為安裝傾角25.03°、安裝間距196.66mm、入土深度77.65mm。取安裝傾角25°、安裝間距197mm、入土深度77mm進行了田間驗證試驗，試驗結(jié)果表明：最優(yōu)參數(shù)組合下，覆土量平均值為241.46g，與仿真結(jié)果基本一致，相對誤差為5.12%，覆土量變異系數(shù)為3.71%，覆土均勻，作業(yè)質(zhì)量好，覆土作業(yè)后種子播深滿足農(nóng)藝要求，星齒球面盤式覆土裝置能有效改善播種機的覆土性能。

摘要:土壤中土霉素（Oxytetracycline，OTC）高性能的現(xiàn)場分析方法對于保護生態(tài)環(huán)境安全和維護人類健康具有重要意義。針對土壤中痕量OTC的現(xiàn)場檢測難題，設(shè)計功能集成的便攜式提取-檢測裝置，用于土壤中OTC的現(xiàn)場提取與精準分析。首先，基于集成電路技術(shù)與3D建模，研制具有稱量、攪拌與離心功能的便攜式裝置，并通過與實驗室用提取裝置的性能對比，驗證裝置的提取精度；分別以LED和便攜式電化學(xué)工作站為光電化學(xué)檢測的光源驅(qū)動和信號采集裝置，研制便攜式檢測裝置；進行土壤中OTC的現(xiàn)場分析試驗。結(jié)果表明，研制的便攜式裝置對土壤OTC的提取精度較高，檢測的線性范圍為1×10-8~1×10-6mol/L，檢出限為5.33×10-9mol/L；在現(xiàn)場分析試驗中，對土壤中OTC檢測的加標回收率為92%~97%，相對標準偏差為1.8%~5.2%，且準確度得到了國標法的驗證。

摘要:間苗是保證直播油菜增產(chǎn)的一項關(guān)鍵技術(shù)措施，為解決人工間苗勞動強度大、機械間苗不精確的問題，采用機器視覺的方式，基于深度學(xué)習(xí)算法YOLO v5平臺，設(shè)計并搭建自動間苗裝置。機器視覺系統(tǒng)評估幼苗種群的合理密植情況，間苗算法以間距和幼苗葉展為評估標準，實現(xiàn)控制幼苗間距和篩選優(yōu)質(zhì)苗的功能。選用遺傳算法對間苗行進路徑進行規(guī)劃，相較于未規(guī)劃路徑可縮短最低為50%的行進距離，最終采用激光器高溫?zé)姆绞酵瓿砷g苗作業(yè)。選取油菜苗作為試驗材料，間苗閾值α是劃定幼苗最小間距的參數(shù)，設(shè)置不同的間苗閾值α進行試驗。結(jié)果表明，間除苗的數(shù)量隨著間苗閾值α的增加而增加，幼苗平均密度下降的同時種群分布趨于均勻，對間除苗的葉展長度分類統(tǒng)計，α為0~75mm時，間除苗葉展長度全部在0~20mm范圍；α為75~200mm時，間除苗葉展長度為0~40mm，其中葉展長度為20~40mm的最高占比約為76%；α為200~350mm時，間除苗葉展長度在40mm以上的幼苗開始增加，最高占比約為14%，間除苗葉展長度梯次分布證明了間苗算法具備篩選優(yōu)質(zhì)苗的性能。間苗執(zhí)行階段耗時占據(jù)間苗作業(yè)總耗時的90%以上，以激光走線參數(shù)L、激光器功率P、間苗距離閾值為試驗因素，三因素三水平正交試驗結(jié)果表明:選擇合適的激光走線參數(shù)L能有效提高間苗死亡率、降低間苗誤傷率和減少間苗耗時，在參數(shù)L為30mm、P為7.5W、α為250mm下開展土槽臺架性能驗證試驗，激光間苗平均死亡率為93.29%，平均誤傷率為5.19%，平均總耗時為15.19min，為開發(fā)基于機器視覺的激光自動間苗機提供了理論基礎(chǔ)和技術(shù)支撐。

摘要:針對制種玉米母本植株由地面去雄機械去雄后存在遺漏雄穗及機械化補漏去雄裝備缺乏等問題，提出了一種適配四旋翼無人機的旋切裝置。基于去雄無人機作業(yè)特點與穩(wěn)定性影響因素，分析了刀具切割雄穗時的受力及其對無人機反扭力矩的影響，并輕量化設(shè)計了旋切裝置總體結(jié)構(gòu)，確定了旋切裝置的旋切范圍為44~150mm，可展范圍為541~1318mm，總質(zhì)量為4.03kg。通過旋切部件切割建模與仿真，選取了豎直進給切割的旋切方式，并由臺架試驗得到了旋切裝置切割反扭力矩最小時的最優(yōu)參數(shù)組合。在上述基礎(chǔ)上將旋切裝置與無人機集成開展田間試驗。研究表明，當(dāng)旋切轉(zhuǎn)速3954r/min、豎直進給速度5.9mm/s、刀具刃角32°時，旋切裝置單位切割力為10.54MPa，能完全切除雄穗，去雄無人機田間葉片損傷率為14.58%，高度波動率為1.88%，滿足制種玉米去雄要求。

摘要:四旋翼無人機具有強耦合和欠驅(qū)動的特點，在飛行過程中很容易受到外界干擾，進而影響整個無人機系統(tǒng)的穩(wěn)定性和精度。為此，提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的指定時間預(yù)設(shè)性能約束控制策略。首先，針對四旋翼無人機的不確定數(shù)學(xué)模型難以精確建立，并且在執(zhí)行任務(wù)過程中存在外部未知擾動問題，提出了一種基于指定時間預(yù)設(shè)性能控制方法，將四旋翼無人機的軌跡跟蹤問題轉(zhuǎn)換為對位置子系統(tǒng)和姿態(tài)子系統(tǒng)的期望指令跟蹤問題；其次，在設(shè)計控制器過程中，為了解決“微分爆炸”問題產(chǎn)生的濾波器誤差，引入一種新型濾波誤差補償方法，通過RBF神經(jīng)網(wǎng)絡(luò)逼近外部未知擾動，并將預(yù)測結(jié)果補償給控制器以提高軌跡跟蹤的魯棒性。最后，應(yīng)用仿真模擬方法驗證無人機控制系統(tǒng)穩(wěn)定性和性能優(yōu)勢，通過飛行試驗驗證，微風(fēng)聚攏環(huán)境下實際飛行軌跡與仿真模擬結(jié)果趨于一致，自主軌跡跟蹤起降位置偏差小于1cm，證明了所提出算法的有效性。

摘要:針對傳統(tǒng)采棉機器人因單一視角和二維圖像信息帶來的視覺感知局限問題，本文提出了一種多視角三維點云配準方法，以增強采棉機器人實時三維視覺感知能力。采用4臺固定位姿的Realsense D435型深度相機，從不同視角獲取棉花點云數(shù)據(jù)。通過AprilTags算法標定出深度相機RGB成像模塊與Tag標簽的相對位姿，并基于深度相機中RGB成像模塊與立體成像模塊坐標系間的轉(zhuǎn)換關(guān)系，解算出各個相機間點云坐標的對應(yīng)變換，進而實現(xiàn)點云間的融合配準。結(jié)果表明，本文配準方法的全局配準平均距離誤差為0.93cm，平均配準時間為0.025s，表現(xiàn)出較高的配準精度和效率。同時，為滿足采棉機器人感知的實時性要求，本文對算法中點云獲取、背景濾波和融合配準等步驟進行了效率分析及優(yōu)化，最終整體算法運行速度達到29.85f/s，滿足采棉機器人感知系統(tǒng)實時性需求。

摘要:為解決秸稈撿拾致密成型機主軸轉(zhuǎn)速自動控制問題，以利于致密成型機全程智能化作業(yè)，設(shè)計了電液控制系統(tǒng)的數(shù)學(xué)模型與轉(zhuǎn)速預(yù)測模型，提出了一種基于GPC-ILC的致密成型機主軸轉(zhuǎn)速控制方法，通過采集先前成型機運行過程中的輸入、輸出數(shù)據(jù)，使用帶遺忘因子的最小二乘法辨識廣義預(yù)測控制的參數(shù)模型并計算預(yù)測輸出值，根據(jù)以往過程的累計平均模型誤差修正預(yù)測輸出值，并引出迭代學(xué)習(xí)控制律，在線實時計算新的控制量，實現(xiàn)主軸轉(zhuǎn)速的控制。場地收獲試驗表明：增負荷時，轉(zhuǎn)速最大動態(tài)偏差為3.21r/min，與目標值的偏差為2.6%，最大余差為1.23r/min；減負荷時，最大動態(tài)偏差為2.23r/min，與目標值的偏差為2.47%，最大余差為0.89r/min；增減負荷轉(zhuǎn)速達到穩(wěn)定時間小于5s，超調(diào)量小于3%。田間試驗表明：最大動態(tài)偏差為3.75r/min，與目標值的偏差為3.47%，最大余差為1.79r/min，滿足成型機田間作業(yè)的需求。GPC-ILC算法可及時校正模型失配、干擾引起的轉(zhuǎn)速控制的不確定性。

