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:在當(dāng)前農(nóng)業(yè)信息化的發(fā)展進(jìn)程中，多數(shù)農(nóng)業(yè)子領(lǐng)域面臨著數(shù)據(jù)資源分散、信息整合難度大、知識(shí)利用效率低等問(wèn)題。作為近年來(lái)新興的一種知識(shí)表示技術(shù)，知識(shí)圖譜已在部分農(nóng)業(yè)特定領(lǐng)域展現(xiàn)出了強(qiáng)大的語(yǔ)義推理和數(shù)據(jù)整合能力，同時(shí)幫助一些農(nóng)業(yè)上層應(yīng)用提高了性能。為系統(tǒng)總結(jié)近年來(lái)農(nóng)業(yè)知識(shí)圖譜構(gòu)建與應(yīng)用方面的研究成果，本文首先闡述了知識(shí)圖譜基礎(chǔ)和農(nóng)業(yè)知識(shí)圖譜的構(gòu)建流程，并從本體建模、信息抽取、知識(shí)融合以及知識(shí)加工4方面總結(jié)了構(gòu)建農(nóng)業(yè)知識(shí)圖譜所涉及的關(guān)鍵技術(shù)。將當(dāng)前農(nóng)業(yè)知識(shí)圖譜的應(yīng)用分為信息檢索、問(wèn)答系統(tǒng)、推薦系統(tǒng)、專家診斷系統(tǒng)和作物預(yù)測(cè)5方面，并對(duì)這些應(yīng)用工作進(jìn)行了梳理。最后，對(duì)當(dāng)前農(nóng)業(yè)知識(shí)圖譜的研究現(xiàn)狀進(jìn)行了總結(jié)，并認(rèn)為未來(lái)農(nóng)業(yè)知識(shí)圖譜可以從多模態(tài)知識(shí)推理、強(qiáng)時(shí)效性知識(shí)更新、多語(yǔ)言知識(shí)查詢、跨領(lǐng)域數(shù)據(jù)融合以及子領(lǐng)域知識(shí)圖譜構(gòu)建等方面加以研究。

摘要:星載激光雷達(dá)系統(tǒng)可以覆蓋機(jī)載系統(tǒng)難以到達(dá)的偏遠(yuǎn)地區(qū)，從機(jī)理上克服光學(xué)影像及合成孔徑雷達(dá)測(cè)量的技術(shù)缺陷，為快速準(zhǔn)確地獲取林下地形、樹(shù)高、生物量等森林結(jié)構(gòu)參數(shù)提供了可靠的數(shù)據(jù)源。對(duì)現(xiàn)有的星載激光雷達(dá)技術(shù)觀測(cè)體系進(jìn)行綜述，討論了星載激光雷達(dá)數(shù)據(jù)估測(cè)多尺度森林結(jié)構(gòu)參數(shù)的適用性，定量化分析現(xiàn)有星載激光雷達(dá)研究成果及存在的優(yōu)缺點(diǎn)。最后，總結(jié)當(dāng)前存在的問(wèn)題，對(duì)星載激光雷達(dá)技術(shù)未來(lái)的前景和發(fā)展方向進(jìn)行了展望。建議后續(xù)研究可進(jìn)一步加大對(duì)反演不同森林結(jié)構(gòu)參數(shù)、產(chǎn)品體系及標(biāo)準(zhǔn)規(guī)范、林業(yè)應(yīng)用精度評(píng)價(jià)、林業(yè)用激光雷達(dá)參數(shù)設(shè)計(jì)等方面的深入研究。

摘要:為解決傳統(tǒng)人工操作采棉機(jī)長(zhǎng)距離對(duì)行作業(yè)時(shí)存在勞動(dòng)強(qiáng)度大、作業(yè)速度受限和效率較低的問(wèn)題，利用棉花采用衛(wèi)星導(dǎo)航平行精準(zhǔn)播種的特性，提出了一種基于平行軌跡導(dǎo)航的采棉機(jī)自動(dòng)對(duì)行控制方法。首先，人工駕駛采棉機(jī)完成首行對(duì)行作業(yè)，記錄RTK定位軌跡數(shù)據(jù)，并進(jìn)行線性擬合，得到參考導(dǎo)航線斜率；然后，對(duì)后續(xù)各行收獲時(shí)，在任意起點(diǎn)對(duì)齊待收獲的棉花行，由起點(diǎn)坐標(biāo)和參考斜率計(jì)算得到平行導(dǎo)航基準(zhǔn)線；最后，采用速度自適應(yīng)純追蹤算法，實(shí)現(xiàn)采棉機(jī)自動(dòng)對(duì)行。田間試驗(yàn)表明，該方法能夠從任意行起始位置開(kāi)始自動(dòng)對(duì)行，不同速度下，平均絕對(duì)橫向偏差為2.91cm，最大絕對(duì)橫向偏差為9.22cm，平均標(biāo)準(zhǔn)差為1.80cm,控制性能均優(yōu)于手動(dòng)對(duì)行，滿足采棉機(jī)對(duì)行精度要求。相對(duì)機(jī)械觸碰式自動(dòng)對(duì)行方法，該方法不受缺株歪株影響，并且在較高速7km/h行駛時(shí)仍能保持良好的對(duì)行精度。

摘要:針對(duì)果園陰暗光照條件下圖像特征點(diǎn)匹配數(shù)量少、易丟失以及點(diǎn)云稀疏問(wèn)題，對(duì)ORB-SLAM2算法進(jìn)行了改進(jìn)，提出了基于自適應(yīng)閾值ORB特征點(diǎn)提取的果園雙目三維地圖稠密建圖算法。首先在跟蹤線程中提出一種自適應(yīng)閾值的FAST角點(diǎn)提取方法，通過(guò)計(jì)算不同光照下圖像平均像素求解閾值，對(duì)左右目圖像提取ORB特征，增加了不同光照條件下的特征點(diǎn)匹配數(shù)量；然后根據(jù)特征點(diǎn)估計(jì)相機(jī)位姿完成局部地圖跟蹤，對(duì)跟蹤線程產(chǎn)生的關(guān)鍵幀地圖點(diǎn)進(jìn)行BA優(yōu)化完成局部地圖構(gòu)建。在原有算法基礎(chǔ)上添加了基于ZED-stereo型相機(jī)雙目深度融合的稠密建圖模塊，對(duì)左右目關(guān)鍵幀進(jìn)行特征匹配獲得圖像對(duì)，利用圖像對(duì)求解深度信息獲取地圖點(diǎn)，經(jīng)過(guò)深度優(yōu)化獲取相機(jī)位姿，根據(jù)相機(jī)位姿進(jìn)行局部點(diǎn)云的構(gòu)建與拼接，最終對(duì)獲得的點(diǎn)云地圖進(jìn)行全局BA優(yōu)化，構(gòu)建果園三維稠密地圖。在KITTI數(shù)據(jù)集序列上進(jìn)行測(cè)試，本文所改進(jìn)的ORB-SLAM2算法的絕對(duì)軌跡誤差更加收斂，軌跡誤差標(biāo)準(zhǔn)差在00和07序列分別下降60.5%和62.6%，在其他序列上也有不同程度下降，表明本文算法定位精度較原始算法有所提高。不同光照環(huán)境下進(jìn)行算法性能測(cè)試，結(jié)果表明本文算法較原始算法能更好地適應(yīng)不同光照條件，在較強(qiáng)光照、正常光照、偏弱光照和陰雨天氣下特征點(diǎn)平均匹配數(shù)量增加5.32%、4.53%、8.93%、12.91%。進(jìn)行果園直線和稠密建圖試驗(yàn)，結(jié)果表明直線行駛偏航角更加收斂，定位精確度高，關(guān)鍵幀提取數(shù)量較原始算法下降2.86%、平均跟蹤時(shí)間減少39.3%；稠密建圖效果好，能夠很好地反映機(jī)器人位姿和果園真實(shí)環(huán)境信息，滿足果園三維稠密點(diǎn)云地圖構(gòu)建需求，可為果園機(jī)器人導(dǎo)航路徑規(guī)劃提供支持。

摘要:針對(duì)點(diǎn)動(dòng)控制的單側(cè)制動(dòng)式轉(zhuǎn)向履帶底盤(pán)在自主行走中控制精度低、轉(zhuǎn)向切換頻繁的問(wèn)題，提出了一種基于單側(cè)制動(dòng)轉(zhuǎn)向履帶底盤(pán)的三切線局部路徑動(dòng)態(tài)規(guī)劃算法，根據(jù)履帶底盤(pán)轉(zhuǎn)向制動(dòng)力矩不可控特性，設(shè)計(jì)了“轉(zhuǎn)向-直行-轉(zhuǎn)向”的局部路徑規(guī)劃方式。三切線局部路徑動(dòng)態(tài)規(guī)劃算法由1條直線與2條圓弧相切組成，第1段圓弧與車輛行駛方向相切，車輛沿圓弧轉(zhuǎn)向逐步偏向目標(biāo)航線；第2段直線與兩段圓弧相切，車輛沿直線行駛逐步靠近目標(biāo)航線；第3段圓弧與目標(biāo)航線相切，車輛沿圓弧轉(zhuǎn)向逐步與目標(biāo)航向一致。車輛通過(guò)歷史移動(dòng)的橫向偏差和航向偏差采用加權(quán)遞推平均濾波計(jì)算轉(zhuǎn)彎半徑，判斷當(dāng)前所處階段進(jìn)行調(diào)整。田間自動(dòng)直線行駛試驗(yàn)結(jié)果表明：在橫向偏差0.25m、航向偏差為0°的起始狀態(tài)下，以行駛速度0.4m/s前進(jìn)，在該算法下行駛的橫向偏差絕對(duì)值均值和橫向偏差標(biāo)準(zhǔn)差分別為0.085、0.104m，分別比bang-bang算法增加23.19%、19.54%，航向偏差絕對(duì)值均值和航向偏差標(biāo)準(zhǔn)差分別為3.31°、3.74°，分別比bang-bang算法減少25.95%、25.64%，總轉(zhuǎn)向控制次數(shù)為9次，比bang-bang算法減少43.75%。三切線局部路徑動(dòng)態(tài)規(guī)劃算法適用于單側(cè)制動(dòng)式轉(zhuǎn)向履帶底盤(pán)，具有更高的路徑跟蹤精度和較低的控制頻率，滿足田間作業(yè)需求。

摘要:谷物收獲機(jī)械無(wú)人化作業(yè)可有效解決收獲季用工短缺問(wèn)題，全田塊自動(dòng)導(dǎo)航作業(yè)是無(wú)人收獲機(jī)智能化的核心。為解決水稻無(wú)人收獲作業(yè)自動(dòng)打點(diǎn)問(wèn)題，基于邊界線跟蹤與地頭區(qū)域檢測(cè)實(shí)現(xiàn)水稻田塊最外圈導(dǎo)航與剩余作業(yè)區(qū)域自動(dòng)打點(diǎn)，并提出一種目標(biāo)區(qū)域先驗(yàn)形態(tài)輔助的動(dòng)態(tài)感興趣區(qū)域設(shè)定方法，改善作物邊界線提取可靠性。采用自控小車對(duì)所提方法進(jìn)行驗(yàn)證，試驗(yàn)結(jié)果表明，當(dāng)車輛作業(yè)速度為0.8m/s時(shí)，水稻未收獲區(qū)域直線邊界跟蹤平均誤差小于5cm，單幀圖像檢測(cè)時(shí)間小于50ms。水稻邊界自動(dòng)打點(diǎn)試驗(yàn)結(jié)果表明，所設(shè)計(jì)自動(dòng)打點(diǎn)系統(tǒng)打點(diǎn)平均誤差為3.5cm，滿足直角梯形水稻田塊自動(dòng)打點(diǎn)需求。

