ass日本风韵熟妇pics男人扒开女人屁屁桶到爽|扒开胸露出奶头亲吻视频|邻居少妇的诱惑|人人妻在线播放|日日摸夜夜摸狠狠摸婷婷|制服 丝袜 人妻|激情熟妇中文字幕|看黄色欧美特一级|日本av人妻系列|高潮对白av,丰满岳妇乱熟妇之荡,日本丰满熟妇乱又伦,日韩欧美一区二区三区在线

摘要:稻米、小麥、玉米作為三大主糧在我國居民糧食結(jié)構(gòu)中占有重要位置，糧食生產(chǎn),、加工、儲(chǔ)運(yùn)等產(chǎn)業(yè)鏈中品質(zhì)監(jiān)測是不可或缺的重要環(huán)節(jié),，特別是高效,、無損、客觀,、實(shí)時(shí)的光學(xué)品質(zhì)檢測對(duì)糧食行業(yè)的健康發(fā)展具有重要意義,。本文對(duì)比分析了三大主糧的可見/近紅外光譜、拉曼光譜,、熒光光譜的光學(xué)特性及內(nèi)部品質(zhì)光學(xué)檢測機(jī)理，總結(jié)分析了糧食內(nèi)部品質(zhì)光學(xué)檢測技術(shù)國內(nèi)外應(yīng)用研究現(xiàn)狀,，探討了機(jī)器視覺,、高光譜等糧食外觀品質(zhì)檢測技術(shù)應(yīng)用范圍及國內(nèi)外研究現(xiàn)狀,。結(jié)合三大主糧特定的品質(zhì)檢測需求，總結(jié)分析了國內(nèi)外糧食內(nèi)部品質(zhì)光學(xué)檢測裝置研究現(xiàn)狀,，重點(diǎn)探討了外觀品質(zhì)檢測裝置的硬件組成和空間排布研究現(xiàn)狀,，并總結(jié)分析了各光學(xué)檢測技術(shù)相關(guān)裝置的商業(yè)化推廣應(yīng)用情況。最后,，從糧食品質(zhì)光學(xué)檢測技術(shù)瓶頸出發(fā),，對(duì)糧食快速光學(xué)檢測技術(shù)及裝備存在的問題和發(fā)展趨勢進(jìn)行了分析展望,。

摘要:為降低履帶式聯(lián)合收獲機(jī)導(dǎo)航路徑跟蹤轉(zhuǎn)向控制頻率和提高控制系統(tǒng)的穩(wěn)定性,，提出了一種預(yù)瞄-切線局部跟蹤路徑動(dòng)態(tài)規(guī)劃算法。規(guī)劃的局部跟蹤路徑由平滑連接的兩段弧線組成,，第1段圓弧由收獲機(jī)當(dāng)前位姿與1/2橫向偏差線上的預(yù)瞄點(diǎn)確定,，第2段圓弧由收獲機(jī)在1/2橫向偏差線的實(shí)際位姿與期望路徑的幾何關(guān)系確定；基于收獲機(jī)實(shí)際轉(zhuǎn)向運(yùn)動(dòng)特性建立了相適應(yīng)的轉(zhuǎn)向控制模型,，左轉(zhuǎn),、右轉(zhuǎn)控制模型擬合的決定系數(shù)R2分別為0.978、0.980,。田間直線導(dǎo)航跟蹤對(duì)比試驗(yàn)表明：當(dāng)前進(jìn)速度為0.4,、0.8m/s時(shí)，橫向偏差的標(biāo)準(zhǔn)差分別為0.0489,、0.0507m,，航向偏差的標(biāo)準(zhǔn)差分別為3.94°、4.66°,，轉(zhuǎn)向控制次數(shù)分別為19,、12次；與傳統(tǒng)純追蹤算法相比,，橫向偏差的標(biāo)準(zhǔn)差分別減小19.04%,、31.30%，航向偏差的標(biāo)準(zhǔn)差分別減小25.94%,、9.16%,，轉(zhuǎn)向控制次數(shù)分別減少47.22%、42.86%,。本研究可為履帶式農(nóng)機(jī)車輛導(dǎo)航控制器設(shè)計(jì)提供參考,。