摘要:針對制種玉米利用大田玉米剝皮機作業(yè)籽粒損失大等現(xiàn)象，本文對剝皮過程中制種玉米果穗與剝皮機構(gòu)間的碰撞和摩擦進行理論分析，得到了影響剝皮效果的主要因素，建立了玉米果穗-剝皮機構(gòu)系統(tǒng)的離散元與多體動力學(xué)柔性模型，利用DEM-MBD聯(lián)合仿真技術(shù)對制種玉米與剝皮機構(gòu)互作過程進行模擬研究，采用Box-Behnken試驗設(shè)計原理，以壓送器與剝皮輥間距、剝皮輥轉(zhuǎn)速和剝皮輥間隙為試驗因素，以果穗平均前進速度和最大受力為試驗指標，進行三因素三水平試驗，最后進行臺架試驗和田間試驗。理論分析結(jié)果表明：玉米果穗沿剝皮輥軸線方向的前進速度和剝皮過程中所受的作用力能夠分別表征苞葉剝凈率與籽粒損失率；試驗結(jié)果表明，制種玉米剝皮機構(gòu)最佳工作參數(shù)組合：壓送器與剝皮輥間距為32mm、剝皮輥轉(zhuǎn)速為430r/min、剝皮輥間隙為-0.3mm，此時玉米果穗苞葉剝凈率為93.33%，籽粒脫落率為1.802%，籽粒破損率為1.203%，機具田間試驗與臺架試驗結(jié)果誤差小于3%。試驗所用剝皮輥滿足制種玉米剝皮的性能要求，所用方法能夠為制種玉米剝皮機構(gòu)的改進提供參考。

摘要:針對現(xiàn)有的小型馬鈴薯收獲機篩面土塊破碎效果不佳而影響分離效率和收獲品質(zhì)等問題，結(jié)合北方馬鈴薯主產(chǎn)區(qū)收獲模式和常用桿條式分離裝置，設(shè)計了一款馬鈴薯收獲機擾動分離裝置。在闡述總體結(jié)構(gòu)及工作原理基礎(chǔ)上，結(jié)合馬鈴薯的碰撞特性和土塊的破碎過程分析，得到影響薯塊損傷和土塊破碎的主要因素為擾動深度、偏心輪轉(zhuǎn)速和偏心距；通過EDEM-RecurDyn耦合構(gòu)建仿真模型，單因素試驗得到擾動桿數(shù)量最優(yōu)為4，以擾動深度、偏心輪轉(zhuǎn)速和偏心距為試驗因素，以馬鈴薯碰撞力和土塊破碎率為評價指標，運用Box-Behnken中心組合設(shè)計方法進行仿真試驗，對試驗結(jié)果進行方差分析，利用響應(yīng)面分析了各交互因素對試驗指標的影響規(guī)律，結(jié)合實際工況確定影響因素最佳取值。驗證試驗表明：當(dāng)收獲機分離篩運行速度為0.7m/s、擾動深度為51.5mm、偏心輪轉(zhuǎn)速通過調(diào)速器設(shè)為2.3r/s、偏心距為31mm時，土塊破碎率為60.7%，電子馬鈴薯采集的碰撞加速度峰值平均值為790.66m/s2，小于馬鈴薯臨界損傷閾值。

摘要:針對青皮核桃和樹枝等障礙物無序生長導(dǎo)致機械臂采摘環(huán)境復(fù)雜、訓(xùn)練任務(wù)量大、穩(wěn)定性差等普遍存在的問題，本文設(shè)計了一種同步帶模組與機械臂協(xié)作的采摘裝置，并采用基于事后經(jīng)驗回放的雙延遲深度確定性策略梯度算法（Twin delayed deep deterministic policy gradient with hindsight experience replay，HER-TD3）對采摘機械臂進行路徑規(guī)劃，通過HER算法提高智能體的探索能力，緩解稀疏獎勵的問題；通過TD3算法提高智能體的穩(wěn)定性，減少了訓(xùn)練中出現(xiàn)的震蕩現(xiàn)象。為了證明HER-TD3算法的可行性和泛化能力，引入TD3、HER-DDPG算法進行對比，采用降維訓(xùn)練方法對3種深度強化學(xué)習(xí)智能體進行訓(xùn)練，結(jié)果表明HER-TD3算法模型在完成路徑規(guī)劃任務(wù)中成功率達到98%，與HER-DDPG算法相比提高4個百分點，與TD3算法相比提高19個百分點；在CoppeliaSim軟件中搭建三維模型仿真環(huán)境，設(shè)計初始姿態(tài)和碰撞檢測，使用YOLO v4識別青皮核桃，通過該算法模型能夠引導(dǎo)虛擬采摘機械臂避開樹枝障礙物達到目標位置，完成無碰撞路徑規(guī)劃，無障礙物和有障礙物時路徑規(guī)劃成功率分別為91%和86%；利用物理樣機進行青皮核桃采摘試驗時，仍能較好地完成路徑規(guī)劃任務(wù)，無障礙物時采摘路徑規(guī)劃成功率為86.7%，平均運動時間為12.8s，有障礙物時采摘路徑規(guī)劃成功率為80.0%，平均運動時間為13.6s，驗證了HER-TD3算法對復(fù)雜環(huán)境具有較好的適應(yīng)性和穩(wěn)定性。

摘要:智慧果園是未來果園行業(yè)發(fā)展的趨勢，智能化果實采摘是發(fā)展智慧果園的關(guān)鍵問題。為實現(xiàn)智能化果實采摘，本文搭建了一種適用于丘陵果園矮化栽培模式下的柑橘采摘機器人系統(tǒng)。針對丘陵果園壟間地面凹凸不平，存在地形傾斜角0°~20°，設(shè)計了一種自適應(yīng)調(diào)平平臺保持機械臂基座水平；通過視覺系統(tǒng)獲取多幅點云圖像建立果樹的三維點云模型，獲取果實位置信息；為避免采摘時造成果實損傷，結(jié)合柑橘類水果的采摘特點，設(shè)計了一種剪切夾持一體化的末端執(zhí)行器完成柑橘采摘。針對果園自然環(huán)境的主要擾動因素（風(fēng)和光照）進行分級，設(shè)置10組對比試驗，結(jié)果表明：在低光照或正常光照條件下，平均果實定位準確率為82.5%，末端執(zhí)行器夾取成功率為87.5%，平均采摘時間最短為12.3s/個；高光照條件下平均果實定位準確率為72%，末端執(zhí)行器夾取成功率為80%，平均采摘時間最短為12.5s/個。

摘要:為了探究微型離心泵在不同顆粒體積分數(shù)下的復(fù)合磨損類型與磨損變化，基于計算流體動力學(xué)與離散元耦合的方法，通過可變形磨料磨損Archard模型與可變形沖蝕磨損Oka模型對離心泵在不同顆粒體積分數(shù)（2%、4%、6%、8%、10%、12%）下的顆粒-部件碰撞占比率、磨損分布與演化進行了研究。通過對比實驗發(fā)現(xiàn)顆粒體積分數(shù)在4%附近時顆粒與葉輪葉片、蝸殼碰撞占比率呈現(xiàn)不同的變化趨勢。離心泵磨損以磨料磨損為主，磨料磨損中蝸殼為磨損最嚴重的部件，占總磨料磨損量的68.5%，隨著顆粒體積分數(shù)的增加，蝸殼處磨料磨損由斷面Ⅷ向斷面Ⅰ演化，蝸殼前后端先后磨損。沖蝕磨損高磨損區(qū)域主要集中于葉輪葉片，占沖蝕磨損總量的95.83%，蝸殼處沖蝕磨損斷面演化規(guī)律與磨料磨損變化規(guī)律近似，但蝸殼后端最先被磨損。顆粒體積分數(shù)對蝸殼磨料磨損變形量影響較大，蝸殼、葉輪磨料磨損變形量與沖蝕磨損變形量具有相似的變化趨勢。