摘要:針對(duì)多旋翼無(wú)人機(jī)在飛行過(guò)程中容易受到各種外部擾動(dòng)的影響，以復(fù)合翼無(wú)人機(jī)的旋翼控制系統(tǒng)為研究對(duì)象，設(shè)計(jì)了一種自抗擾控制系統(tǒng)。首先，建立了多旋翼無(wú)人機(jī)系統(tǒng)運(yùn)動(dòng)學(xué)模型和動(dòng)力學(xué)模型；其次，對(duì)自抗擾控制算法的特點(diǎn)展開(kāi)研究，結(jié)合無(wú)人機(jī)模型分別設(shè)計(jì)了位置和姿態(tài)控制器。并改進(jìn)了擴(kuò)張狀態(tài)觀測(cè)器，引入了更精確的動(dòng)力學(xué)模型，提升了擾動(dòng)觀測(cè)速度和估計(jì)精度，同時(shí)，降低了擴(kuò)張狀態(tài)觀測(cè)器的階數(shù)，提升了控制器調(diào)參簡(jiǎn)易性；再次，依據(jù)六自由度力和力矩的平衡方程，對(duì)本文研究對(duì)象搭建了控制分配模型。最終，采用Matlab/Simulink完成仿真模型設(shè)計(jì)和參數(shù)調(diào)節(jié)，對(duì)控制目標(biāo)分別加入了內(nèi)部重力擾動(dòng)和外部風(fēng)力擾動(dòng)，仿真結(jié)果表明本文設(shè)計(jì)的控制器不僅可以很好地估計(jì)出系統(tǒng)內(nèi)外擾動(dòng)并進(jìn)行補(bǔ)償，而且具有極強(qiáng)的抗干擾性，可以保證無(wú)人機(jī)從初始點(diǎn)快速且平穩(wěn)到達(dá)目標(biāo)位置，并保持穩(wěn)定懸停，姿態(tài)控制穩(wěn)態(tài)誤差在0.05°以內(nèi)。

摘要:接觸參數(shù)影響控釋肥顆粒離散元仿真結(jié)果。為了精準(zhǔn)模擬控釋肥顆粒力學(xué)行為與運(yùn)動(dòng)規(guī)律，本文基于離散元法對(duì)控釋肥顆粒的接觸參數(shù)進(jìn)行標(biāo)定與試驗(yàn)。首先，建立控釋肥離散元基礎(chǔ)模型，并利用臺(tái)架和仿真試驗(yàn)相結(jié)合的方法，在EDEM中對(duì)控釋肥顆粒與PVC板之間接觸參數(shù)進(jìn)行標(biāo)定。其次，通過(guò)碰撞彈跳試驗(yàn)、斜面滑移試驗(yàn)和斜面滾動(dòng)試驗(yàn)測(cè)得控釋肥顆粒與PVC板之間的碰撞恢復(fù)系數(shù)、靜摩擦因數(shù)和滾動(dòng)摩擦因數(shù)分別為0.539、0.507和0.105。最后，通過(guò)堆積試驗(yàn)、最陡爬坡試驗(yàn)和正交旋轉(zhuǎn)組合試驗(yàn)，得到控釋肥顆粒間的碰撞恢復(fù)系數(shù)、靜摩擦因數(shù)和滾動(dòng)摩擦因數(shù)分別為0.38、0.25和0.09，并通過(guò)無(wú)底圓筒提升試驗(yàn)和排肥臺(tái)架試驗(yàn)進(jìn)行驗(yàn)證。試驗(yàn)結(jié)果表明，堆積角實(shí)際值與仿真結(jié)果的相對(duì)誤差為1.54%，排肥量實(shí)際值與仿真結(jié)果4種轉(zhuǎn)速下的相對(duì)誤差分別為4.38%、4.23%、4.41%、4.36%，所標(biāo)定的控釋肥接觸參數(shù)精準(zhǔn)有效，可為控釋肥離散元仿真提供數(shù)據(jù)和模型支撐。

摘要:針對(duì)現(xiàn)有重型精量播種機(jī)在高速作業(yè)時(shí)存在覆土裝置影響播種均勻性、種溝內(nèi)種子被“架空”等問(wèn)題，基于阿基米德螺線切刃曲線與擠壓式覆土原理相結(jié)合的思路，設(shè)計(jì)了一種阿基米德螺線型弧面雙齒盤(pán)覆土裝置，實(shí)現(xiàn)了覆土厚度適宜且均勻一致，降低覆土作業(yè)對(duì)播種均勻性影響的目的。本研究對(duì)覆土裝置的結(jié)構(gòu)參數(shù)、覆土量進(jìn)行分析，確定了影響覆土效果的主要參數(shù)取值范圍；利用EDEM離散元仿真技術(shù)建立了覆土裝置-種子-土壤間的離散元模型，對(duì)關(guān)鍵參數(shù)進(jìn)行仿真優(yōu)化，確定弧面雙齒盤(pán)的最優(yōu)參數(shù)組合；通過(guò)田間試驗(yàn)對(duì)該裝置的作業(yè)性能進(jìn)行了驗(yàn)證。研究結(jié)果表明：影響弧面雙齒盤(pán)作業(yè)性能的主要結(jié)構(gòu)參數(shù)為阿基米德螺線型弧面雙齒盤(pán)的中心間距、安裝傾角、入土深度。當(dāng)弧面雙齒盤(pán)的中心間距為142.6mm、安裝傾角為20°、入土深度為55mm時(shí)，該裝置通過(guò)性能良好，覆土厚度均勻一致，平均厚度為47mm，合格粒距標(biāo)準(zhǔn)差、變異系數(shù)與空白對(duì)照組分別相差0.22mm、1.81個(gè)百分點(diǎn)，對(duì)播種均勻性影響小，滿足精量播種的農(nóng)藝要求。

摘要:為解決機(jī)械式大豆排種器高速播種質(zhì)量差的問(wèn)題，設(shè)計(jì)了一種獨(dú)立分充式大豆雙排毛刷高速精量排種器，采用雙排種盤(pán)結(jié)構(gòu)增加型孔數(shù)量，獨(dú)立分充避免種群積壓互擾，實(shí)現(xiàn)高速精量排種作業(yè)。通過(guò)理論分析，明確了充種、投種性能的影響因素，并確定了型孔與導(dǎo)流槽相關(guān)參數(shù)。以作業(yè)速度、型孔傾角、導(dǎo)流槽傾角為試驗(yàn)因素進(jìn)行了正交試驗(yàn)，試驗(yàn)結(jié)果表明：在大豆株距為8cm、排種器作業(yè)速度為9km/h時(shí)，較優(yōu)組合為型孔傾角54°、導(dǎo)流槽傾角39°，此時(shí)合格指數(shù)為95.5％，漏播指數(shù)為2.0％，株距變異系數(shù)為13.1％。對(duì)比試驗(yàn)結(jié)果表明：作業(yè)速度為8~12km/h時(shí)，獨(dú)立分充式排種器合格指數(shù)比常規(guī)毛刷式排種器至少提升1.3個(gè)百分點(diǎn)，漏播指數(shù)至少減少0.8個(gè)百分點(diǎn)，株距變異系數(shù)至少減少2個(gè)百分點(diǎn)。窄行密植農(nóng)藝適應(yīng)性試驗(yàn)結(jié)果表明：在作業(yè)速度8~12km/h的條件下，獨(dú)立分充式排種器合格指數(shù)達(dá)到90.1％，漏播指數(shù)不高于4.6％，株距變異系數(shù)不大于20.1％，窄行密植種植農(nóng)藝適應(yīng)性較高。

摘要:針對(duì)小麥精量勻播作業(yè)條件下氣流輔助投種裝置內(nèi)部壓力梯度變化方向與種子運(yùn)動(dòng)方向不一致、造成種子倒流或碰撞、降低粒距穩(wěn)定性等問(wèn)題，設(shè)計(jì)了一種小麥氣流輔助直線投種裝置?；跉?固兩相流數(shù)學(xué)模型建立CFD-DEM單向耦合仿真模型模擬投種過(guò)程，仿真結(jié)果表明：入口氣壓與管道長(zhǎng)度對(duì)總壓損失及流場(chǎng)壓力分布影響顯著；投種裝置內(nèi)部流場(chǎng)壓力分布均勻，壓力梯度變化方向與種子運(yùn)動(dòng)方向一致；小麥種子運(yùn)動(dòng)軌跡為“直線-曲線-直線”，無(wú)倒流與碰撞現(xiàn)象。以入口氣壓、管道長(zhǎng)度、作業(yè)速度為試驗(yàn)因素，以粒距變異系數(shù)為試驗(yàn)評(píng)價(jià)指標(biāo)進(jìn)行了響應(yīng)曲面優(yōu)化試驗(yàn)。試驗(yàn)結(jié)果表明：影響粒距變異系數(shù)因素的主次順序?yàn)槿肟跉鈮?、作業(yè)速度、管道長(zhǎng)度；入口氣壓與管道長(zhǎng)度和作業(yè)速度均存在交互作用。通過(guò)參數(shù)優(yōu)化得到較優(yōu)參數(shù)組合為：入口氣壓5.1kPa、管道長(zhǎng)度24.2cm、作業(yè)速度0.11m/s，經(jīng)土槽試驗(yàn)驗(yàn)證，該條件下粒距變異系數(shù)為6.3%，平均粒距為5.3cm，滿足小麥精量勻播農(nóng)藝要求。采用氣流輔助直線投種可解決小麥種子倒流與碰撞的問(wèn)題，從而顯著改善播種作業(yè)效果，為小麥精量勻播提供技術(shù)支撐。