摘要:為了提高自動(dòng)駕駛插秧機(jī)路徑跟蹤更高頻的控制,，本文提出一種基于模型預(yù)測的路徑跟蹤控制方法。以模型預(yù)測算法為基礎(chǔ)設(shè)計(jì)自動(dòng)駕駛控制器,，通過簡化農(nóng)機(jī)車輛模型,、線性化運(yùn)動(dòng)學(xué)方程、制定約束量,，實(shí)現(xiàn)以當(dāng)前狀態(tài)量p=(x,y,θ)預(yù)測下一時(shí)刻的車輛狀態(tài),，控制自動(dòng)駕駛插秧機(jī)沿參考路徑行走。通過在Matlab中建立仿真模型驗(yàn)證控制器的可行性,，結(jié)果表明：直線路徑跟蹤橫向偏差小于0.02m,，航向偏差小于0.08°，曲線路徑橫向偏差平均值為0.022m,、航向偏差平均值為0.699°,，可用于實(shí)車試驗(yàn)。另外,，以水稻插秧機(jī)為試驗(yàn)平臺(tái),，通過設(shè)置不同車速驗(yàn)證算法的魯棒性，直線路徑跟蹤平均橫向,、航向偏差分別為0.021m,、6.187°，曲線路徑跟蹤平均橫向,、航向偏差分別為0.450m,、10.107°，可滿足自動(dòng)駕駛插秧機(jī)路徑跟蹤精度及實(shí)時(shí)性需求,，為農(nóng)機(jī)路徑跟蹤控制研究提供了參考,。

摘要:為提高果園機(jī)器人在果園中作業(yè)的自主性,、安全性和效率,，需要進(jìn)行有效合理的運(yùn)動(dòng)規(guī)劃。針對(duì)傳統(tǒng)RRT*(Rapidly exploring random tree star)全局路徑規(guī)劃算法在連續(xù)走廊式環(huán)境下存在搜索效率低,、采樣點(diǎn)利用率低,、生成路徑折線多轉(zhuǎn)角大等問題，以阿克曼底盤果園噴霧機(jī)器人為運(yùn)動(dòng)模型,，提出一種改進(jìn)雙向RRT*的果園噴霧機(jī)器人運(yùn)動(dòng)規(guī)劃算法,。首先,，根據(jù)激光雷達(dá)建立果園二維平面地圖，將果樹和障礙物均視為障礙物區(qū)域,，并結(jié)合噴霧機(jī)器人本體尺寸，對(duì)障礙物進(jìn)行膨脹化處理,；然后,，通過改進(jìn)雙向RRT*算法搜索路徑，搜索路徑過程中結(jié)合動(dòng)態(tài)末梢節(jié)點(diǎn)導(dǎo)向和勢場導(dǎo)向進(jìn)行偏置采樣,，并對(duì)初步生成的路徑進(jìn)行路徑點(diǎn)去冗余以及相鄰折線段轉(zhuǎn)角約束處理,；最后，采用三階準(zhǔn)均勻B樣條曲線對(duì)處理后的路徑點(diǎn)進(jìn)行軌跡優(yōu)化,，在優(yōu)化過程中主要考慮軌跡的碰撞檢測和噴霧機(jī)器人底盤曲率約束,。試驗(yàn)結(jié)果表明，相較于傳統(tǒng)雙向RRT*算法,，本文所提出的改進(jìn)算法規(guī)劃時(shí)間平均減少57.5%,，采樣點(diǎn)利用率平均提高28.55個(gè)百分點(diǎn)，最終路徑長度平均縮短7.14%,；經(jīng)三階準(zhǔn)均勻B樣條曲線優(yōu)化后所得軌跡在有,、無障礙物兩種環(huán)境下均滿足噴霧機(jī)器人最大曲率約束，且僅在換行以及障礙物處存在轉(zhuǎn)彎行為,，符合噴霧機(jī)器人作業(yè)軌跡條件,，提高了噴霧機(jī)器人的工作效率和自主性。