摘要:為進一步提高無人機遙感估產(chǎn)的精度，本研究以2021—2022年的覆膜冬小麥為研究對象，對返青期、拔節(jié)期、抽穗期和灌漿期的多光譜影像進行覆膜背景剔除，并優(yōu)選最佳遙感窗口期，基于最優(yōu)植被指數(shù)構(gòu)建覆膜冬小麥估產(chǎn)模型。結(jié)果表明，利用支持向量機監(jiān)督分類法剔除覆膜背景后冠層反射率更接近真實值，抽穗期和灌漿期的估產(chǎn)精度更高。將不同生育期的植被指數(shù)與產(chǎn)量進行相關(guān)性分析發(fā)現(xiàn)，最佳遙感窗口期為抽穗期?；谥鸩交貧w和全子集回歸法優(yōu)選最優(yōu)植被指數(shù)時發(fā)現(xiàn)，基于逐步回歸法篩選變量為MCARI、MSR、EVI2、NDRE、VARI、NDGI、NGBDI、ExG時產(chǎn)量反演模型精度最高。此外，利用偏最小二乘法、人工神經(jīng)網(wǎng)絡(luò)和隨機森林3種機器學(xué)習(xí)法構(gòu)建的產(chǎn)量反演模型中，基于逐步回歸法的隨機森林模型的反演精度最高，R2為0.82，RMSE為0.84t/hm2。該研究可為提高遙感估產(chǎn)精度、實現(xiàn)農(nóng)業(yè)生產(chǎn)精細化管理提供技術(shù)支持。

摘要:針對無人機圖像背景復(fù)雜、小麥密集、麥穗目標較小以及麥穗尺寸不一等問題，提出了一種基于FE-P2Pnet（Feature enhance-point to point）的無人機小麥圖像麥穗自動計數(shù)方法。對無人機圖像進行亮度和對比度增強，增大麥穗目標與背景之間的差異度，減少葉、稈等復(fù)雜背景因素的影響。引入了基于點標注的網(wǎng)絡(luò)P2Pnet作為基線網(wǎng)絡(luò)，以解決麥穗密集的問題。同時，針對麥穗目標小引起的特征信息較少的問題，在P2Pnet的主干網(wǎng)絡(luò)VGG16中添加了Triplet模塊，將C(通道)、H(高度)和W(寬度)3個維度的信息交互，使得主干網(wǎng)絡(luò)可以提取更多與目標相關(guān)的特征信息；針對麥穗尺寸不一的問題，在FPN(Feature pyramid networks)上增加了FEM(Feature enhancement module)和SE(Squeeze excitation)模塊，使得該模塊能夠更好地處理特征信息和融合多尺度信息；為了更好地對目標進行分類，使用Focal Loss損失函數(shù)代替交叉熵損失函數(shù)，該損失函數(shù)可以對背景和目標的特征信息進行不同的權(quán)重加權(quán)，進一步突出特征。實驗結(jié)果表明，在本文所構(gòu)建的無人機小麥圖像數(shù)據(jù)集(Wheat-ZWF)上，麥穗計數(shù)的平均絕對誤差（MAE）、均方誤差（MSE）和平均精確度(ACC)分別達到3.77、5.13和90.87%，相較于其他目標計數(shù)回歸方法如MCNN(Multi-column convolutional neural network)、CSRnet（Congested scene recognition network)和WHCNETs (Wheat head counting networks)等，表現(xiàn)最佳。與基線網(wǎng)絡(luò)P2Pnet相比，MAE和MSE分別降低23.2%和16.6%，ACC提高2.67個百分點。為了進一步驗證本文算法的有效性，對采集的其它4種不同品種的小麥（AK1009、AK1401、AK1706和YKM222）進行了實驗，實驗結(jié)果顯示，麥穗計數(shù)MAE和MSE平均為5.10和6.17，ACC也達到89.69%，表明本文提出的模型具有較好的泛化性能。

摘要:針對無人機采集的茶葉枯病圖像中病斑差異大，病斑和背景之間相似性高等問題，設(shè)計了一個輕量型網(wǎng)絡(luò)LiTLBNet，用于準確、實時地檢測野外茶園無人機圖像中的茶葉枯病。LiTLBNet使用輕量型的M-Backbone作為骨干網(wǎng)絡(luò)，用來提取茶葉枯病病斑的可區(qū)分特征，減少因圖像中病斑的尺度、顏色和形狀的巨大差異而導(dǎo)致的漏檢。在LiTLBNet的LNeck結(jié)構(gòu)中引入了SE和ECA模塊，幫助網(wǎng)絡(luò)在通道維度上學(xué)習(xí)目標的綜合特征，減少因病斑和背景之間的相似性造成的誤檢，同時刪除原基線網(wǎng)絡(luò)最大的特征圖，以減少計算量和模型大小。此外，本研究還通過旋轉(zhuǎn)、加噪聲、構(gòu)建合成圖像等方式來擴充訓(xùn)練樣本數(shù)量，提高小樣本條件下LiTLBNet網(wǎng)絡(luò)泛化能力。實驗結(jié)果表明，利用LiTLBNet檢測無人機遙感圖像中茶葉枯病的精度為75.1%，平均精度均值為78.5%，與YOLO v5s接近。然而，LiTLBNet內(nèi)存占用量僅2.0MB，是YOLO v5s網(wǎng)絡(luò)的13.9%。LiTLBNet網(wǎng)絡(luò)可用于對茶葉枯病進行實時、準確的無人機遙感監(jiān)測。

摘要:不同產(chǎn)地的花生質(zhì)量差異明顯，貼優(yōu)質(zhì)產(chǎn)地標簽販賣劣質(zhì)花生的現(xiàn)象時有發(fā)生。本文基于電子鼻與高光譜系統(tǒng)的無損檢測技術(shù)，提出雙模態(tài)融合特征注意力（Bimodal fusion feature attention，DFFA）并設(shè)計DFFA-Net以實現(xiàn)花生質(zhì)量辨識。首先，利用電子鼻與高光譜系統(tǒng)獲取7個不同產(chǎn)地花生氣體信息和光譜信息，花生自內(nèi)而外的氣體信息可以表征其整體宏觀質(zhì)量，不同化學(xué)鍵及官能團的光譜信息差異可以表征其整體微觀質(zhì)量；然后，提出DFFA以自適應(yīng)融合氣體-光譜雙模態(tài)信息并關(guān)注影響分類性能的重要特征，并結(jié)合消融實驗證明了雙模態(tài)信息融合的必要性；最后，基于提出的DFFA模塊，經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化得到DFFA-Net以實現(xiàn)不同產(chǎn)地花生質(zhì)量的有效辨識。通過消融分析、多注意力機制分類性能對比，DFFA-Net獲得了最佳分類性能：準確率為98.10％、精確率為98.15％、召回率為97.88％，驗證了DFFA-Net在花生產(chǎn)地辨識中的有效性。提出的DFFA-Net結(jié)合電子鼻和高光譜系統(tǒng)實現(xiàn)了不同產(chǎn)地花生的質(zhì)量辨識，為花生市場質(zhì)量監(jiān)督提供了有效的技術(shù)方法。

摘要:苗期作物三維結(jié)構(gòu)的精準高效重建是獲取表型信息的重要基礎(chǔ)。傳統(tǒng)的三維重建大多基于運動恢復(fù)結(jié)構(gòu)-多視圖立體視覺（Structure from motion and multi-view stereo，SFM-MVS）算法，計算成本高，難以滿足快速獲取表型參數(shù)的需求。本研究提出一種基于神經(jīng)輻射場（Neural radiance fields，NeRF）的苗期作物三維建模和表型參數(shù)獲取系統(tǒng)，利用手機獲取不同視角下的RGB影像，通過NeRF算法完成三維模型的構(gòu)建。在此基礎(chǔ)上，利用點云庫（Point cloud library，PCL）中的直線擬合和區(qū)域生長等算法自動分割植株，并采用距離最值遍歷、圓擬合和三角面片化等算法實現(xiàn)了精準測量植株的株高、莖粗和葉面積等表型參數(shù)。為評估該方法的重建效率和表型參數(shù)測量精度，本研究分別選取辣椒、番茄、草莓和綠蘿的苗期植株作為試驗對象，對比NeRF算法與SFM-MVS算法的重建結(jié)果。結(jié)果表明，以SFM-MVS方法重建點云為基準，NeRF方法重建的各植株點云點對距離均方根誤差僅為0.128~0.395cm，兩者重建質(zhì)量較接近，但在重建速度方面，本文研究方法相比于SFM-MVS方法平均重建速度提高700%。此外，該方法提取辣椒苗株高、莖粗決定系數(shù)（R2）分別為0.971和0.907，均方根誤差（RMSE）分別為0.86cm和0.017cm，對各苗期植株葉面積提取的R2為0.909~0.935，RMSE為0.75 ~3.22cm2，具有較高的測量精度。本研究提出的方法可以顯著提高三維重建和表型參數(shù)獲取效率，從而為作物育種選苗提供更為高效的技術(shù)手段。