摘要:為實(shí)現(xiàn)南瓜種子定向播種，提出先調(diào)整南瓜種子運(yùn)動(dòng)姿態(tài)再進(jìn)行定向的組合式定向方法，設(shè)計(jì)了一種南瓜種子組合式定向排種器。該定向裝置的關(guān)鍵部件包括限位清種板和導(dǎo)向板兩部分?；谀瞎戏N子幾何特性確定了限位清種板的結(jié)構(gòu)參數(shù)。建立南瓜種子定向過(guò)程的運(yùn)動(dòng)學(xué)方程，明確了南瓜種子定向過(guò)程中姿態(tài)變化與導(dǎo)向板結(jié)構(gòu)參數(shù)的關(guān)系，確定了導(dǎo)向板結(jié)構(gòu)參數(shù)。利用CFD-DEM耦合法，驗(yàn)證了南瓜種子組合式排種器定向排種的可行性，確定了排種盤(pán)轉(zhuǎn)速取值范圍。搭建試驗(yàn)臺(tái)，以平躺吸附率為試驗(yàn)指標(biāo)，通過(guò)單因素試驗(yàn)確定了排種盤(pán)型孔直徑。以單粒率為試驗(yàn)指標(biāo)，通過(guò)單因素試驗(yàn)確定了負(fù)壓和排種盤(pán)型孔數(shù)取值范圍。選取負(fù)壓、排種盤(pán)型孔數(shù)、排種盤(pán)轉(zhuǎn)速為試驗(yàn)因素，以單粒率、定向成功率為試驗(yàn)指標(biāo)，進(jìn)行了三因素三水平二次中心組合試驗(yàn)，得出影響排種器單粒率的主次因素為負(fù)壓、排種盤(pán)型孔數(shù)、排種盤(pán)轉(zhuǎn)速，影響排種器定向成功率的主次因素為排種盤(pán)轉(zhuǎn)速、負(fù)壓、排種盤(pán)型孔數(shù)。對(duì)優(yōu)化后參數(shù)進(jìn)行田間驗(yàn)證試驗(yàn)，結(jié)果表明，當(dāng)排種盤(pán)型孔數(shù)為16、負(fù)壓為10kPa、排種盤(pán)轉(zhuǎn)速為4r/min時(shí)，單粒率為94.7%，定向成功率為82.7%，南瓜種子落入穴盤(pán)的正負(fù)偏轉(zhuǎn)角度為18.5°。

摘要:為探索一種能實(shí)現(xiàn)高速取苗后無(wú)停頓快速投苗、同步接苗技術(shù)方案，分析氣動(dòng)下壓式高速取投苗裝置高速取苗后不停頓快速投苗4個(gè)階段運(yùn)動(dòng)過(guò)程，得到穴盤(pán)苗運(yùn)動(dòng)時(shí)間。采用高速攝像機(jī)對(duì)自制高速取投苗裝置無(wú)停頓快速投苗過(guò)程進(jìn)行拍攝，通過(guò)PCC軟件進(jìn)行捕捉分析和計(jì)算，分析了穴盤(pán)苗在無(wú)停頓拋投過(guò)程中位移和時(shí)間關(guān)系。經(jīng)同步接苗極限分析和交集運(yùn)算得不同取苗頻率吊杯同步接苗提前相位角范圍，獲得了高速取投苗裝置高速取苗、無(wú)停頓快速投苗與吊杯同步接苗時(shí)空匹配關(guān)系。在高速移栽樣機(jī)上開(kāi)展吊杯同步接苗試驗(yàn)，試驗(yàn)結(jié)果表明，當(dāng)取苗頻率為180株/min時(shí)，吊杯同步接苗成功率為96.4%。研究結(jié)果為高速取投苗裝置與吊杯時(shí)空匹配關(guān)系提供基礎(chǔ)數(shù)據(jù)。

摘要:針對(duì)現(xiàn)有取苗試驗(yàn)臺(tái)不能滿足多種型號(hào)缽盤(pán)和取苗機(jī)構(gòu)進(jìn)行取苗試驗(yàn)的需求，設(shè)計(jì)了一種由多個(gè)步進(jìn)電機(jī)驅(qū)動(dòng)、可調(diào)取苗機(jī)構(gòu)傾角、可編程控制系統(tǒng)的多功能取苗試驗(yàn)臺(tái)。該試驗(yàn)臺(tái)通過(guò)調(diào)節(jié)取苗機(jī)構(gòu)安裝支架的位姿、改變缽盤(pán)驅(qū)動(dòng)鼠籠鋼絲間距以及所在圓周直徑，可以適應(yīng)不同型號(hào)缽盤(pán)和滿足多種取苗機(jī)構(gòu)的試驗(yàn)要求；通過(guò)編寫(xiě)控制器程序可控制3個(gè)步進(jìn)電機(jī)聯(lián)動(dòng)并實(shí)現(xiàn)送苗裝置的橫、縱向送苗與取苗機(jī)構(gòu)取苗進(jìn)程相匹配。在三維軟件中對(duì)試驗(yàn)臺(tái)進(jìn)行了建模、裝配和虛擬仿真，在加工制造的物理樣機(jī)上進(jìn)行了2種型號(hào)缽盤(pán)和3種取苗機(jī)構(gòu)的取苗試驗(yàn)。3次試驗(yàn)結(jié)果表明：在此試驗(yàn)臺(tái)上能夠順利完成取苗試驗(yàn)，證明該試驗(yàn)臺(tái)滿足多種型號(hào)缽盤(pán)和多種類型取苗機(jī)構(gòu)的試驗(yàn)需求。

摘要:為了精確分析雙吸泵作液力透平葉輪內(nèi)的非定常流動(dòng)特性，采用SST k-ω湍流模型在設(shè)計(jì)工況下進(jìn)行數(shù)值模擬。對(duì)一個(gè)周期的非定常速度場(chǎng)進(jìn)行動(dòng)態(tài)模態(tài)分解(DMD)，并結(jié)合Q準(zhǔn)則，得到前4階主要模態(tài)及其相應(yīng)的時(shí)空信息。分析結(jié)果表明：DMD方法將葉輪內(nèi)復(fù)雜的流場(chǎng)特征分解為動(dòng)靜干擾模態(tài)、基本模態(tài)和耗散模態(tài)。其中動(dòng)靜干擾模態(tài)占主導(dǎo)地位，頻率為葉輪旋轉(zhuǎn)頻率，反映出葉輪內(nèi)流動(dòng)受靜止部件干擾的流動(dòng)特征，渦結(jié)構(gòu)主要為點(diǎn)狀渦和不連續(xù)的管狀渦；基本模態(tài)頻率為0Hz，反映出葉片流道幾何特征引起的穩(wěn)態(tài)流場(chǎng)特征，渦結(jié)構(gòu)主要為連續(xù)的管狀渦；3階及4階模態(tài)為耗散模態(tài)，反映出葉輪內(nèi)流動(dòng)受靜止部件干擾，在葉片上產(chǎn)生的流動(dòng)分離及不穩(wěn)定渦結(jié)構(gòu)脫落的特征，以片狀渦和不連續(xù)的管狀渦為主。在特定頻率下DMD方法可以對(duì)葉輪流場(chǎng)結(jié)構(gòu)進(jìn)行分解，能夠清楚地分析雙吸泵作液力透平葉輪內(nèi)復(fù)雜流場(chǎng)的非定常特性。

摘要:為提升補(bǔ)充耕地項(xiàng)目監(jiān)管效率和準(zhǔn)確率，保證補(bǔ)充耕地?cái)?shù)量準(zhǔn)確、地類符合、區(qū)位合理，開(kāi)展基于空間大數(shù)據(jù)的補(bǔ)充耕地合規(guī)性自動(dòng)判別技術(shù)研究。本研究基于大數(shù)據(jù)框架、并行計(jì)算技術(shù)和GIS空間分析方法，設(shè)計(jì)了補(bǔ)充耕地合規(guī)性自動(dòng)判別規(guī)則和指標(biāo)體系，研制了補(bǔ)充耕地合規(guī)性內(nèi)業(yè)自動(dòng)判別的技術(shù)流程、算法和軟件，開(kāi)展了日常和專項(xiàng)補(bǔ)充耕地監(jiān)管和核查，作為全國(guó)補(bǔ)充耕地項(xiàng)目監(jiān)管的重要技術(shù)手段。經(jīng)實(shí)際運(yùn)行驗(yàn)證，項(xiàng)目平均分析時(shí)長(zhǎng)2~4min，平均每月阻止5700余個(gè)問(wèn)題項(xiàng)目入庫(kù)。該研究能夠?yàn)檠a(bǔ)充耕地項(xiàng)目立項(xiàng)、實(shí)施、驗(yàn)收提供合規(guī)性判別技術(shù)手段，提升補(bǔ)充耕地項(xiàng)目立項(xiàng)的合理性，提升補(bǔ)充耕地信息核實(shí)、監(jiān)管、監(jiān)督的技術(shù)水平，對(duì)確保我國(guó)耕地占補(bǔ)平衡制度的落實(shí)具有技術(shù)支撐作用。

摘要:利用遙感技術(shù)快速準(zhǔn)確地提取耕地信息是耕地保護(hù)的關(guān)鍵環(huán)節(jié)。以山東省商河縣為例，提出了一種基于多季相分形特征的Landsat 8 OLI影像耕地信息提取方法。首先采用毯子覆蓋法計(jì)算多季相遙感影像每個(gè)像元的上分形信號(hào)和下分形信號(hào)，對(duì)比分析耕地和其他土地利用類型的分形特征，選取上分形信號(hào)的第3尺度作為特征尺度，提取商河縣耕地空間分布特征；其次采用同時(shí)期的土地利用矢量數(shù)據(jù)、Esri land cover數(shù)據(jù)和統(tǒng)計(jì)數(shù)據(jù)進(jìn)行耕地信息提取精度評(píng)價(jià)；最后分別設(shè)置多季相分形提取與單季相分形提取、現(xiàn)有土地利用數(shù)據(jù)產(chǎn)品的對(duì)比實(shí)驗(yàn)，并基于點(diǎn)位匹配度和面積匹配度進(jìn)行評(píng)價(jià)。結(jié)果表明：多季相數(shù)據(jù)更能反映農(nóng)作物生長(zhǎng)的復(fù)雜性，有助于提高耕地信息的提取精度；不同土地利用類型在不同分形尺度的信號(hào)值各不相同，分形特征可以在不同尺度上清晰地刻畫(huà)出不同土地利用類型的分異性；基于矢量數(shù)據(jù)和Esri land cover數(shù)據(jù)評(píng)價(jià)的多季相分形特征耕地提取點(diǎn)位匹配度為87.13%和89.83%，面積匹配度為99.73%和97.91%，均比單季相分形提取結(jié)果精度高；綜合考慮點(diǎn)位匹配度、面積匹配度和空間分布特征，研發(fā)方法能有效區(qū)分耕地和其他土地利用類型，提取結(jié)果更優(yōu)，且與統(tǒng)計(jì)數(shù)據(jù)有更高的一致性。該方法可準(zhǔn)確提取耕地信息，為耕地的動(dòng)態(tài)監(jiān)測(cè)和損害評(píng)估提供技術(shù)支撐。

摘要:為提高灌溉農(nóng)田中灌溉水體的識(shí)別精度，以河套灌區(qū)解放閘灌域作為研究區(qū)，基于Sentinel-2遙感影像，結(jié)合灌區(qū)實(shí)際情況對(duì)地表水體提取模型(WatNet)進(jìn)行改進(jìn)，得到MWatNet模型并提取灌溉水體。采用總體精度（Overall accuracy,OA）、平均交并比（Mean intersection over union,MIoU）、F1值等水體提取精度指標(biāo)進(jìn)行綜合評(píng)價(jià)。結(jié)果表明：改進(jìn)后的地表水體提取模型(MWatNet)在解放閘灌域農(nóng)田灌溉水體的提取上具有較好的識(shí)別精度，模型總體精度達(dá)到96%，平均交并比達(dá)到83%，F(xiàn)1值為80%，實(shí)地調(diào)研驗(yàn)證準(zhǔn)確度為85.7%；對(duì)比原WatNet、水體語(yǔ)義分割模型(Deeplabv3_plus)和水體提取模型(Deepwatermapv2)，MWatNet在灌溉水體提取的連結(jié)性、剔除道路和城鎮(zhèn)干擾等方面，均表現(xiàn)出更好的效果和模型運(yùn)行效率。利用該模型可以實(shí)現(xiàn)灌溉水體定量化表征，為灌溉用水調(diào)度提供了數(shù)據(jù)支撐。