摘要:為進(jìn)一步提升全膜雙壟溝種床構(gòu)建質(zhì)量，合理膜面覆土及減少揚(yáng)塵,，探究膜面覆土與氣流間互作規(guī)律,，本文以甘肅省定西市臨洮縣境內(nèi)52986號(hào)氣象觀測站點(diǎn)近30年的年平均風(fēng)速1.32m/s、年平均極大風(fēng)速18.07m/s,、月平均極大風(fēng)速26.5m/s為仿真數(shù)據(jù)來源,，以正北方向?yàn)榛鶞?zhǔn)，以農(nóng)戶經(jīng)驗(yàn)選擇覆膜方向范圍0°～90°的最小值,、中間值,、最大值為全膜雙壟溝種床構(gòu)建方向，分別建立T1（0°）,、T2（45°）,、T3（90°）3個(gè)種床模型,，采用CFD-DEM氣固耦合技術(shù)，得出不同風(fēng)速,、不同方向下全膜雙壟溝種床覆土與氣流場間的互作機(jī)制,，綜合空氣流場、太陽輻射能,、耕地利用率對(duì)全膜雙壟溝種床構(gòu)建的影響,，對(duì)其構(gòu)建方法進(jìn)行優(yōu)化，最后進(jìn)行了田間驗(yàn)證試驗(yàn),。種床覆土表面流場分析表明：當(dāng)空氣流速恒定時(shí),，橫腰帶覆土表面空氣最大流速由大到小依次是T3、T1,、T2,，大壟面覆土空氣流速與標(biāo)準(zhǔn)空氣流速差值由大到小依次是T3、T1,、T2,。種床覆土過程分析表明：當(dāng)空氣流速恒定時(shí)，種床及土壤顆粒對(duì)氣流影響程度由大到小依次是T3,、T1,、T2，氣流對(duì)顆粒影響程度由大到小依次是T3,、T1,、T2。由此可知T3模型種床及覆土表面氣流速度最大,，所受氣流影響最大,，膜面覆土移動(dòng)距離最大，易形成揚(yáng)塵,，同時(shí)大壟面覆膜交接點(diǎn)極易滲入氣流,，引起大風(fēng)揭膜現(xiàn)象，影響作物生長,，危及經(jīng)濟(jì)效益,。優(yōu)化后的種床構(gòu)建方法應(yīng)遵循種床覆土位移最小、太陽輻射能最大,、構(gòu)建效率最快,、南坡（向陽坡）耕地優(yōu)先、南北走向耕地優(yōu)先原則,，優(yōu)先采用模型依次是T1,、T2、T3。田間試驗(yàn)結(jié)果表明：當(dāng)空氣流速為2.77m/s,、風(fēng)向北風(fēng)時(shí),，平均種床合格率由大到小依次是T2、T1,、T3,，覆膜效率、耕地利用率,、采光面積占有率由大到小依次是T1,、T3、T2,，試驗(yàn)結(jié)果與仿真模擬結(jié)果高度一致，驗(yàn)證了模型的可靠性,。