摘要:針對自然環(huán)境下油茶果存在嚴重遮擋、近景色、小目標等現(xiàn)象，使用YOLO網(wǎng)絡(luò)存在檢測精度低、漏檢現(xiàn)象嚴重等問題，提出對YOLO v8n網(wǎng)絡(luò)進行改進。首先使用MPDIOU作為YOLO v8n的損失函數(shù)，有效解決因為果實重疊導(dǎo)致的漏檢問題；其次調(diào)整網(wǎng)絡(luò)，向其中加入小目標檢測層，使網(wǎng)絡(luò)能夠關(guān)注小目標油茶以及被樹葉遮擋的油茶；最后使用SCConv作為特征提取網(wǎng)絡(luò)，既能兼顧檢測精度又能兼顧檢測速度。改進COF-YOLO v8n網(wǎng)絡(luò)精確率、召回率、平均精度均值分別達到97.7%、97%、99%，比未改進的YOLO v8n分別提高3.2、4.8、2.4個百分點，其中嚴重遮擋情況下油茶檢測精確率、召回率、平均精度均值分別達到 95.9%、95%、98.5%，分別比YOLO v8n提高4.0、9.1、4.6個百分點。因此改進后COF-YOLO v8n網(wǎng)絡(luò)能夠明顯提高油茶在嚴重遮擋、近景色、小目標均存在情況下的識別精度，減小油茶的漏檢。此外，模型能夠?qū)崿F(xiàn)動、靜態(tài)輸入條件下油茶果計數(shù)。動態(tài)計數(shù)借鑒DeepSORT算法的多目標跟蹤思想，將改進后COF-YOLO v8n的識別輸出作為DeepSORT的輸入，實現(xiàn)油茶果實的追蹤計數(shù)。所得改進模型具有很好的魯棒性，且模型簡單可以嵌入到邊緣設(shè)備中，不僅可用于指導(dǎo)自動化采收，還可用于果園產(chǎn)量估計，為果園物流分配提供可靠借鑒。

摘要:針對蘋果葉片病害圖像識別存在數(shù)據(jù)集獲取困難、樣本不足、識別準確率低等問題，提出基于多尺度特征提取的病害識別網(wǎng)絡(luò)(Multi-scale feature extraction ConvNext, M-ConvNext)模型。采用一種結(jié)合改進的循環(huán)一致性生成對抗網(wǎng)絡(luò)與仿射變換的數(shù)據(jù)增強方法(Improved CycleGAN and affine transformation, CycleGAN-IA)，首先，使用較小感受野的卷積核和殘差注意力模塊優(yōu)化CycleGAN網(wǎng)絡(luò)結(jié)構(gòu)，使用二值交叉熵損失函數(shù)代替CycleGAN網(wǎng)絡(luò)的均方差損失函數(shù)，以此生成高質(zhì)量樣本圖像，提高樣本特征復(fù)雜度；然后，對生成圖像進行仿射變換，提高數(shù)據(jù)樣本的空間復(fù)雜度，該方法解決了數(shù)據(jù)樣本不足的問題，用于輔助后續(xù)的病害識別模型。其次，構(gòu)建M-ConvNext網(wǎng)絡(luò)，該網(wǎng)絡(luò)設(shè)計G-RFB模塊獲取并融合各個尺度的特征信息，GELU激活函數(shù)增強網(wǎng)絡(luò)的特征表達能力，提高蘋果葉片病害圖像識別準確率。最后，實驗結(jié)果表明，CycleGAN-IA數(shù)據(jù)增強方法可以對數(shù)據(jù)集起到良好的擴充作用，在常用網(wǎng)絡(luò)上驗證，增強后的數(shù)據(jù)集可以有效提高蘋果葉片病害圖像識別準確率；通過消融實驗可得，M-ConvNex識別準確率可達9918%，較原ConvNext網(wǎng)絡(luò)準確率提高0.41個百分點，較ResNet50、MobileNetV3和EfficientNetV2網(wǎng)絡(luò)分別提高3.78、7.35、4.07個百分點，為后續(xù)農(nóng)作物病害識別提供了新思路。

摘要:針對自然場景下的棗品種識別問題，以棗果為研究對象的機器視覺技術(shù)已成為棗品種精準識別的主流方法之一。針對棗品種存在類間差異小、類內(nèi)差異大的問題，提出了一種基于多器官特征融合的棗品種識別方法。首先利用YOLO v3檢測算法將采集的自然場景圖像中的棗果和葉片器官分割提取，提出了基于笛卡爾乘積構(gòu)建兩器官組合對的棗品種多樣本數(shù)據(jù)集，然后基于EfficientNetV2網(wǎng)絡(luò)模型，設(shè)計了能夠充分學(xué)習(xí)兩器官特征相關(guān)性的融合策略來提升模型性能，引入了逐步遷移訓(xùn)練方式以提升棗品種識別效率。最后，在構(gòu)建的包含20個棗品種數(shù)據(jù)集上進行了大量實驗，得到97.04%的識別準確率，明顯優(yōu)于現(xiàn)有研究結(jié)果，并且在訓(xùn)練時間和收斂速度上，本方法也有一定提升。結(jié)果表明該方法能夠有效融合棗品種棗果和葉片器官的特征信息，可為其他品種識別研究提供參考。

摘要:識別動物行為可以為疾病預(yù)防和合理喂養(yǎng)提供重要依據(jù)，從而有助于更好地關(guān)注動物的健康和福利。本文提出了一種融合三維殘差卷積神經(jīng)網(wǎng)絡(luò)、雙向長短期記憶網(wǎng)絡(luò)和注意力機制的深度學(xué)習(xí)網(wǎng)絡(luò)模型（AdRes3D-BiLSTM）。AdRes3D-BiLSTM模型可以直接針對視頻流進行識別，在AdRes3D部分引入了深度可分離卷積和注意力機制，不但減少了浮點運算量，提升了網(wǎng)絡(luò)輕量化程度，還提高了時間和空間兩個維度的特征提取能力；提取的特征被輸入BiLSTM模塊后，從前后2個方向?qū)r序特征向量進行篩選和更新，最后對羊只行為進行準確識別。試驗結(jié)果表明，AdRes3D-BiLSTM對羊只站立、躺臥、進食、行走和反芻5種行為的綜合識別準確率達到了98.72%，幀速率達到52.79f/s，模型內(nèi)存占用量為28.03MB。研究結(jié)果為基于視頻流的動物行為識別提供了新的方法和思路。

摘要:日常行為是家畜健康狀況的重要體現(xiàn)，在傳統(tǒng)的行為識別方法中，通常需要人工或者依賴工具對家畜進行觀察。為解決以上問題，基于YOLO v5n模型，提出了一種高效的綿羊行為識別方法，利用目標識別算法從羊圈斜上方的視頻序列中識別舍養(yǎng)綿羊的進食、躺臥以及站立行為。首先用攝像頭采集養(yǎng)殖場中羊群的日常行為圖像，構(gòu)建綿羊行為數(shù)據(jù)集；其次在YOLO v5n的主干特征提取網(wǎng)絡(luò)中引入SE注意力機制，增強全局信息交互能力和表達能力，提高檢測性能；采用GIoU損失函數(shù)，減少訓(xùn)練模型時的計算開銷并提升模型收斂速度；最后，在Backbone主干網(wǎng)絡(luò)中引入GhostConv卷積，有效地減少了模型計算量和參數(shù)量。實驗結(jié)果表明，本研究提出的GS-YOLO v5n目標檢測方法參數(shù)量僅為1.52×106，相較于原始模型YOLO v5n減少15%；浮點運算量為3.3×109，相較于原始模型減少30%；且平均精度均值達到95.8%，相比于原始模型提高4.6個百分點。改進后模型與當(dāng)前主流的YOLO系列目標檢測模型相比，在大幅減少模型計算量和參數(shù)量的同時，檢測精度均有較高提升。在邊緣設(shè)備上進行部署，達到了實時檢測要求，可準確快速地對綿羊進行定位并檢測。

摘要:Myring流線型在水下航行器領(lǐng)域應(yīng)用較為廣泛，而量水槽在渠道中的受阻狀態(tài)與潛水器潛行時受到的阻力情況具有一定的相似之處，因此本文借鑒潛水器的結(jié)構(gòu)特點進行量水槽體型設(shè)計，探究量水槽受阻最小的較優(yōu)線型?；贔LOW-3D軟件，采用最優(yōu)拉丁超立方設(shè)計方法，以流線型的收縮段長度和銳度因子、擴散段長度和離去角為變量設(shè)計了40組數(shù)值模擬方案，得到對應(yīng)的水頭損失百分比和上游佛汝德數(shù)。以數(shù)值模擬變量為輸入、結(jié)果為輸出，訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，結(jié)合NSGA-Ⅱ遺傳算法獲得Patero前沿解，通過TOPSIS評價法篩選出最優(yōu)解并得出其線形參數(shù)：優(yōu)化模型收縮段長度為45.9cm、收縮段銳度因子為0.74、擴散段長度為49.2cm、擴散段離去角為14.63°，并通過等比例縮放得到6組收縮比，在9組流量下進行模型試驗分析水力性能。結(jié)果表明，優(yōu)化后線型過流較順暢，水力性能較優(yōu)，預(yù)測結(jié)果和模擬結(jié)果誤差不超過5%；不同工況下上游佛汝德數(shù)均小于0.5，滿足測流規(guī)范要求，收縮比為0.58~0.66時各項水力性能均較優(yōu)；基于臨界流測流和量綱分析原理得到的測流公式精度較高，平均相對誤差為2.09%。本研究證明了將流線型運用于量水槽領(lǐng)域研究以及通過神經(jīng)網(wǎng)絡(luò)和遺傳算法尋優(yōu)的可行性，優(yōu)化后Myring流線型量水槽具有良好的性能和測流精度，在灌區(qū)渠道中具有較好的運用前景。