摘要:森林地上生物量（Aboveground biomass，AGB）是評(píng)價(jià)森林生長(zhǎng)情況的重要指標(biāo)?；跀?shù)字航空攝影（Digital aerial photography，DAP）生成的二維和三維數(shù)據(jù)，分別計(jì)算了41個(gè)點(diǎn)云高度變量和16個(gè)可見(jiàn)光植被指數(shù)，利用6種回歸算法（隨機(jī)森林（RF）、袋裝樹(shù)（BT）、支持向量回歸（SVR）、Cubist、類別型特征提升（CatBoost）、極端梯度提升（XGBoost））分別構(gòu)建了單一變量集和綜合變量集AGB估測(cè)模型，探索了不同變量對(duì)于AGB估測(cè)模型的貢獻(xiàn)。研究結(jié)果表明光譜數(shù)據(jù)集和點(diǎn)云數(shù)據(jù)集AGB預(yù)測(cè)模型精度最高分別為Cubist和XGBoost，R2分別為0.5309和0.6395。組合數(shù)據(jù)集最高精度模型為XGBoost，R2達(dá)到0.7601, XGBoost模型具有更高的AGB估測(cè)穩(wěn)定性。研究還表明6種機(jī)器學(xué)習(xí)模型的貢獻(xiàn)主要取決于所考慮的回歸方法，所選擇的特征個(gè)數(shù)和特征對(duì)模型的重要性在不同的模型中并不一致。DOM光譜特征在AGB的估測(cè)中具有更高的重要性?？傮w來(lái)說(shuō)，二維和三維數(shù)據(jù)的結(jié)合能夠有效提高森林AGB估測(cè)精度，基于無(wú)人機(jī)傾斜攝影獲取的RGB影像能夠?qū)崿F(xiàn)森林AGB的快速無(wú)損估計(jì)。

摘要:為優(yōu)化養(yǎng)分管理和確保植株正常生長(zhǎng)，以無(wú)人機(jī)遙感技術(shù)高效且非破壞采集田間作物苗情信息，監(jiān)測(cè)油菜苗期的葉面積指數(shù)（LAI）與葉綠素相對(duì)含量（SPAD）。針對(duì)無(wú)人機(jī)因飛行高度與圖像分辨率相互制約，監(jiān)測(cè)效率與監(jiān)測(cè)精度難以兼顧的問(wèn)題，采用超分辨率重建方法，融合較低飛行高度拍攝高分辨率影像，重建較高飛行高度拍攝影像，建模完成后可通過(guò)拍攝飛行影像監(jiān)測(cè)LAI和SPAD。試驗(yàn)設(shè)置3個(gè)氮肥梯度、3個(gè)播期、3個(gè)種植密度處理，在苗期利用無(wú)人機(jī)分別采集20m及40m 2個(gè)飛行高度的油菜苗影像，采用SRRestnet方法，對(duì)40m影像進(jìn)行超分辨率重建。基于20m、40m及40m重建影像中提取的3種特征組合，利用偏最小二乘回歸（PLSR）、隨機(jī)森林（RF）、支持向量回歸（SVR）3種機(jī)器學(xué)習(xí)方法對(duì)LAI和SPAD進(jìn)行監(jiān)測(cè)。結(jié)果表明，超分辨率重建后的圖像在表型苗情監(jiān)測(cè)中表現(xiàn)出良好效果，PLSR監(jiān)測(cè)LAI、RF監(jiān)測(cè)SPAD的監(jiān)測(cè)精度最高，且40m重建圖像的作業(yè)效率相比于20m圖像提高48.6%。

摘要:基本苗數(shù)量是反映水稻健康水平的重要依據(jù)，在分蘗期精準(zhǔn)估測(cè)水稻基本苗數(shù)量可以指導(dǎo)后期的施肥量，從而調(diào)控水稻的最佳分蘗數(shù)。同時(shí)，對(duì)水稻長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量預(yù)測(cè)具有非常重要的意義。針對(duì)傳統(tǒng)田間人工統(tǒng)計(jì)基本苗數(shù)量耗時(shí)長(zhǎng)、成本高等問(wèn)題，以江蘇大學(xué)附屬農(nóng)場(chǎng)鎮(zhèn)江潤(rùn)果農(nóng)場(chǎng)分蘗期水稻為研究對(duì)象，利用大疆無(wú)人機(jī)（M600 Pro型）搭載多光譜相機(jī)（Rededge-MX型）獲取水稻分蘗期多光譜數(shù)據(jù)，對(duì)原始圖像進(jìn)行圖像拼接、輻射校正、幾何校正等預(yù)處理操作，根據(jù)像元純度系數(shù)提取土壤端元和植被端元，建立波譜庫(kù)，然后按照完全約束最小二乘法的方法執(zhí)行混合像元分解，構(gòu)建植被覆蓋度和水稻基本苗數(shù)量的回歸模型。該研究方法獲得的模型決定系數(shù)R2為0.891，均方根誤差RMSE為4.6株/m2。而傳統(tǒng)的像元二分法模型（基于NDVI、VDVI和GNDVI植被指數(shù)計(jì)算植被覆蓋度），其決定系數(shù)R2為0.834、0.744、0.642，其RMSE為5.7、7.1、8.4株/m2。試驗(yàn)結(jié)果表明，基于完全約束最小二乘法的混合像元分解模型評(píng)價(jià)指標(biāo)均優(yōu)于像元二分法模型。本文基于混合像元分解方法有效提高了水稻基本苗統(tǒng)計(jì)精度，并且生成了水稻基本苗數(shù)量反演圖，可以直觀統(tǒng)計(jì)基本苗數(shù)量，為分蘗期水稻補(bǔ)苗、間苗提供指導(dǎo)。

摘要:柑橘木虱是黃龍病的主要傳播媒介，其發(fā)生與活動(dòng)可對(duì)柑橘果園造成毀滅性后果。為實(shí)現(xiàn)木虱蟲(chóng)情的高效監(jiān)測(cè)，設(shè)計(jì)了一種集誘捕拍照、耗材更新、害蟲(chóng)識(shí)別與結(jié)果展示于一體的智能監(jiān)測(cè)系統(tǒng)。設(shè)計(jì)了具備誘蟲(chóng)膠帶自動(dòng)更新、蟲(chóng)情圖像實(shí)時(shí)獲取功能的誘捕監(jiān)測(cè)裝置；應(yīng)用選點(diǎn)裁剪、Mosaic數(shù)據(jù)增強(qiáng)（Mosaic data augmentation，MDA）和CA（Coordinate attention）注意力機(jī)制，改進(jìn)了YOLO v8木虱識(shí)別模型；開(kāi)發(fā)了Web和手機(jī)APP客戶端，可實(shí)現(xiàn)蟲(chóng)情數(shù)據(jù)的可視化展示與遠(yuǎn)程控制。模型測(cè)試階段，改進(jìn)后的YOLO v8-MC召回率、F1值及精確率分別達(dá)到91.20%、91%、90.60%，較基準(zhǔn)模型分別提升5.47、5、4.64個(gè)百分點(diǎn)；遷移試驗(yàn)中，模型召回率、F1值及精確率分別達(dá)到88.64%、87%、84.78%，且系統(tǒng)工作狀態(tài)良好，滿足野外使用需求。開(kāi)發(fā)的智能監(jiān)測(cè)系統(tǒng)能有效實(shí)現(xiàn)果園木虱蟲(chóng)情的遠(yuǎn)程監(jiān)測(cè)，可為此類蟲(chóng)害防治管理提供有效手段。

摘要:針對(duì)復(fù)雜果園環(huán)境下目標(biāo)檢測(cè)算法參數(shù)量大、魯棒性差等問(wèn)題，本文提出一種改進(jìn)的YOLO v7網(wǎng)絡(luò)模型用于蘋(píng)果成熟度（未成熟、半成熟、成熟）檢測(cè)。以YOLO v7為基線網(wǎng)絡(luò)，在特征提取結(jié)構(gòu)中引入窗口多頭自注意力機(jī)制（Swin transformer，ST），極大地降低網(wǎng)絡(luò)參數(shù)量與計(jì)算量；為提高模型對(duì)遠(yuǎn)景圖像中小目標(biāo)的檢測(cè)能力，在特征融合結(jié)構(gòu)中引入自適應(yīng)空間特征融合（Adaptively spatial feature fusion，ASFF）模塊優(yōu)化Head部分，有效利用圖像的淺層特征和深層特征，加強(qiáng)特征尺度不變性；采用WIoU（Wise intersection over union）代替原始CIoU（Complete intersection over union）損失函數(shù)，在提高檢測(cè)準(zhǔn)確率的同時(shí)加快模型收斂速度。試驗(yàn)結(jié)果表明，本文改進(jìn)的YOLO v7-ST-ASFF模型在蘋(píng)果圖像測(cè)試集上的檢測(cè)速度和準(zhǔn)確率均有顯著提高，不同成熟度檢測(cè)精確率、召回率和平均精度均值可達(dá)92.5%、84.2%和93.6%，均優(yōu)于Faster R-CNN、SSD、YOLO v3、YOLO v5、YOLO v7以及YOLO v8目標(biāo)檢測(cè)模型；針對(duì)多目標(biāo)、單目標(biāo)、順光、逆光、遠(yuǎn)景、近景以及套袋、未套袋蘋(píng)果目標(biāo)的檢測(cè)效果都較好；本文網(wǎng)絡(luò)模型內(nèi)存占用量為53.4MB，模型平均檢測(cè)時(shí)間（Average detection time，ADT）為45.ms，均優(yōu)于其他目標(biāo)檢測(cè)模型。改進(jìn)的YOLO v7-ST-ASFF模型能夠滿足復(fù)雜果園環(huán)境下蘋(píng)果目標(biāo)的檢測(cè)，可為果蔬機(jī)器人自動(dòng)化采摘提供技術(shù)支撐。

摘要:隨著畜牧養(yǎng)殖智能化監(jiān)控技術(shù)的產(chǎn)業(yè)化應(yīng)用，進(jìn)一步提升畜禽養(yǎng)殖的分類施策精細(xì)化管理，成為現(xiàn)代畜牧業(yè)精細(xì)高效養(yǎng)殖管理的新需求。采用固定機(jī)位、多角度視頻采集技術(shù)，實(shí)時(shí)記錄羊群牧食過(guò)程中的游走行為；針對(duì)羊群游走視頻中易出現(xiàn)遮擋的復(fù)雜情況，設(shè)計(jì)了基于YOLO v5模型的羊群多目標(biāo)檢測(cè)模型，羊群游走過(guò)程中的多目標(biāo)實(shí)時(shí)跟蹤識(shí)別率可達(dá)90.63%；采用羊群游走多目標(biāo)軌跡跟蹤DeepSORT算法，通過(guò)提取羊目標(biāo)的深度表觀特征，計(jì)算出羊群游走軌跡和變化節(jié)拍規(guī)律。結(jié)果表明，羊的游走過(guò)程通常為慢走、快走和疾走3種方式，單只羊的游走過(guò)程通常是不固定的隨機(jī)組合。在中大規(guī)模羊群中，由于親緣關(guān)系結(jié)構(gòu)的復(fù)雜性，羊群往往分化為多個(gè)小群體，這使得從整體上觀察和分析羊群行為變得異常困難。為此，聚焦于小規(guī)模羊群進(jìn)行研究，通過(guò)羊群散列、聚集和同步3個(gè)游走過(guò)程分析，初步驗(yàn)證了羊群游走節(jié)拍周期上的同步現(xiàn)象。