摘要:為實(shí)現(xiàn)旋耕作業(yè)減扭降耗,，在國標(biāo)IT245旋耕刀基礎(chǔ)上設(shè)計(jì)了一種自激振動(dòng)旋耕刀裝置,，對(duì)其工作原理進(jìn)行了闡述。通過運(yùn)動(dòng)受力分析,，完成了其大彈簧參數(shù)選型與彈簧心軸腰型孔設(shè)計(jì),。基于DEM-MBD技術(shù),，建立土壤-旋耕刀相互作用仿真模型,，分析5種刀軸轉(zhuǎn)速下國標(biāo)旋耕刀與自激振動(dòng)旋耕刀所受三向阻力與扭矩變化規(guī)律。仿真試驗(yàn)中,，刀軸轉(zhuǎn)速為150,、200r/min時(shí)，減阻降扭效果不明顯,；轉(zhuǎn)速為250,、300r/min時(shí)，自激振動(dòng)旋耕刀相比國標(biāo)旋耕刀的減阻降扭效果較好,，垂向阻力分別降低6.96%,、10.41%，且平均扭矩降低率較大,，分別為9.80%和19.63%,，而轉(zhuǎn)速達(dá)到350r/min時(shí)，減阻降扭效果下降。通過對(duì)2種旋耕刀仿真與土槽試驗(yàn)的平均扭矩進(jìn)行分析,，得出了國標(biāo)旋耕刀與自激振動(dòng)旋耕刀平均扭矩變化曲線的相關(guān)系數(shù),，分別為0.997與0.998，基本驗(yàn)證了DEM-MBD耦合仿真模型的準(zhǔn)確性,。對(duì)土槽試驗(yàn)中采集的Y向（耕作時(shí)刀刃振動(dòng)主要發(fā)生方向）振動(dòng)加速度數(shù)據(jù)進(jìn)行頻域分析表明,，隨著刀軸轉(zhuǎn)速的增加，Y向功率譜密度幅值總體呈上升趨勢,，轉(zhuǎn)速達(dá)到300r/min時(shí),，激振頻率達(dá)到裝置Y向的固有頻率附近，此時(shí)發(fā)生共振,，Y向功率譜密度幅值達(dá)到最大值,。即此時(shí)旋耕刀獲得最大能量，扭矩降低幅度最大,，減扭降耗的效果最佳,。

摘要:針對(duì)傳統(tǒng)小粒徑種子型孔輪式排種器充種穩(wěn)定性差、易卡種的問題,，設(shè)計(jì)了具有傾斜拋物線型孔和環(huán)槽凸臺(tái)攪種結(jié)構(gòu)的型孔輪,，可實(shí)現(xiàn)油菜、芝麻和小白菜種子（2±1）粒/穴精量穴播,?；诜N子物料特性與種植農(nóng)藝要求，構(gòu)建了種子充種和投種過程的力學(xué)模型,，分析確定了型孔輪結(jié)構(gòu)參數(shù)對(duì)充種和投種性能的影響規(guī)律及其取值范圍,；利用EDEM仿真和高速攝像臺(tái)架試驗(yàn)獲得了型孔拋物線頂點(diǎn)至型孔輪中心距離、焦準(zhǔn)距,、拋物線傾斜角,、寬度系數(shù)、側(cè)邊傾角及環(huán)槽凸臺(tái)深度的較優(yōu)值,，確定了避免型孔卡種與環(huán)槽凸臺(tái)拖帶種子的臨界條件,，得出了種子物料特性與型孔輪較優(yōu)結(jié)構(gòu)參數(shù)的量化關(guān)系。利用JPS-12型試驗(yàn)臺(tái)開展較優(yōu)結(jié)構(gòu)參數(shù)下華油雜62,、航天新芝T31-8和五月慢的排種性能試驗(yàn),，3種類型種子穴粒數(shù)合格率為92.00%、90.00%、90.67%,，穴距合格率為83.67%,、81.83%、82.50%,。田間試驗(yàn)表明,，華油雜62平均出苗數(shù)為1.16株/穴，穴株數(shù)合格率89.67%（（2±1）株/穴）,，穴距合格率81.54%,；航天新芝T31-8平均出苗數(shù)為1.15株/穴，穴株數(shù)合格率85.77%（（2±1）株/穴）,，穴距合格率75.51%,；滿足油菜、芝麻精量穴播要求,，為小粒徑種子型孔輪式集排器關(guān)鍵部件的設(shè)計(jì)提供了參考,。