摘要:傳統(tǒng)畦灌模型多是基于非恒定漸變流方程建立的，在模擬變流量畦灌水流運動時的精度難以保障。本文綜合分析了變流量畦灌過程中田面水流的運動狀況，將其按照邊界條件的不同劃分為恒定流量進水階段、變流量進水階段、畦首消退階段、田面消退第1階段、田面消退第2階段等5個階段，基于非恒定漸變流方程和非恒定急變流方程構(gòu)建了適用于變流量畦灌系統(tǒng)的漸變流-急變流數(shù)值模型，通過2組恒定流量畦灌、4組變流量畦灌的田間試驗以及2組文獻資料中的畦灌試驗數(shù)據(jù)對模型進行了驗證。結(jié)果表明，漸變流-急變流畦灌模型模擬值與現(xiàn)場實測結(jié)果吻合較好，模擬推進時間決定系數(shù)R2均大于0.96、模擬消退時間R2大于0.90。與目前常用的WinSRFR模型相比，漸變流-急變流畦灌數(shù)值模型在模擬恒定流量畦灌方面具有相似的精度，且在模擬變流量畦灌方面精度更高。漸變流-急變流畦灌模型可以較精準地模擬變流量畦灌的水流運動狀況，可為分析變流量畦灌系統(tǒng)、優(yōu)化變流量畦灌方案提供支撐。

摘要:為探究西南干熱河谷地區(qū)典型經(jīng)濟林木橙子樹的蒸騰耗水機制，利用熱擴散式探針TDP、冠層分析儀、土壤水分傳感器TDR、全自動氣象站等設(shè)備獲取橙子樹蒸騰量、葉面積指數(shù)、土壤含水率和氣象因子（氣溫、輻射、飽和水汽壓差、降雨量等）的長期數(shù)據(jù)。對橙子樹蒸騰規(guī)律的環(huán)境控制和生理調(diào)節(jié)特征進行系統(tǒng)研究，結(jié)果表明：相比于干季和雨季，干熱季橙子樹表現(xiàn)出較為保守的水分利用機制，日蒸騰量、冠層導(dǎo)度和退耦系數(shù)都顯著低于其他兩個季節(jié)。干季和雨季，橙子樹蒸騰活動受太陽輻射和飽和水汽壓差的交替控制，而干熱季蒸騰活動主要受飽和水汽壓差的驅(qū)動。冠層導(dǎo)度與氣象因子日內(nèi)動態(tài)變化特征之間存在時滯效應(yīng)，且這種效應(yīng)在不同天氣不同季節(jié)具有差異。受葉面積指數(shù)影響，飽和水汽壓差與冠層導(dǎo)度在整個年份呈負對數(shù)相關(guān)關(guān)系，其他環(huán)境因子與冠層導(dǎo)度在葉面積指數(shù)小于4m2/m2時呈負對數(shù)相關(guān)關(guān)系，大于等于4m2/m2時呈二次函數(shù)相關(guān)關(guān)系。不同環(huán)境條件下雖然冠層導(dǎo)度對飽和水汽壓差的敏感性不同，但蒸騰耗水在大多數(shù)環(huán)境條件下基本遵循等水勢調(diào)節(jié)策略，但個別環(huán)境條件下存在環(huán)境脅迫應(yīng)對失衡風(fēng)險。研究結(jié)果可為干熱河谷區(qū)橙子園環(huán)境脅迫診斷提供直接依據(jù)，有利于灌溉制度的科學(xué)優(yōu)化和節(jié)水調(diào)控技術(shù)體系的高效制定。

摘要:稻麥輪作區(qū)高標準農(nóng)田建設(shè)中，通過加深排水溝提高麥作期農(nóng)田排水降漬能力的同時，加大稻作期農(nóng)田排水輸出，不僅降低了水資源利用效率，而且加重了接納水體的污染。本文基于江蘇省揚州市沿運灌區(qū)稻麥輪作農(nóng)田排水水文水質(zhì)過程的監(jiān)測結(jié)果，利用田間水文模型（DRAINMOD）模擬了長序列氣象條件下，灌區(qū)提高農(nóng)田降漬能力對稻田排水、氮素流失及灌溉需求的負面影響以及控制排水措施的積極效果。結(jié)果表明，在節(jié)水灌溉模式下，研究區(qū)排水溝深度由現(xiàn)狀的60cm加深至120cm，排水間距由120m加密至20m時，稻作期排水量與總氮（TN）輸出負荷增加9.0%～22.2%、氨氮（NH3N）輸出負荷增加4.0%～16.8%、灌溉用水量增加9.6%～23.4%。若結(jié)合田間管理要求，實施控制排水則可有效緩解提高農(nóng)田降漬能力造成的負面影響；當(dāng)排水溝深為120cm，間距為120～20m時，稻作期控制排水可使排水量和TN輸出負荷減少19.3%～35.3%、NH3N輸出負荷減少7.6%～27.2%、灌溉用水量減少22.9%～40.0%。由于控制排水降低了地下排水梯度，相較于傳統(tǒng)排水，農(nóng)溝從60cm加深至120cm時，地下排水平均占比降至50.7%，灌溉用水量相應(yīng)減少。綜上，稻麥輪作農(nóng)田控制排水具有顯著的節(jié)水減排作用，可有效降低高標準農(nóng)田建設(shè)中提高降漬能力所產(chǎn)生的負面影響。研究成果可為稻麥輪作區(qū)高標準農(nóng)田建設(shè)與水環(huán)境保護提供理論依據(jù)與技術(shù)支撐。

摘要:為探尋不同灌溉模式下秸稈還田形式對黑土區(qū)稻田N2O排放與產(chǎn)量的影響，于2023年進行大田試驗，設(shè)置常規(guī)灌溉（F）與控制灌溉（C）兩種灌溉模式，同時設(shè)置秸稈還田（S）、秸稈炭化為生物炭還田（B）、秸稈過牛腹為有機肥還田（O）3種還田形式，以及秸稈不還田（N）作為對照組，共計8個處理。分析不同灌溉模式下秸稈還田形式對稻田N2O排放通量與水稻產(chǎn)量的影響，測定了水稻各生育期稻田土壤銨態(tài)氮含量、硝態(tài)氮含量、微生物氮含量、pH值，并分析了N2O排放總量和水稻產(chǎn)量與土壤環(huán)境因子之間的關(guān)系。結(jié)果表明：除返青期外，與秸稈不還田處理相比，秸稈還田與有機肥還田處理土壤銨態(tài)氮含量、硝態(tài)氮含量、微生物氮含量均表現(xiàn)為增加。相同秸稈還田形式下，控制灌溉模式下各處理生育期內(nèi)土壤平均銨態(tài)氮含量、硝態(tài)氮含量較常規(guī)灌溉模式高36.23%~60.82%、14.16%~19.61%。同時，秸稈還田與生物炭還田能提高稻田土壤pH值。相同灌溉模式下，與秸稈不還田處理相比較，秸稈還田與有機肥還田處理N2O排放總量分別增加14.44%~24.09%、8.22%~14.44%，生物炭還田處理N2O排放總量降低14.31%~23.90%。生物炭還田與有機肥還田各處理水稻產(chǎn)量提高3.28%~13.07%，其中控制灌溉模式下生物炭還田處理產(chǎn)量最高。綜上所述，控制灌溉下生物炭還田可以實現(xiàn)節(jié)水、增產(chǎn)、減排的目的。