摘要:奶山羊乳房區(qū)域的準(zhǔn)確提取是奶山羊非侵入式體溫檢測(cè)的關(guān)鍵，但受乳房區(qū)域遮擋及熱紅外圖像分辨率不高等因素影響，其檢測(cè)精度尚待進(jìn)一步提升?；跓峒t外成像技術(shù)，提出了一種基于改進(jìn)YOLO v5s的奶山羊乳房關(guān)鍵部位檢測(cè)方法。通過(guò)將原模型Backbone網(wǎng)絡(luò)的部分卷積模塊替換為ShuffleNetV2結(jié)構(gòu)，以達(dá)到降低網(wǎng)絡(luò)部署和訓(xùn)練過(guò)程中的參數(shù)量、實(shí)現(xiàn)輕量化網(wǎng)絡(luò)設(shè)計(jì)的目的。通過(guò)在Neck網(wǎng)絡(luò)檢測(cè)頭(Head)前端引入CBAM注意力機(jī)制，以達(dá)到在降低網(wǎng)絡(luò)復(fù)雜程度的同時(shí)保證奶山羊乳房區(qū)域檢測(cè)精度的目的。本研究采集了包含完整信息、殘缺信息和邊緣模糊的孕期奶山羊乳房紅外圖像4611幅，并在部位標(biāo)注后進(jìn)行模型訓(xùn)練。經(jīng)測(cè)試，模型精確率為93.7%，召回率為86.1%，平均精度均值為92.4%，參數(shù)量為8×105，浮點(diǎn)運(yùn)算量為1.9×109。與YOLO v5n、YOLO v5s、YOLO v7-tiny、YOLO v7、YOLO v8n和YOLO v8s目標(biāo)檢測(cè)網(wǎng)絡(luò)相比，網(wǎng)絡(luò)的精確率分別提高1.9、1.2、1.6、4.3、3.5、2.7個(gè)百分點(diǎn)，召回率提高3.4、5.0、0.1、2.6、0.9、1.5個(gè)百分點(diǎn)，參數(shù)量降低1.1×106、6.2×106、5.2×106、3.6×107、2.4×106和1.0×107，浮點(diǎn)運(yùn)算量降低2.6×109、1.4×1010、1.1×1010、1.0×1011、6.8×109和2.7×1010。試驗(yàn)結(jié)果表明，本研究所提出的網(wǎng)絡(luò)可以實(shí)現(xiàn)奶山羊乳房關(guān)鍵部位的精確檢測(cè)，且在不損失檢測(cè)精度的基礎(chǔ)上顯著降低網(wǎng)絡(luò)的參數(shù)量，有利于網(wǎng)絡(luò)在不同環(huán)境下的部署和使用，可為奶山羊非接觸式體溫監(jiān)測(cè)系統(tǒng)設(shè)計(jì)提供借鑒。

摘要:為了促進(jìn)漁業(yè)裝備智能化，近年來(lái)基于視頻流的魚(yú)類攝食行為識(shí)別研究受到了廣泛關(guān)注。針對(duì)基于視頻流的傳統(tǒng)識(shí)別方法模型過(guò)于復(fù)雜，難以在邊緣計(jì)算設(shè)備部署的問(wèn)題，提出了一種輕量級(jí)的2D卷積運(yùn)動(dòng)特征提取網(wǎng)絡(luò)Motion-EfficientNetV2，該網(wǎng)絡(luò)以視頻流為輸入，能夠有效識(shí)別魚(yú)類攝食行為。提出的模型以EfficientNetV2為主干網(wǎng)絡(luò)，基于TEA和ECANet構(gòu)建了運(yùn)動(dòng)特征提取模塊Motion，并將該模塊嵌入到EfficientNetV2的每個(gè)Fused-MBConv模塊中，使改進(jìn)后的EfficientNetV2具有運(yùn)動(dòng)特征提取能力。同時(shí)使用ECANet對(duì)EfficientNetV2網(wǎng)絡(luò)中的MBConv進(jìn)行改進(jìn)，增強(qiáng)其通道特征提取能力。在此基礎(chǔ)上利用空洞卷積擴(kuò)大感受野，提高大范圍特征提取能力。試驗(yàn)結(jié)果表明，Motion-EfficientNetV2的參數(shù)量和浮點(diǎn)運(yùn)算量分別為9.3×106和1.31×1010，優(yōu)于EfficientNetV2。在TSN-ResNet50、TSN-EfficientNetV2、C3D以及R3D模型上進(jìn)行對(duì)比試驗(yàn)，本文模型在降低參數(shù)量和浮點(diǎn)運(yùn)算量的同時(shí)，使識(shí)別準(zhǔn)確率提高到93.97%。該研究對(duì)于漁業(yè)裝備智能化升級(jí)和科學(xué)養(yǎng)殖具有推動(dòng)作用。

摘要:針對(duì)農(nóng)業(yè)病害領(lǐng)域命名實(shí)體識(shí)別過(guò)程中存在的預(yù)訓(xùn)練語(yǔ)言模型利用不充分、外部知識(shí)注入利用率低、嵌套命名實(shí)體識(shí)別率低的問(wèn)題，本文提出基于連續(xù)提示注入和指針網(wǎng)絡(luò)的命名實(shí)體識(shí)別模型CP-MRC（Continuous prompts for machine reading comprehension）。該模型引入BERT（Bidirectional encoder representation from transformers）預(yù)訓(xùn)練模型，通過(guò)凍結(jié)BERT模型原有參數(shù)，保留其在預(yù)訓(xùn)練階段獲取到的文本表征能力；為了增強(qiáng)模型對(duì)領(lǐng)域數(shù)據(jù)的適用性，在每層Transformer中插入連續(xù)可訓(xùn)練提示向量；為提高嵌套命名實(shí)體識(shí)別的準(zhǔn)確性，采用指針網(wǎng)絡(luò)抽取實(shí)體序列。在自建農(nóng)業(yè)病害數(shù)據(jù)集上開(kāi)展了對(duì)比實(shí)驗(yàn)，該數(shù)據(jù)集包含2933條文本語(yǔ)料，8個(gè)實(shí)體類型，共10414個(gè)實(shí)體。實(shí)驗(yàn)結(jié)果顯示，CP-MRC模型的精確率、召回率、F1值達(dá)到83.55%、81.4%、82.4%，優(yōu)于其他模型；在病原、作物兩類嵌套實(shí)體的識(shí)別率較其他模型F1值提升3個(gè)百分點(diǎn)和13個(gè)百分點(diǎn)，嵌套實(shí)體識(shí)別率明顯提升。本文提出的模型僅采用少量可訓(xùn)練參數(shù)仍然具備良好識(shí)別性能，為較大規(guī)模預(yù)訓(xùn)練模型在信息抽取任務(wù)上的應(yīng)用提供了思路。

摘要:隨著水產(chǎn)品交易規(guī)模的擴(kuò)大，區(qū)塊鏈技術(shù)在產(chǎn)品溯源和數(shù)據(jù)共享方面得到廣泛的應(yīng)用，但不同企業(yè)內(nèi)或同一供應(yīng)鏈內(nèi)的不同環(huán)節(jié)構(gòu)建的區(qū)塊鏈之間數(shù)據(jù)無(wú)法有效交互和共享，致使信息孤島問(wèn)題依然存在。因此提出了基于公證人機(jī)制的水產(chǎn)品跨鏈交易模型，旨在實(shí)現(xiàn)水產(chǎn)品不同環(huán)節(jié)之間的跨鏈交易，解決單點(diǎn)故障問(wèn)題，并提升交易效率。同時(shí)針對(duì)水產(chǎn)品跨鏈交易業(yè)務(wù)特點(diǎn)，提出兩階段跨鏈交易流程，完善交易錯(cuò)誤處理機(jī)制，從而解決跨鏈交易過(guò)程中的數(shù)據(jù)一致性、原子性需求，并基于Hyperledger Fabric平臺(tái)構(gòu)建系統(tǒng)原型。實(shí)驗(yàn)結(jié)果表明，在交易量較大的情況下，交易平均成功率高于99%，平均延遲時(shí)間為0.21s左右，模型在保證交易安全性的前提下，滿足了水產(chǎn)品區(qū)塊鏈跨鏈交易需求。

摘要:區(qū)塊鏈技術(shù)應(yīng)用到水產(chǎn)品線上交易架構(gòu)中可以使交易雙方隱私信息得到基本保障，然而，目前區(qū)塊鏈水產(chǎn)品線上交易模型和系統(tǒng)存在海量數(shù)據(jù)存儲(chǔ)負(fù)載大、維護(hù)成本高、數(shù)據(jù)查詢效率低等問(wèn)題。為進(jìn)一步緩解以上問(wèn)題，在梳理和分析水產(chǎn)品交易流程基礎(chǔ)上，根據(jù)水產(chǎn)品交易業(yè)務(wù)技術(shù)需求，提出了基于多鏈存儲(chǔ)優(yōu)化的水產(chǎn)品交易匹配模型。該模型在智能合約中通過(guò)貪心算法實(shí)現(xiàn)了效率較高的多屬性水產(chǎn)品線上交易匹配過(guò)程，通過(guò)區(qū)塊鏈多通道技術(shù)構(gòu)建了水產(chǎn)品交易多鏈架構(gòu)，實(shí)現(xiàn)了用戶交易信息分布式存儲(chǔ)，提高了交易信息查詢效率，同時(shí)，采用區(qū)塊鏈與本地?cái)?shù)據(jù)庫(kù)雙模式存儲(chǔ)技術(shù)，緩解了區(qū)塊鏈網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)海量數(shù)據(jù)存儲(chǔ)的負(fù)載。基于Hyperledger Fabric平臺(tái)實(shí)現(xiàn)了基于多鏈存儲(chǔ)優(yōu)化的水產(chǎn)品交易原型系統(tǒng)。該原型系統(tǒng)測(cè)試結(jié)果表明，臨界值900s平均最多可以完成1296筆交易，說(shuō)明系統(tǒng)在處理千條交易數(shù)據(jù)量時(shí)可以正常運(yùn)行，滿足水產(chǎn)品線上交易平臺(tái)日常實(shí)際交易業(yè)務(wù)需求，同時(shí)在鏈上存儲(chǔ)1600條合同信息時(shí)查詢1條用戶合同信息平均時(shí)間為4.018s，多鏈存儲(chǔ)結(jié)構(gòu)提高了鏈上數(shù)據(jù)查詢速度。