摘要:針對(duì)水稻收獲前稻田以及丘陵山區(qū)播種綠肥，存在機(jī)具無法下田作業(yè),、人工撒播勞動(dòng)強(qiáng)度大的問題,，基于農(nóng)用多旋翼無人機(jī)平臺(tái)，設(shè)計(jì)離心甩盤式綠肥種子撒播裝置,。該裝置可與多品牌無人機(jī)方便,、快速組配掛接，主要由掛接機(jī)構(gòu),、種箱,、排種機(jī)構(gòu)、撒種機(jī)構(gòu)及自動(dòng)控制系統(tǒng)構(gòu)成,，設(shè)計(jì)螺旋輸送式排種機(jī)構(gòu)可實(shí)現(xiàn)連續(xù)穩(wěn)定定量排種,，優(yōu)化撒種機(jī)構(gòu)使得撒播更加均勻順暢，控制系統(tǒng)可跟隨無人機(jī)飛行速度控制排種機(jī)構(gòu)排種量,，并根據(jù)不同品種綠肥種子設(shè)定撒種機(jī)構(gòu)甩種盤轉(zhuǎn)速,，從而實(shí)現(xiàn)多品種綠肥種子定量排種、均勻撒播,。選取典型綠肥品種紫云英種子為試驗(yàn)物料,，以撒播均勻性變異系數(shù)Y1和單位面積撒種量誤差Y2為評(píng)價(jià)指標(biāo)，螺旋輸送器轉(zhuǎn)速A、甩種盤轉(zhuǎn)速B,、飛行速度C為試驗(yàn)因素,，開展三因素三水平正交試驗(yàn)。結(jié)果表明：螺旋輸送器轉(zhuǎn)速A和甩種盤轉(zhuǎn)速B對(duì)兩評(píng)價(jià)指標(biāo)影響極顯著,，飛行速度C對(duì)兩評(píng)價(jià)指標(biāo)影響顯著,，影響撒播均勻性變異系數(shù)Y1的主次因素為B、A,、C,，影響單位面積撒種量誤差Y2的主次因素為A、B,、C,，最佳因素水平組合A2B2C2，即A為190r/min,、B為1700r/min,、C為5m/s時(shí)，Y1為28.47%,，Y2為11.81%,。田間試驗(yàn)表明，在最佳參數(shù)組合下,，整體出苗良好,。該研究為改進(jìn)完善無人機(jī)離心甩盤式綠肥撒播裝置，以及大面積推廣綠肥種植提供了理論依據(jù)和裝備支撐,。

摘要:針對(duì)菠菜等小粒徑蔬菜種子采用窄行密植,、播種均勻性要求高,，缺乏適用播種技術(shù)裝備的問題，設(shè)計(jì)了一種適用于菠菜等小粒徑蔬菜種子密植精密播種的氣力針式行星輪系多行并聯(lián)低位投種精密排種器,。闡述了排種器工作原理,，構(gòu)建吸種和投種環(huán)節(jié)種子力學(xué)模型，確定排種器主要結(jié)構(gòu)參數(shù),；利用ADAMS軟件仿真分析行星輪系排種機(jī)構(gòu)吸種針的靜軌跡和動(dòng)軌跡,，明確低位零速投種條件；開展排種器性能試驗(yàn),。排種試驗(yàn)結(jié)果表明,，影響合格指數(shù)的主次順序?yàn)榕欧N轉(zhuǎn)速,、吸種負(fù)壓和卸種正壓，最佳參數(shù)組合為排種轉(zhuǎn)速19.56r/min,、吸種負(fù)壓2.05kPa,、卸種正壓1.00kPa。經(jīng)臺(tái)架試驗(yàn)驗(yàn)證,，其性能指標(biāo)為合格指數(shù)均值91.48%,、漏播指數(shù)均值4.28%、重播指數(shù)均值4.24%,。投種試驗(yàn)結(jié)果表明,，當(dāng)投種正壓為0.8~1.0kPa、工作轉(zhuǎn)速為18~20r/min,、投種高度小于200mm時(shí),，粒距變異系數(shù)不大于13.2%，工作性能較優(yōu),。