摘要:土壤鹽漬化嚴重制約農(nóng)田土壤環(huán)境的循環(huán)發(fā)展，高效準確地監(jiān)測土壤鹽分動態(tài)變化對鹽堿地改良利用具有重要意義。為及時、有效地監(jiān)測鹽漬化土壤含鹽量，以內(nèi)蒙古黃河南岸灌區(qū)的4個典型鹽堿化耕地改良示范區(qū)為例，利用Sentinel-2多光譜遙感影像，同步采集示范區(qū)內(nèi)表層土壤的含鹽量數(shù)據(jù)，通過相關(guān)性分析篩選敏感光譜指標，基于偏最小二乘回歸（PLSR）、逐步回歸（SR）、嶺回歸（RR）3種簡單機器學(xué)習(xí)模型和深度學(xué)習(xí)Transformer模型建模，最后進行精度評價并優(yōu)選出最佳含鹽量反演模型。結(jié)果表明：示范區(qū)土壤反射率的可見光、紅邊、近紅外波段反射率均與土壤含鹽量呈正相關(guān)，短波紅外波段反射率與土壤含鹽量呈負相關(guān)，引入光譜指數(shù)能夠有效提升Sentinel-2遙感影像與示范區(qū)表層土壤含鹽量的相關(guān)性（相關(guān)系數(shù)絕對值不小于0.32）；對比不同模型發(fā)現(xiàn)深度學(xué)習(xí)Transformer模型優(yōu)于簡單機器學(xué)習(xí)模型，驗證集決定系數(shù)R2和均方根誤差（RMSE）分別為0.546和 2.687g/kg；含鹽量反演結(jié)果與實地結(jié)果相吻合，為更精準反演內(nèi)蒙古黃河南岸灌區(qū)鹽漬化程度提供了參考。

摘要:為探究DNDC模型在紅壤旱坡地N2O排放模擬的適用性，以贛北紅壤旱坡花生地為研究對象，設(shè)置常規(guī)耕作和輕簡化免耕2種處理，連續(xù)3年（2019—2021年）采用靜態(tài)箱-氣相色譜法開展N2O排放的田間原位觀測試驗，研究不同耕作處理下N2O排放特征及DNDC模型模擬效果。結(jié)果表明：DNDC模型對不同耕作處理下0~10cm土壤溫度（相關(guān)系數(shù)r為0.86~0.87）和作物產(chǎn)量（r為0.90）的模擬效果較好。該模型能較好地模擬花生季因施肥和降雨引起的N2O排放波動變化，也能較好地模擬常規(guī)耕作下土壤N2O排放峰，但會在一定程度上低估輕簡化免耕的N2O排放峰和排放總量，且模型對16mm以下的降雨響應(yīng)較小。土壤pH值、施肥量對紅壤旱坡花生地N2O排放的影響最大，降雨量、土壤有機碳含量和粘粒含量也是影響N2O排放的重要因子。模型模擬2019年不同施肥量下N2O排放總量與花生產(chǎn)量發(fā)現(xiàn)，氮肥施用量不能低于76.54kg/hm2，也不宜超過106.78kg/hm2。研究結(jié)果可為紅壤坡耕地作物種植優(yōu)化、農(nóng)業(yè)溫室氣體減排等提供理論依據(jù)。

摘要:為揭示秸稈粉碎還田后，不同腐解進程下土壤孔隙演化及其對水分和溶質(zhì)穿透特征的影響機理，設(shè)置不同秸稈還田量（0、5、10、15t/hm2）和還田時間（0、30、60d）處理，采用CT斷層掃描技術(shù)，視覺量化了土壤孔隙結(jié)構(gòu)特征演變，并基于溶質(zhì)穿透試驗，分析了水分-溶質(zhì)遷移優(yōu)先流規(guī)律。結(jié)果表明，秸稈還田引起土壤孔隙/喉道特征變化，抑制水分-溶質(zhì)遷移過程，田間持水率和土壤含水率上升，溶質(zhì)穿透變慢，優(yōu)先流現(xiàn)象減少，土壤水肥有效持留；隨秸稈腐解至60d，孔隙/喉道特征改變，優(yōu)先流開始發(fā)育，但土壤水肥持留能力增強。秸稈還田5、10、15t/hm2初期，和CK組相比大孔隙體積占比分別減少7%、14%、50%，連通孔隙減少11%、39%、66%，表層含水率增加1%、3%、6%。腐解60d后，和0d相比大孔隙體積占比分別增加331%、200%、357%，連通孔隙增加33%、84%、195%，表層含水率增加6%、5%、5%，完全穿透試樣所需溶質(zhì)減少55%、76%、67%?；贕reen-Ampt模型和指數(shù)衰減模型估算了不同秸稈初始投入量在不同腐解時間下的導(dǎo)水特征，發(fā)現(xiàn)飽和導(dǎo)水率在秸稈還田后減小，且隨秸稈腐解增大。研究可為控制大孔隙流和無效灌溉提供依據(jù)，進一步為秸稈科學(xué)還田提供實踐指導(dǎo)。

摘要:本研究在人工光型植物工廠中采用巖棉種植番茄植株，分析了在總光量一致的基礎(chǔ)上紅光背景下藍光補充介入和藍光取代介入兩種非連續(xù)供光模式對番茄植株營養(yǎng)液無機元素吸收及葉片色素光譜參量的影響。結(jié)果表明，與連續(xù)紅光相比，藍光以不同方式介入均降低了番茄葉片中K元素含量而提高了莖中K元素含量，藍光介入一定程度上抑制了番茄K元素由莖向葉片的運輸；藍光以不同方式介入均提高了番茄地上部中Mg含量（增幅8.93%~13.63%），而降低了地上部Fe含量（降幅28%~48%）及Mn含量（降幅3.93%~21.24%）。其中藍光補充介入模式下番茄葉片中Mg元素含量隨著藍光補充強度的升高而增加，葉片Mg含量在藍光取代介入模式下高于藍光補充介入模式而地上部Fe含量趨勢則相反，藍光取代介入的非連續(xù)光模式較藍光補充介入模式而言更有利于刺激葉片中Mg的積累而抑制地上部Fe的積累。與連續(xù)紅光相比，藍光以不同方式介入后番茄葉片色素光譜參量Hue值（色相角）和MCARI值（修正葉綠素吸收比指數(shù)）均有所提高，相反，Red/Green值（紅綠區(qū)域光譜反射比）均有所降低，藍光補充介入模式下葉片Hue值和MCARI值隨藍光補充強度的升高而增大，R/RB80處理下Hue、MCARI值最高，較對照分別提高4%、124%；藍光取代模式下Hue值和MCARI值隨藍光間歇時間的延長先增大后減小，R/RB(1h)處理下Hue、MCARI值最高，較對照分別提高6%、215%。番茄葉片在綠光波段的反射率與各處理下Hue、MCARI值變化趨勢接近，而番茄葉片中Mg元素含量與葉綠素光譜參量呈正相關(guān)性。藍光取代介入的非連續(xù)光模式較藍光補充介入模式而言更有利于刺激葉片類胡蘿卜素分解和葉綠素積累，非連續(xù)供光模式通過調(diào)控番茄植株無機元素的吸收進而作用于葉片色素的形成。本研究為無土栽培番茄光環(huán)境調(diào)控提供了理論依據(jù)。

摘要:溫室番茄光合速率的準確預(yù)測對于番茄的生長和產(chǎn)量評估具有重要意義。然而，由于溫室環(huán)境的復(fù)雜性和多變性，傳統(tǒng)的光合速率預(yù)測模型往往難以滿足精準預(yù)測的需求。因此，為了進一步提高預(yù)測模型的準確性和穩(wěn)定性，本研究提出了一種基于多模型融合策略的溫室番茄光合速率預(yù)測方法。首先，采集溫濕度、光照強度、CO2濃度不同組合下的番茄光合速率，構(gòu)建樣本集，并采用五折交叉驗證法（Cross-Validation）對數(shù)據(jù)進行預(yù)處理。以預(yù)處理的數(shù)據(jù)為基礎(chǔ)，分別基于粒子群優(yōu)化支持向量機（PSO-SVR）、布谷鳥優(yōu)化極限學(xué)習(xí)機（CS-ELM）和北方蒼鷹優(yōu)化高斯過程回歸（NGO-GPR）算法建立番茄光合速率預(yù)測模型對光合速率進行初步預(yù)測，然后采用Stacking算法通過基于決策樹的集成學(xué)習(xí)模型（XGBoost）組合各基礎(chǔ)模型的預(yù)測結(jié)果，進而實現(xiàn)多模型融合。仿真分析結(jié)果表明，與單一預(yù)測模型相比，基于多模型融合的光合速率預(yù)測模型充分發(fā)揮了各基礎(chǔ)模型的優(yōu)勢，可以進一步提高光合速率預(yù)測的準確性和穩(wěn)定性,該模型驗證集MAE為0.5697μmol/（m2·s），RMSE為0.7214μmol/（m2·s）。因此，本文提出的方法在溫室作物光合速率預(yù)測方面具有一定的優(yōu)勢，可為溫室番茄等作物光環(huán)境優(yōu)化調(diào)控提供一定的理論基礎(chǔ)和技術(shù)支撐。