摘要:為探尋不同秸稈還田方式配施氮肥對(duì)黑土玉米田土壤CO2排放與碳平衡的影響，于2023年開(kāi)展大田試驗(yàn)，設(shè)置秸稈離田（S0，對(duì)照）、秸稈覆蓋還田(S1)、秸稈旋耕還田（S2）3種秸稈還田方式，同時(shí)設(shè)置常規(guī)施加氮肥（N, 250kg/hm2）與不施加氮肥（W，0kg/hm2，對(duì)照）2種施氮模式，共計(jì)6個(gè)處理。測(cè)定不同處理下玉米生育期土壤CO2排放通量以及玉米收獲后土壤有機(jī)碳（SOC）、可溶性有機(jī)碳（DOC）、微生物量碳（MBC）含量，探究土壤CO2累積排放量與SOC、DOC、MBC含量的關(guān)系，并分析黑土玉米田生態(tài)系統(tǒng)碳平衡狀況。結(jié)果表明：各處理中土壤CO2累積排放量從大到小依次為S2N、S1N、S0N、S2W、S1W、S0W，其中S2N處理土壤CO2累積排放量較S0W處理顯著增加70.31%（P<0.05）。在相同施氮模式下，秸稈還田能夠有效增加SOC、DOC、MBC含量，且土壤CO2累積排放量與SOC、DOC、MBC含量呈正相關(guān)關(guān)系。不同秸稈還田方式配施氮肥下，S1N處理玉米產(chǎn)量最高，為13534.4kg/hm2，作物碳排放速率最低，為0.122kg/kg。不同秸稈還田方式配施氮肥下黑土玉米田生態(tài)系統(tǒng)碳平衡值均為正值，表現(xiàn)為較強(qiáng)的碳“匯”，其中S1N處理碳平衡值和土壤固碳潛力最大，較其他處理分別增加13.12%~94.05%、3.49%~25.32%。綜上所述，在本試驗(yàn)條件下，秸稈覆蓋還田+常規(guī)施氮（S1N處理）可以實(shí)現(xiàn)黑土玉米田土壤固碳減排和作物增產(chǎn)目的。

摘要:為探明水氮運(yùn)籌對(duì)稻田生態(tài)系統(tǒng)碳收支的影響，開(kāi)展大田試驗(yàn)，設(shè)置淺濕干灌溉（D）和淹水灌溉（F）兩種灌溉模式，及110kg/hm2（當(dāng)?shù)厥┓蕵?biāo)準(zhǔn)，N1）、99kg/hm2（減氮10%，N2）和88kg/hm2（減氮20%，N3）3個(gè)施肥水平，觀測(cè)高留殘茬稻田水稻收獲后不同器官的干物質(zhì)量及碳含量，同時(shí)監(jiān)測(cè)稻田CO2和CH4排放通量，計(jì)算水稻凈初級(jí)生產(chǎn)力（NPP）和稻田凈生態(tài)系統(tǒng)初級(jí)生產(chǎn)力（NECB）。結(jié)果表明：水氮運(yùn)籌會(huì)影響稻株各器官干物質(zhì)及碳含量，所有處理中DN2處理NPP最大（8918.02kg/hm2），淺濕干灌溉模式各處理NPP均大于淹水灌溉模式，分別增加12.13%、36.73%、8.01%；淺濕干灌溉模式增加了稻田土壤呼吸的CO2排放通量，減施氮肥則降低了CO2排放通量，淺濕干灌溉減施氮肥降低了CH4排放通量；兩種灌溉模式下各處理CO2和CH4排放總量均隨氮肥施用量減少而降低，淹水灌溉模式下各處理CH4排放總量均顯著高于淺濕干灌溉模式（P＜0.05）；各處理稻田生態(tài)系碳凈收支均為正值，黑土區(qū)高留殘茬稻田生態(tài)系統(tǒng)表現(xiàn)為碳“匯”，其中DN2處理NECB最高，為1950.96kg/hm2。綜合來(lái)看，淺濕干灌溉模式+減氮10%處理的稻田生態(tài)系統(tǒng)碳“匯”最強(qiáng)。研究可為寒地黑土保護(hù)提供理論參考和技術(shù)支撐。

摘要:以典型黑土區(qū)——三江平原為研究區(qū)，采用最小二乘法揭示1990—2020年氣候變化下研究區(qū)陸地生態(tài)系統(tǒng)碳儲(chǔ)量變化趨勢(shì)，借助重心分析和冷熱點(diǎn)分析方法揭示研究區(qū)陸地生態(tài)系統(tǒng)碳儲(chǔ)量時(shí)空分異特征，利用地理加權(quán)回歸法分析氣候因子對(duì)碳儲(chǔ)量的影響，并借助CMIP6數(shù)據(jù)模擬和預(yù)測(cè)高強(qiáng)迫情景（SSP585）和中等強(qiáng)迫情景（SSP245）下陸地生態(tài)系統(tǒng)碳儲(chǔ)量。結(jié)果表明：氣候變化背景下1990—2020年研究區(qū)碳儲(chǔ)量呈波動(dòng)下降趨勢(shì)，碳儲(chǔ)量損失約2.66×107t；碳儲(chǔ)量高值區(qū)主要分布在西北部和東部地區(qū)，碳儲(chǔ)量低值區(qū)主要分布在北部和東南部地區(qū)；1990—2020年研究區(qū)碳儲(chǔ)量下降速率變化幅度較大，其中鶴崗市碳儲(chǔ)量下降速率最大，佳木斯市最小。1990—2020年研究區(qū)碳儲(chǔ)量重心向東北方向移動(dòng)1340m，其中2000—2020年向東北方向偏移1680m；碳儲(chǔ)量熱點(diǎn)區(qū)呈片狀和塊狀分布格局，冷點(diǎn)區(qū)呈片狀和帶狀分布格局，熱點(diǎn)區(qū)范圍基本保持不變，冷點(diǎn)區(qū)范圍縮小。1990—2020年研究區(qū)年均氣溫、年降水量與碳儲(chǔ)量關(guān)系具有顯著性，呈正負(fù)無(wú)規(guī)律交錯(cuò)分布的空間格局。氣候與土地利用變化決定碳儲(chǔ)量的時(shí)空格局，其中林地-林地和耕地-耕地碳儲(chǔ)量損失最大。在SSP585和SSP245情景下，2030年研究區(qū)碳儲(chǔ)量分別為2.22×107t和2.26×107t，相比2020年分別減少2.17×107t和2.13×107t，碳儲(chǔ)量空間分布格局未發(fā)生顯著改變，但冷熱點(diǎn)區(qū)范圍均縮小，重心將持續(xù)向東北方向偏移6525m和6000m。

摘要:針對(duì)沼氣工程存在的沼液量大難處理問(wèn)題及沼氣提純的需求，提出將正滲透技術(shù)與沼氣CO2化學(xué)吸收分離耦合，探究了沼氣CO2化學(xué)吸收中的富CO2吸收液作為正滲透汲取液從沼液中回收水及濃縮沼液的可行性，并以沼液濃縮過(guò)程中的水通量、沼液濃縮倍數(shù)、沼液氨氮截留率與吸收劑反向傳質(zhì)通量為指標(biāo)，考察了汲取液種類、汲取液濃度與其他操作參數(shù)對(duì)正滲透水回收性能的影響。結(jié)果表明，富CO2吸收液作為汲取液從沼液中回收水并濃縮沼液具有可行性，且隨著汲取液濃度、流量和溫度的增加，沼液中水向汲取液的傳質(zhì)通量增加，沼液濃縮倍數(shù)也相應(yīng)增加，但沼液中氨氮截留率下降，同時(shí)汲取液中的吸收劑溶質(zhì)向沼液的反向傳質(zhì)通量也增加。當(dāng)采用濃度2.5mol/L、CO2負(fù)荷0.5mol/mol的富CO2甘氨酸鉀溶液作為汲取液，汲取液溫度為70℃、流速為150mL/min、沼液室溫及流速為150mL/min時(shí)，采用正滲透技術(shù)從沼液中回收水的初始通量達(dá)8.05L/（m2·h），經(jīng)過(guò)4h運(yùn)行后，沼液濃縮倍數(shù)為1.18，氨氮截留率為84.13%，反向吸收劑通量?jī)H為2.94g/（m2·h）。

摘要:針對(duì)目前內(nèi)熱式移動(dòng)床生物質(zhì)熱解炭化試驗(yàn)研究平臺(tái)條件不足的問(wèn)題，開(kāi)發(fā)了一種內(nèi)加熱兼吸式移動(dòng)床熱解炭化裝置，模擬連續(xù)式熱解炭化工藝，設(shè)計(jì)了供氣系統(tǒng)、出炭系統(tǒng)、產(chǎn)物收集系統(tǒng)、氣體凈化系統(tǒng)、溫度監(jiān)控系統(tǒng)，以稻殼作為原料，開(kāi)展了上吸和下吸式熱解炭化試驗(yàn)，研究了停留時(shí)間和吸氣方式對(duì)內(nèi)熱式熱解炭化產(chǎn)物的影響。結(jié)果表明，隨著停留時(shí)間的增加，上吸和下吸內(nèi)熱式熱解炭化變化趨勢(shì)基本相同，揮發(fā)分和固定碳含量均呈下降趨勢(shì)，灰分含量增加，磷及氮元素含量均下降，氧元素含量上升，氫元素變化趨勢(shì)不明顯，熱值分別從20.7MJ/kg和22MJ/kg下降到14.6MJ/kg和15.2MJ/kg；比表面積分別從0.73m2/g和0.78m2/g上升到3.84m2/g和3.95m2/g，生物炭孔隙結(jié)構(gòu)得到了發(fā)展。該系統(tǒng)結(jié)構(gòu)合理，運(yùn)行穩(wěn)定可靠，密封效果良好，可有效控制進(jìn)氣方式、進(jìn)氣量、保溫炭化時(shí)間等試驗(yàn)因素。為內(nèi)加熱炭化工藝參數(shù)試驗(yàn)研究提供了重要支撐。

摘要:針對(duì)目前馬鈴薯切條機(jī)切削質(zhì)量差、切削薯?xiàng)l破損率高以及自動(dòng)化程度低等問(wèn)題，對(duì)馬鈴薯切條機(jī)結(jié)構(gòu)進(jìn)行改進(jìn)設(shè)計(jì)。采用激光傳感器和入料分流裝置檢測(cè)入料速度并對(duì)入料速度進(jìn)行調(diào)控，提高入料均勻性與切削穩(wěn)定性。通過(guò)對(duì)關(guān)鍵部件的分析確定了影響切條質(zhì)量的關(guān)鍵因素與取值范圍。以離心滾筒轉(zhuǎn)速、推料葉片傾角和切片刀安裝角為試驗(yàn)因素，以切條合格率和分切破損率為試驗(yàn)指標(biāo)，進(jìn)行三因素三水平響應(yīng)面試驗(yàn)，利用Design-Expert 10.0.1軟件對(duì)試驗(yàn)結(jié)果進(jìn)行方差分析，通過(guò)響應(yīng)面分析交互因素對(duì)試驗(yàn)指標(biāo)的影響規(guī)律。運(yùn)用軟件優(yōu)化得出試驗(yàn)因素的最優(yōu)組合并進(jìn)行驗(yàn)證試驗(yàn)，結(jié)果表明：當(dāng)離心滾筒轉(zhuǎn)速為224.6r/min、推料葉片傾角為19.4°、切片刀安裝角為292°時(shí)，切條合格率為96.7%、分切破損率為2.0%。在此基礎(chǔ)上進(jìn)行入料速度控制調(diào)節(jié)試驗(yàn)，試驗(yàn)結(jié)果顯示：切條合格率為96.2%，分切破損率為2.4%，產(chǎn)量達(dá)3.3t/h，切條合格率提高7%，分切破損率降低4%，切削效率提高28%，提高了馬鈴薯切條機(jī)流水線工作時(shí)的切削質(zhì)量與效率。