摘要:為研究稻谷的石墨烯低溫遠紅外干燥特性及其對稻谷干燥品質(zhì)的影響，以輻射溫度、排糧流量和除濕風(fēng)量為影響因素，以整精米率和應(yīng)力裂紋指數(shù)增值為評價指標，用自制的循環(huán)式石墨烯低溫遠紅外干燥機進行稻谷干燥試驗，通過BBD（Box-Behnken設(shè)計）響應(yīng)面法，分析了低溫遠紅外干燥對稻谷干燥品質(zhì)的影響以及工藝參數(shù)優(yōu)化。結(jié)果表明：影響稻谷干燥特性和品質(zhì)的最主要因素是輻射溫度，其次是排糧流量和除濕風(fēng)量。隨著輻射溫度的升高，稻谷干燥速率和應(yīng)力裂紋指數(shù)增值逐步增大，整精米率則逐步降低。與同溫度的熱風(fēng)干燥相比，石墨烯低溫遠紅外干燥平均干燥速率和干燥品質(zhì)均有顯著提高。經(jīng)優(yōu)化后，稻谷最佳石墨烯低溫遠紅外干燥工藝條件為：輻射溫度43℃、排糧流量4kg/min、除濕風(fēng)量193m3/h，此時應(yīng)力裂紋指數(shù)增值為9，整精米率為79.75%，稻谷干燥品質(zhì)最佳。這說明利用石墨烯低溫遠紅外干燥稻谷，可以明顯提高干燥速率并改善稻谷干燥品質(zhì)。

摘要:為研究不同蛋白酶酶解對豆粕揮發(fā)性風(fēng)味成分的影響，選用4種蛋白酶（堿性蛋白酶、中性蛋白酶、木瓜蛋白酶、風(fēng)味蛋白酶）對豆粕進行酶解，采用頂空-氣相色譜-離子遷移譜（Headspace-gas chromatography-ion mobility spectroscopy，HS-GC-IMS）和頂空固相微萃取-氣相色譜-質(zhì)譜（Headspace solid phase microextraction-gas chromatography-mass spectrometry，HS-SPME-GC-MS）聯(lián)用技術(shù)分析不同豆粕酶解物（Soybean meal hydrolysates，SMH）的揮發(fā)性風(fēng)味成分，并結(jié)合主成分分析（Principal component analysis，PCA）、熱圖聚類和正交偏最小二乘判別法（Orthogonal partial least squares-discriminant analysis，OPLS-DA）對不同SMH進行分析。結(jié)果表明：堿性蛋白酶、中性蛋白酶、木瓜蛋白酶和風(fēng)味蛋白酶酶解豆粕的揮發(fā)性風(fēng)味成分存在較大差異。HS-GC-IMS鑒定出84種揮發(fā)性成分，篩選得到33種差異風(fēng)味物質(zhì)，發(fā)現(xiàn)酶解后酮類物質(zhì)顯著降低而醛類、醇類和酯類物質(zhì)含量明顯增加。PCA結(jié)果表明不同SMH之間的風(fēng)味存在顯著差異。最終通過OPLS-DA篩選出貢獻較大的揮發(fā)性化合物，同時構(gòu)建出可靠的用以鑒別SMH的模型。HS-SPME-GC-MS檢測出103種差異風(fēng)味物質(zhì)，可用于區(qū)分不同SMH，被檢出的揮發(fā)性組分中醛類、醇類和酮類等化合物為SMH風(fēng)味的形成做出主要貢獻，明晰了部分風(fēng)味化合物形成的原因。PCA和聚類熱圖結(jié)果表明不同蛋白酶酶解對豆粕的揮發(fā)性風(fēng)味物質(zhì)的種類和含量有顯著影響，其中，風(fēng)味蛋白酶和木瓜蛋白酶對豆粕的風(fēng)味改善最為顯著。

摘要:奶粉市場是食品摻假行為頻發(fā)領(lǐng)域，其中嬰幼兒配方奶粉價格高，其質(zhì)量是消費者、生產(chǎn)企業(yè)和執(zhí)法部門關(guān)注的重點。近紅外高光譜成像（Near infrared-hyperspectral imaging, NIR-HSI）技術(shù)結(jié)合化學(xué)計量學(xué)和機器學(xué)習(xí)算法可以檢測奶粉中單一摻假物含量?；贜IR-HSI技術(shù)研究了不同品牌嬰幼兒奶粉中多摻假物（三聚氰胺、香蘭素和淀粉）的定量預(yù)測。對基于像素點預(yù)處理后的高光譜圖像劃分感興趣區(qū)域（Region of interest, ROI），提取ROI平均光譜?；诮?jīng)典的過濾式特征選擇算法拉普拉斯分數(shù)（Laplacian score）（無監(jiān)督）和ReliefF（有監(jiān)督）挑選建模關(guān)鍵變量，建立偏最小二乘回歸模型（Partial least squares, PLS）。開發(fā)包含自定義選擇層的一維卷積神經(jīng)網(wǎng)絡(luò)模型（One-dimensional convolutional neural networks, 1DCNN）。自定義層根據(jù)權(quán)重系數(shù)絕對值，可確定重要波長變量。Laplacian score-PLS模型對預(yù)測集中奶粉、三聚氰胺、香蘭素和淀粉質(zhì)量分數(shù)預(yù)測結(jié)果均方根誤差分別為0.1110%、0.0570%、0.0349%和0.3481%。ReliefF-PLS模型對預(yù)測集中奶粉、三聚氰胺、香蘭素和淀粉預(yù)測結(jié)果均方根誤差分別為0.1998%、0.0540%、0.0455%和0.1823%。1DCNN模型對預(yù)測集中奶粉、三聚氰胺、香蘭素和淀粉質(zhì)量分數(shù)預(yù)測結(jié)果均方根誤差分別為0.8561%、0.0911%、00644%和0.2942%。對Laplacian score、ReliefF和自定義選擇層挑選出的前15個重要波長進行對比分析，不同特征選擇方法挑選的特征波長子集有所區(qū)別，但都選擇 1210、1474、1524、1680nm等附近波長。基于ReliefF-PLS模型的可視化結(jié)果表明了其良好的預(yù)測能力。

摘要:悶黃是黃茶加工中的特有工藝，目前黃茶加工中缺乏專用的連續(xù)化、自動化悶黃加工裝備。為此，本文設(shè)計一種用于黃茶悶黃的專用裝備。根據(jù)連續(xù)化加工需求，設(shè)計了悶黃裝備的機械結(jié)構(gòu)，核算了裝備所需的加熱功率和蒸汽流量，并完成了相關(guān)部件的選型和樣機構(gòu)建，提出了一種基于區(qū)間二型模糊理論的溫濕度控制算法。溫濕度控制系統(tǒng)試驗結(jié)果表明，在不同試驗條件下，區(qū)間二型模糊控制算法能夠精準控制溫濕度參數(shù)，對比一型模糊控制算法，對擾動的抑制能力更強，控制誤差更小。生產(chǎn)試驗結(jié)果表明，溫度和相對濕度的均方根誤差最大值分別為0.4391℃和1.2262%，產(chǎn)品的感官評審結(jié)果表明，采用該裝備加工的產(chǎn)品符合皖西黃茶的品質(zhì)要求。

摘要:車間排產(chǎn)對提高車間的效率至關(guān)重要，智能排產(chǎn)可以極大提高加工的自動化和智能化水平。但傳統(tǒng)生產(chǎn)過程中大多采用固定的工時數(shù)據(jù)進行產(chǎn)線作業(yè)時間估算，而拖拉機混流裝配以工人作業(yè)為主，工人作業(yè)時間不固定甚至存在較大差異。為滿足智能排產(chǎn)要求，提出通過數(shù)字孿生車間對生產(chǎn)計劃進行仿真評價以增強與實際車間的交互與反饋。搭建與現(xiàn)場拖拉機裝配線一致的數(shù)字孿生三維模型場景及人機交互界面，根據(jù)MES系統(tǒng)中的過點信息實現(xiàn)裝配線模型實時驅(qū)動，建立了一個拓展性強、可靈活復(fù)用的數(shù)字孿生系統(tǒng)。分析了生產(chǎn)計劃評價指標，提出通過生產(chǎn)計劃管理系統(tǒng)與孿生裝配線的交互反饋，實現(xiàn)對基于數(shù)字孿生裝配線的生產(chǎn)計劃仿真運行及評價。通過數(shù)字孿生裝配線采集到的實際工時仿真運行生產(chǎn)計劃，可以得到優(yōu)化后的生產(chǎn)計劃。將低產(chǎn)、正常和高產(chǎn)月份各5d內(nèi)的實際生產(chǎn)計劃與本系統(tǒng)生成的計劃進行對比，結(jié)果表明本系統(tǒng)仿真評價后得到的生產(chǎn)計劃更優(yōu)越。