摘要:常溫再制干酪制品是指經(jīng)超高溫瞬時(shí)滅菌（Ultrahigh temperature treated，UHT）處理后可常溫貯藏的滅菌型干酪制品，是我國(guó)乳品工業(yè)的新熱點(diǎn)。然而，干酪在UHT處理后易失穩(wěn)發(fā)生凝膠結(jié)構(gòu)重構(gòu)，在貯藏期間出現(xiàn)析水等質(zhì)構(gòu)問(wèn)題，影響產(chǎn)品品質(zhì)。為闡明蛋白原料對(duì)常溫再制干酪制品析水性的影響及機(jī)制，篩選了3種不同的蛋白原料：膜過(guò)濾酪蛋白膠束、濃縮牛奶蛋白、凝乳酶酪蛋白，分析其蛋白質(zhì)含量、組成以及粒徑、電位、水合性和鈣離子分布等理化特性，進(jìn)而分析了蛋白原料對(duì)常溫再制干酪制品析水性和質(zhì)構(gòu)特性的影響規(guī)律，并從水分分布和微觀結(jié)構(gòu)層面解析蛋白原料對(duì)常溫再制干酪制品析水性的影響機(jī)制。結(jié)果表明：3種蛋白原料的蛋白質(zhì)含量和組成存在顯著差異，濃縮牛奶蛋白的乳清蛋白占總蛋白質(zhì)量分?jǐn)?shù)比膜過(guò)濾酪蛋白膠束高7.81個(gè)百分點(diǎn)，而凝乳酶酪蛋白中不含乳清蛋白；在水合性方面，濃縮牛奶蛋白和膜過(guò)濾酪蛋白膠束相近，均顯著高于凝乳酶酪蛋白。蛋白原料顯著影響常溫再制干酪制品析水性，貯藏90d時(shí)，由凝乳酶酪蛋白制備的常溫再制干酪制品析水率最高，而由濃縮牛奶蛋白制備的常溫再制干酪制品的析水率最低，表面析水率和離心析水率分別為0.42%和1.10%。水分分布和微觀結(jié)構(gòu)結(jié)果顯示，蛋白原料通過(guò)影響干酪制品中水分的存在狀態(tài)和三維網(wǎng)絡(luò)空間結(jié)構(gòu)，從而影響常溫再制干酪制品的析水性。研究解析了不同蛋白原料對(duì)常溫再制干酪制品析水性的影響及機(jī)制，為常溫再制干酪制品析水性的改善提供了理論依據(jù)。

摘要:為探究空化射流預(yù)處理對(duì)大豆分離蛋白-白藜蘆醇（SPI-RES）復(fù)合物的影響，對(duì)SPI進(jìn)行空化射流預(yù)處理（0、2、4、6、8、10min）后，與RES非共價(jià)結(jié)合形成復(fù)合物。通過(guò)荷載量和包埋率研究了SPI對(duì)RES的結(jié)合情況，采用內(nèi)源熒光光譜、傅里葉紅外光譜及分子對(duì)接技術(shù)研究了SPI和RES之間的相互作用機(jī)制，通過(guò)粒徑、ζ-電位、表面疏水性、抗氧化活性等考察了復(fù)合物的物理化學(xué)性質(zhì)和功能特性。結(jié)果表明：經(jīng)過(guò)一定時(shí)間的空化射流處理后，SPI對(duì)RES包埋率和荷載量顯著增加，復(fù)合物粒徑和ζ-電位分別減小和增大。內(nèi)源熒光光譜表明RES對(duì)SPI的淬滅為靜態(tài)淬滅，反應(yīng)是自發(fā)進(jìn)行的。傅里葉紅外光譜表明適當(dāng)?shù)目栈淞黝A(yù)處理促進(jìn)了SPI從有序結(jié)構(gòu)轉(zhuǎn)變?yōu)闊o(wú)序結(jié)構(gòu)，從而結(jié)合更多的RES。熱力學(xué)參數(shù)和分子對(duì)接結(jié)果表明疏水相互作用是主要作用力，還涉及氫鍵。此外，適當(dāng)?shù)目栈淞黝A(yù)處理后，SPI-RES復(fù)合物表面疏水性及抗氧化活性均有所增加。本研究為空化射流預(yù)處理大豆分離蛋白應(yīng)用領(lǐng)域的開(kāi)拓和脂溶性活性物質(zhì)保健食品的開(kāi)發(fā)提供了前期理論基礎(chǔ)。

摘要:果蔬全供應(yīng)鏈既具有業(yè)務(wù)環(huán)節(jié)繁雜、數(shù)據(jù)多源異構(gòu)、利益角色眾多等通用食品供應(yīng)鏈特征，又具有風(fēng)險(xiǎn)演變趨勢(shì)復(fù)雜、時(shí)效性要求強(qiáng)、存在突發(fā)新發(fā)風(fēng)險(xiǎn)等特性。為有效解決傳統(tǒng)果蔬供應(yīng)鏈監(jiān)管方案存在的監(jiān)管覆蓋面不足、溯源效應(yīng)周期長(zhǎng)、各主體間協(xié)同效應(yīng)差等問(wèn)題，構(gòu)建了基于區(qū)塊鏈多鏈的果蔬全程全息信息管理模型，并進(jìn)行了系統(tǒng)化驗(yàn)收。首先，在果蔬全程全息信息解析的基礎(chǔ)上，構(gòu)建基于多鏈的果蔬全程全息信息管理模型。然后，提出一種基于區(qū)塊綜合索引指數(shù)的果蔬信息快速檢索方法，并設(shè)計(jì)了基于公證鏈的果蔬信息跨鏈安全交互機(jī)制。其次，基于長(zhǎng)安鏈開(kāi)源區(qū)塊鏈平臺(tái)設(shè)計(jì)并開(kāi)發(fā)了果蔬全程全息信息管理原型系統(tǒng)。最后，進(jìn)行了實(shí)驗(yàn)驗(yàn)證和系統(tǒng)案例應(yīng)用分析。結(jié)果表明，本系統(tǒng)公開(kāi)數(shù)據(jù)上鏈平均耗時(shí)為589.03ms，隱私數(shù)據(jù)上鏈平均耗時(shí)為708.59ms，公開(kāi)數(shù)據(jù)查詢平均耗時(shí)為26.87ms，隱私數(shù)據(jù)查詢平均耗時(shí)為30.67ms。本文設(shè)計(jì)的基于多鏈的果蔬全程全息信息管理模型及系統(tǒng)在滿足不同需求用戶對(duì)于不同權(quán)限信息的上鏈和查詢需求的同時(shí)，實(shí)現(xiàn)了對(duì)果蔬全程全息信息的穿透式監(jiān)管，滿足了企業(yè)對(duì)隱私數(shù)據(jù)的權(quán)限控制與安全共享需求，提高了果蔬信息檢索效率，為果蔬全程全息信息管理模型開(kāi)發(fā)提供參考與借鑒。

摘要:丘陵山地地勢(shì)復(fù)雜、地形多變，農(nóng)機(jī)裝備作業(yè)環(huán)境以傾斜角度較大的斜坡為主，傳統(tǒng)農(nóng)機(jī)裝備在丘陵山區(qū)復(fù)雜地形下作業(yè)時(shí)效率低、穩(wěn)定性差，甚至?xí)霈F(xiàn)側(cè)傾、翻車等現(xiàn)象。本文從仿生機(jī)械設(shè)計(jì)角度出發(fā)，提出一種在丘陵山地復(fù)雜地形下能夠自主實(shí)現(xiàn)位姿調(diào)平控制的輪腿式機(jī)器人平臺(tái)，提升復(fù)雜地形下的作業(yè)穩(wěn)定性和安全性。以昆蟲(chóng)后足為仿生機(jī)械設(shè)計(jì)對(duì)象，并結(jié)合多連桿機(jī)構(gòu)原理，完成新型變行程輪腿機(jī)構(gòu)及機(jī)器人平臺(tái)的整體架構(gòu)設(shè)計(jì)。采用D-H參數(shù)法分析了輪腿機(jī)構(gòu)運(yùn)動(dòng)學(xué)特性，結(jié)果顯示輪腿式機(jī)器人離地間隙最大調(diào)整量為574mm，具備較強(qiáng)的越障能力。在空間坐標(biāo)系上定義輪腿式機(jī)器人空間姿態(tài)參數(shù)，推導(dǎo)得到機(jī)身姿態(tài)角與輪腿伸縮量之間的空間姿態(tài)模型，并設(shè)計(jì)了基于NSGA-Ⅱ的機(jī)身空間姿態(tài)逆解算法?；诳臻g姿態(tài)逆解算法構(gòu)建了輪腿式機(jī)器人全向位姿調(diào)平位姿控制系統(tǒng)，包含機(jī)身調(diào)平控制器、“虛腿”補(bǔ)償控制器和質(zhì)心高度控制器，在復(fù)雜地形下行駛時(shí)能夠控制輪腿式機(jī)器人俯仰角、側(cè)傾角、接地力、質(zhì)心高度等空間姿態(tài)參數(shù)，然后通過(guò)搭建的輪腿式機(jī)器人ADAMS-Matlab聯(lián)合仿真模型完成了位姿控制系統(tǒng)算法仿真驗(yàn)證。在機(jī)器人樣機(jī)上開(kāi)展了離地間隙自動(dòng)調(diào)整和機(jī)身全向位姿調(diào)平試驗(yàn)，試驗(yàn)結(jié)果表明，試驗(yàn)樣機(jī)離地間隙最大調(diào)整量為574mm，同時(shí)在復(fù)雜地形下能夠?qū)崿F(xiàn)機(jī)身位姿全向自動(dòng)調(diào)平，調(diào)平平均時(shí)間約為1.2s，調(diào)平平均誤差為0.8°，位姿控制響應(yīng)速度與調(diào)平精度能夠滿足實(shí)際工作要求。