摘要:針對現(xiàn)有丘陵山區(qū)履帶式作業(yè)機底盤大坡地作業(yè)時易側(cè)翻、安全性差的問題，基于“三層車架”式丘陵山區(qū)履帶式作業(yè)機結(jié)構(gòu)方案，設(shè)計了一種互聯(lián)式全向液壓調(diào)平系統(tǒng)，提出了基于擾動觀測器的滑模同步控制方法，降低了單液壓缸位置誤差以及雙液壓缸同步誤差。AMEsim-Simulink聯(lián)合仿真結(jié)果表明：基于滑模同步位置控制的履帶式作業(yè)機全向調(diào)平系統(tǒng)優(yōu)于傳統(tǒng)PID控制，全向調(diào)平中20°橫向調(diào)平時間減小1.6s，25°縱向調(diào)平時間減小1.8s，上升時間平均縮短21.8%，調(diào)平時間平均縮短35.5%，同步位置控制誤差保持在±6×10－4m內(nèi)。在此基礎(chǔ)上，對3層車架式丘陵山區(qū)履帶式作業(yè)機樣機進行了實機測試，其中全向調(diào)平機身傾角平均誤差為2.55%，液壓缸平均同步誤差為8.2%，測試結(jié)果驗證了履帶式作業(yè)機全向調(diào)平系統(tǒng)的可行性與優(yōu)越性。

摘要:輪胎柔性環(huán)模型能準確表達輪胎變形，但模型的剛度參數(shù)無法直接測定，因此模型剛度參數(shù)的辨識成為建模過程中的關(guān)鍵。本文基于輪胎柔性環(huán)模型運動學(xué)方程，分析農(nóng)用輪胎固有頻率與剛度參數(shù)之間的關(guān)系，提出基于粒子群算法的柔性環(huán)模型剛度參數(shù)辨識方法。通過輪胎模態(tài)試驗獲取輪胎固有頻率，采用粒子群算法對柔性環(huán)模型剛度參數(shù)進行辨識。將固有頻率的試驗值與預(yù)測值的平均誤差作為評價指標，對比粒子群算法與傳統(tǒng)算法及遺傳算法辨識結(jié)果，結(jié)果表明粒子群算法的參數(shù)辨識結(jié)果精度較高，平均絕對誤差為1.67Hz，平均相對誤差為1.66%，相較于遺傳算法，平均相對誤差降低16.16%，運算時間減少93.19%。通過接地印痕試驗獲取農(nóng)用輪胎接地角度，結(jié)合辨識所得剛度參數(shù)，估算輪胎所受到的垂向力，對比垂向力的試驗值與預(yù)測值，結(jié)果表明粒子群算法的參數(shù)辨識結(jié)果精度較高，垂向載荷估算平均相對誤差為1.97%，相對于遺傳算法，平均相對誤差降低12.05%。

摘要:研究了一種新型四自由度高速并聯(lián)機器人運動軌跡規(guī)劃方法。該機器人采用單動平臺結(jié)構(gòu)以減輕末端平臺質(zhì)量，提升機器人加減速性能。建立機器人機構(gòu)運動學(xué)逆解模型，通過融合345多項式和梯形運動規(guī)律的優(yōu)點，構(gòu)造一種可兼顧運動時長和運動平穩(wěn)性的345-修正梯形運動規(guī)律。在此基礎(chǔ)上，通過插補疊加軌跡過渡傳統(tǒng)門形軌跡的直角部分，并統(tǒng)籌考慮總運動時長最短以及角加速度峰值最小為目標完成插補疊加時機的優(yōu)選，最后在樣機上開展運動頻次試驗。試驗結(jié)果顯示，采用優(yōu)化后的運動規(guī)律和軌跡樣機運動頻次可提升至218次/min，工作效率較傳統(tǒng)Adept門形軌跡提高55.7%。

摘要:根據(jù)基于方位特征(POC)方程的并聯(lián)機構(gòu)拓撲設(shè)計方法和運動解耦設(shè)計原理，提出一個運動解耦性優(yōu)異的單回路三平移子并聯(lián)機構(gòu)；設(shè)計一類4個具有正向位置符號化、部分運動解耦性且具有較大工作空間的三平移(3T)并聯(lián)機構(gòu)；對這類機構(gòu)進行拓撲特性分析，得到相同的方位特征集(POC)、自由度(DOF)、耦合度(κ)、運動解耦性等主要拓撲特性；對其中一個機構(gòu)進行運動學(xué)、動力學(xué)性能分析。根據(jù)基于拓撲特征運動學(xué)建模原理，求出其符號化位置正反解，以及速度、加速度曲線；基于推導(dǎo)出的位置逆解公式，分析機構(gòu)的奇異位形及工作空間；根據(jù)基于序單開鏈的虛功原理，進行其動力學(xué)建模與分析，求解出機構(gòu)的驅(qū)動力。

摘要:隨著并聯(lián)機構(gòu)從單一尺寸設(shè)計和拓撲設(shè)計向兩者融合方向不斷發(fā)展，基于拓撲疊加-再懲罰和全變量正交設(shè)計-再拓撲的同步設(shè)計方法得到廣泛應(yīng)用，但兩者存在設(shè)計效率低等不足。為解決上述問題，本文提出了一種基于結(jié)構(gòu)相似性的并聯(lián)機構(gòu)拓撲與尺寸同步設(shè)計方法，該方法拓撲優(yōu)化時以相同質(zhì)量保留此條件下尺寸參數(shù)小范圍變化對拓撲結(jié)構(gòu)微弱影響為切入點，通過拓撲結(jié)構(gòu)參數(shù)化縮放和剛度-質(zhì)量元模型構(gòu)建，形成并聯(lián)機構(gòu)尺寸-拓撲同步高效設(shè)計流程。以典型3-P-RS并聯(lián)機構(gòu)為例開展算例驗證與對比分析，結(jié)果表明，相同質(zhì)量條件下，所提設(shè)計方法比尺寸設(shè)計方法得到的各向剛度更高，即拓撲優(yōu)化使RS連桿的材料分布更加合理。

摘要:面向復(fù)雜結(jié)構(gòu)件機器人加工裝備設(shè)計需求，提出一種2PRU&1PRS-XY型混聯(lián)機器人。為將該混聯(lián)機器人應(yīng)用于高性能機械加工任務(wù)，在其工作空間、運動/力傳遞性以及靈巧度分析的基礎(chǔ)上，定義了用于工作全域性能評價的傳遞穩(wěn)定性指標與精度差異性指標，提出了一種基于多目標均衡優(yōu)化思想的尺度設(shè)計方法。該方法采用標準化方法簡化多參數(shù)設(shè)計空間，應(yīng)用響應(yīng)面法與主成分分析法提高優(yōu)化求解效率，結(jié)合主客觀組合賦權(quán)法與基于TOPSIS的Pareto前沿法實現(xiàn)多指標綜合性能評分。運用所提方法，得到了4種兼顧優(yōu)化求解效率和多目標均衡優(yōu)化的尺度參數(shù)設(shè)計方案，實現(xiàn)了2PRU&1PRS-XY型混聯(lián)機器人主要尺度參數(shù)的優(yōu)化設(shè)計，為設(shè)計者提供了具有不同工程設(shè)計傾向的多目標均衡決策參考。

摘要:為了解決傳統(tǒng)的“信號發(fā)生器+功率放大器”產(chǎn)生的信號無法滿足尺蠖型旋轉(zhuǎn)驅(qū)動器多路、正方波波形需求的問題，設(shè)計了一種通過Cmos控制脈沖模塊“通-斷”時機的信號控制器，從而得到特定時序的3路正方波信號。通過這種方案得到的3路驅(qū)動信號為正方波電流信號，從而避免了超磁致伸縮材料的“倍頻”現(xiàn)象的發(fā)生。通過設(shè)置信號周期、占空比和延遲等參數(shù)，能夠輸出設(shè)定時序的三路正方波驅(qū)動信號。根據(jù)電壓定律，將正方波簡化成階躍波形，建立了驅(qū)動信號的電流模型，并進行了參數(shù)辨識。在工作頻率范圍內(nèi)，電流解析式能準確地表示電流信號。搭建試驗平臺進行了試驗測試，試驗結(jié)果表明，在工作頻率范圍內(nèi)，信號控制器輸出的正方波波形優(yōu)于“信號發(fā)生器+功率放大器”產(chǎn)生的方波信號，設(shè)定的3路信號能夠驅(qū)動尺蠖型旋轉(zhuǎn)驅(qū)動器產(chǎn)生步進旋轉(zhuǎn)運動。通過優(yōu)化驅(qū)動信號時序，將旋轉(zhuǎn)驅(qū)動器最大工作頻率由160Hz提至210Hz。