摘要:以丘陵山地姿態(tài)調(diào)整輪式拖拉機(jī)為研究對(duì)象，提出了一種基于改進(jìn)遺傳算法的運(yùn)動(dòng)控制方法，可根據(jù)地形條件實(shí)現(xiàn)對(duì)拖拉機(jī)的實(shí)時(shí)調(diào)平控制，提高其車身穩(wěn)定性。首先，根據(jù)拖拉機(jī)機(jī)構(gòu)間的運(yùn)動(dòng)關(guān)系，建立表征其輪心位置與車身姿態(tài)參數(shù)關(guān)系的運(yùn)動(dòng)學(xué)模型，并進(jìn)行算例求解，驗(yàn)證了運(yùn)動(dòng)學(xué)模型的正確與準(zhǔn)確性。然后，以提高拖拉機(jī)車身穩(wěn)定性為控制目標(biāo)，在運(yùn)動(dòng)學(xué)建模的基礎(chǔ)上設(shè)計(jì)了一種基于改進(jìn)遺傳算法的運(yùn)動(dòng)控制方法。最后，對(duì)算法進(jìn)行仿真驗(yàn)證，結(jié)果表明，使用算法進(jìn)行運(yùn)動(dòng)控制可有效降低其車身姿態(tài)角，橫向坡地最大側(cè)傾角降低13.3°，縱向坡地最大俯仰角降低4.3°；在兩種坡度兼有的路面上進(jìn)行綜合調(diào)整，其最大側(cè)傾角和最大俯仰角分別降低13.8°和4°，極大提高了車身穩(wěn)定性。同時(shí)將改進(jìn)遺傳算法與傳統(tǒng)遺傳算法進(jìn)行對(duì)比，結(jié)果表明，改進(jìn)遺傳算法在響應(yīng)時(shí)間和控制精度方面均優(yōu)于傳統(tǒng)遺傳算法，其算法響應(yīng)時(shí)間較傳統(tǒng)遺傳算法縮短63.93%，大幅提高了算法效率。

摘要:根據(jù)少自由度并聯(lián)機(jī)構(gòu)應(yīng)用廣泛的優(yōu)點(diǎn)，提出了一種3T1R并聯(lián)機(jī)構(gòu)，該機(jī)構(gòu)具有構(gòu)型簡(jiǎn)單、結(jié)構(gòu)對(duì)稱、定位精度高等特點(diǎn)，可應(yīng)用于小范圍的精密操作，或者是大范圍的搬運(yùn)、分揀以及噴涂等領(lǐng)域?；诜轿惶卣鞣匠痰耐?fù)浞治隼碚?，?duì)該并聯(lián)機(jī)構(gòu)完成了自由度種類以及數(shù)目的分析與驗(yàn)證；基于閉環(huán)矢量法完成了運(yùn)動(dòng)學(xué)模型建立，并通過(guò)位置正逆解算例驗(yàn)證了運(yùn)動(dòng)學(xué)的合理性?；谖恢媚娼夥匠汤脴O限邊界搜索法分析了3T1R并聯(lián)機(jī)構(gòu)可達(dá)工作空間；通過(guò)速度分析建立了速度雅可比矩陣，并根據(jù)該矩陣分析機(jī)構(gòu)的定位精度與可操作度性能指標(biāo)。利用主成分分析(PCA)與粒子群算法(PSO)對(duì)3個(gè)性能指標(biāo)進(jìn)行優(yōu)化設(shè)計(jì)，并對(duì)優(yōu)化結(jié)果進(jìn)行了分析，最終優(yōu)化后可達(dá)工作空間體積從0.2933m3提高到0.4231m3，定位精度誤差放大因子從15.5044減小至4.4308，可操作度指數(shù)從9.7027減小至1.3996。

摘要:直驅(qū)并聯(lián)機(jī)構(gòu)六自由度振動(dòng)校準(zhǔn)系統(tǒng)可以實(shí)現(xiàn)高精度和多自由度的運(yùn)動(dòng)模擬和校準(zhǔn)，具有良好的應(yīng)用前景。為了解決平臺(tái)驅(qū)動(dòng)關(guān)節(jié)滑塊位置跟蹤精度低的問(wèn)題，對(duì)該機(jī)構(gòu)進(jìn)行動(dòng)力學(xué)力矩前饋補(bǔ)償分析。利用虛功原理建立該機(jī)構(gòu)動(dòng)力學(xué)模型，提出一種基本伺服算法與動(dòng)力學(xué)前饋補(bǔ)償相結(jié)合的控制策略。在實(shí)驗(yàn)樣機(jī)上進(jìn)行力矩前饋補(bǔ)償，實(shí)驗(yàn)結(jié)果表明，在開(kāi)放伺服程序增加力矩前饋補(bǔ)償后，可以降低該機(jī)構(gòu)在運(yùn)動(dòng)時(shí)的跟隨誤差，進(jìn)行不同幅值單自由度正弦運(yùn)動(dòng)時(shí)，跟隨誤差分別下降40.32%、39.04%、43.24%、48.19%。并對(duì)振動(dòng)臺(tái)進(jìn)行了性能檢測(cè)，在平臺(tái)基礎(chǔ)上，搭建激光測(cè)量系統(tǒng)和數(shù)據(jù)采集模塊，進(jìn)行傳感器校準(zhǔn)和性能分析，平臺(tái)橫向振動(dòng)比較小，諧波失真度均小于2%，平臺(tái)具有較好的穩(wěn)定性和性能。

摘要:為充分研究少自由度并聯(lián)機(jī)構(gòu)所具備優(yōu)勢(shì)，拓寬其應(yīng)用領(lǐng)域，設(shè)計(jì)并研究一種含冗余支鏈且無(wú)寄生運(yùn)動(dòng)三自由度兩平移一轉(zhuǎn)動(dòng)（2T1R）并聯(lián)機(jī)構(gòu)，完成運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)分析。基于方位特征集（POC）的拓?fù)錂C(jī)構(gòu)學(xué)理論方法，設(shè)計(jì)了一種含冗余支鏈且無(wú)寄生運(yùn)動(dòng)的兩平移一轉(zhuǎn)動(dòng)并聯(lián)機(jī)構(gòu)，并進(jìn)行拓?fù)浞治?，結(jié)果表明：該機(jī)構(gòu)還具有部分運(yùn)動(dòng)解耦特性；根據(jù)基于拓?fù)涮卣鬟\(yùn)動(dòng)學(xué)的建模方法，求得機(jī)構(gòu)位置正反符號(hào)解；又基于位置反解分析了機(jī)構(gòu)奇異性，基于位置正解給出了工作空間；基于虛功原理的序單開(kāi)鏈法對(duì)機(jī)構(gòu)進(jìn)行動(dòng)力學(xué)建模，求得了該機(jī)構(gòu)移動(dòng)副處的驅(qū)動(dòng)力以及兩個(gè)子運(yùn)動(dòng)鏈(SKC)連接處的支反力；概念設(shè)計(jì)了該機(jī)構(gòu)的一種應(yīng)用場(chǎng)景。

摘要:直線共軛內(nèi)嚙合齒輪泵作為高效且靜謐性能良好的動(dòng)力元件，在電靜壓作動(dòng)系統(tǒng)得到廣泛應(yīng)用。本文采用集中參數(shù)法建立直線共軛內(nèi)嚙合齒輪泵仿真模型。建立了實(shí)驗(yàn)平臺(tái)，對(duì)直線共軛內(nèi)嚙合齒輪泵進(jìn)出口壓力脈動(dòng)進(jìn)行了測(cè)試。分析了直線共軛內(nèi)嚙合齒輪泵在吸排油區(qū)的壓力脈動(dòng)、齒腔內(nèi)壓力分布以及齒輪和齒圈在x軸和y軸方向的徑向力等激振源。研究結(jié)果表明：所建立的直線共軛內(nèi)嚙合齒輪泵集中參數(shù)模型具有良好的精度和可靠性；齒輪和齒圈徑向力隨偏轉(zhuǎn)角周期變化，在x軸方向，齒輪所受到的徑向力指向低壓區(qū)，齒圈受到的徑向力指向高壓區(qū)。在y軸方向，齒輪和齒圈所受到的徑向力在正負(fù)之間波動(dòng)。齒輪和齒圈所受徑向力在x軸方向的基頻幅值均小于其在y軸方向的基頻幅值；困油現(xiàn)象會(huì)導(dǎo)致齒腔壓力略微升高。研究結(jié)果為直線共軛內(nèi)嚙合齒輪泵的優(yōu)化設(shè)計(jì)和振動(dòng)噪聲分析提供了參考。

摘要:針對(duì)電動(dòng)裝載機(jī)的電液復(fù)合制動(dòng)系統(tǒng)，為滿足多工況制動(dòng)需求以及保障制動(dòng)安全性，本文提出了一種基于再生制動(dòng)自由行程液壓制動(dòng)閥的電動(dòng)裝載機(jī)液壓制動(dòng)系統(tǒng)。結(jié)合電動(dòng)裝載機(jī)的理想前后輪制動(dòng)力分配曲線以及制動(dòng)意圖識(shí)別得到的制動(dòng)強(qiáng)度，制定了制動(dòng)強(qiáng)度與整車制動(dòng)力矩需求的分配曲線；為進(jìn)一步提高再生制動(dòng)力與液壓制動(dòng)力分配的協(xié)調(diào)性，同時(shí)兼顧制動(dòng)能量回收效率，提出了一種基于行走再生制動(dòng)和液壓制動(dòng)的電液復(fù)合制動(dòng)協(xié)同控制策略，降低了整車總制動(dòng)力矩波動(dòng)，保證了制動(dòng)模式切換的平順性。最后，搭建了基于AMESim-Matlab/Simulink聯(lián)合仿真模型，并搭建試驗(yàn)樣機(jī)，驗(yàn)證了電動(dòng)裝載機(jī)復(fù)合制動(dòng)協(xié)同控制策略的可行性，結(jié)果表明，該系統(tǒng)能量回收效率可達(dá)71.6%，制動(dòng)回收率可達(dá)44.5%，一個(gè)工作循環(huán)實(shí)現(xiàn)節(jié)能7.6%，說(shuō)明本文提出的控制策略具有良好的制動(dòng)性能和能量回收效率。

摘要:針對(duì)傳統(tǒng)手勢(shì)識(shí)別系統(tǒng)識(shí)別率不高、響應(yīng)不穩(wěn)定等問(wèn)題，設(shè)計(jì)了一個(gè)包括柔性傳感器、信號(hào)采集系統(tǒng)、手勢(shì)識(shí)別算法的柔性應(yīng)變傳感器數(shù)據(jù)手套手勢(shì)識(shí)別系統(tǒng)。該系統(tǒng)可準(zhǔn)確捕捉每根手指關(guān)節(jié)運(yùn)動(dòng)信息，具有高自由度、低成本、高識(shí)別率等特點(diǎn)。在軟硅膠材料中摻雜特定配比的碳黑(CB)和碳納米管(CNTs)，通過(guò)轉(zhuǎn)印技術(shù)設(shè)計(jì)出線性度好、靈敏度高的電阻式傳感器。實(shí)驗(yàn)結(jié)果表明，傳感器具有較好的靜態(tài)、動(dòng)態(tài)響應(yīng)特性，并完成傳感器標(biāo)定；利用多個(gè)柔性傳感器制備數(shù)據(jù)手套并搭建信號(hào)采集系統(tǒng)，進(jìn)一步提出融合BP神經(jīng)網(wǎng)絡(luò)和模板匹配技術(shù)的手勢(shì)識(shí)別方法，以提升相近手勢(shì)字母識(shí)別率，算法識(shí)別率為98.5%；針對(duì)不同人群開(kāi)展手勢(shì)識(shí)別實(shí)驗(yàn)，結(jié)果表明，該手勢(shì)識(shí)別系統(tǒng)準(zhǔn)確率達(dá)到92.8%，響應(yīng)時(shí)間約40ms，該數(shù)據(jù)手套具有較好的應(yīng)用潛力。