摘要:為了探明長江中下游稻麥輪作區(qū)單體精播技術(shù)的適配性及其農(nóng)藝效應(yīng)，揭示基于區(qū)域土壤力學(xué)特征的精密播種機(jī)設(shè)計(jì)原則,，以2BMYFQ型免耕播種機(jī)單體為例開展田間臺(tái)架播種試驗(yàn),，提出符合農(nóng)機(jī)-農(nóng)藝融合原則的4個(gè)精播主控目標(biāo)和技術(shù)要素，探討2種耕作處理方式（免耕,、旋耕）,、3個(gè)預(yù)定播深(2.5,、4.0,、6.0cm)和3個(gè)下壓力（0.6、1.0,、1.2kN）因子組合下的種子播深,、土壤物理變化及小麥出苗效果。結(jié)果表明,，播種單體與土壤力學(xué)性質(zhì)交互影響并導(dǎo)致播深變化差異顯著,，土壤力學(xué)變異造成高達(dá)37.61%的播深變異，基于線性彈力張緊特征的下壓力控制技術(shù)與不合理耕作方式組合下的精確播深控制目標(biāo)無法實(shí)現(xiàn)?，F(xiàn)有試驗(yàn)單體既存在土壤對(duì)雙圓盤開溝器支撐力過大導(dǎo)致的限深輪虛支撐,，也存在土壤支撐力不夠且限深輪過度下陷導(dǎo)致農(nóng)學(xué)意義上過深的種子位。單體造成種子位土壤壓實(shí)狀況也受耕作方式及下壓力影響,，并最終反映為出苗率的變化,。綜合比較發(fā)現(xiàn),，稻田原茬免耕、預(yù)定播深4cm,、下壓力1.2kN工況下,，實(shí)際播深與預(yù)定播深差異較小，播深穩(wěn)定性高,，出苗率高,，但種溝側(cè)壁壓實(shí)程度大；在旋耕條件時(shí)最優(yōu)播深為預(yù)定播深4cm和下壓力1.0kN組合,；旋耕處理的單體播深控制整體效果優(yōu)于免耕,。因此智能精密播種技術(shù)應(yīng)首先探明土壤力學(xué)條件和農(nóng)藝播深目標(biāo)的合理下壓力控制策略，實(shí)現(xiàn)基于“播種單體-土壤力學(xué)關(guān)系”的單體創(chuàng)新設(shè)計(jì)和智能化土壤力學(xué)在線檢測系統(tǒng)是區(qū)域精播技術(shù)的關(guān)鍵,。

摘要:針對(duì)機(jī)械式玉米排種器在播種機(jī)高速作業(yè)條件下排種精度下降且性能不穩(wěn)定的問題,，提出利用調(diào)姿齒與單元型孔對(duì)玉米種子充種姿態(tài)進(jìn)行調(diào)控的技術(shù)思路,，設(shè)計(jì)了一種姿控驅(qū)導(dǎo)式精量排種器，采用雙側(cè)種盤對(duì)置,、單列排種結(jié)構(gòu)布局,，降低工作轉(zhuǎn)速同時(shí)提高排種均勻性。完成了關(guān)鍵零部件的結(jié)構(gòu)參數(shù)設(shè)計(jì),，分析了種子姿態(tài)調(diào)整原理,，通過單因素試驗(yàn)與正交旋轉(zhuǎn)組合試驗(yàn)獲取排種器的最優(yōu)參數(shù)組合，并開展排種性能對(duì)比試驗(yàn),。結(jié)果表明：調(diào)姿齒齒型為線型時(shí),，排種合格率提升效果最優(yōu)，較無調(diào)姿齒可提升29.1個(gè)百分點(diǎn),；排種器的最優(yōu)參數(shù)組合為：工作轉(zhuǎn)速16.7r/min,，型孔外壁面傾角46.9°與型孔圓角半徑4.5mm，該條件下合格率,、漏播率和重播率分別為91.6%,、2.8%與5.6%；在作業(yè)速度8~14km/h范圍內(nèi),，排種器的合格率均高于90%,，漏播率均低于3%，重播率均低于8%,，破損率均低于0.5%,，粒距均勻性變異系數(shù)均低于19%,，且排種效果優(yōu)于無姿態(tài)調(diào)控排種器與勺輪式排種器，滿足玉米精量播種的技術(shù)要求,。

摘要:為解決大蒜正芽播種問題，設(shè)計(jì)了弧形鴨嘴式型大蒜正芽播種機(jī),，主要由單粒取種裝置,、鱗芽方向控制裝置、直立下栽裝置,、傳動(dòng)系統(tǒng)以及機(jī)架,、地輪等部分組成，可一次完成取種,、換向,、直立栽種和鎮(zhèn)壓作業(yè)。根據(jù)大蒜鱗芽外形尺寸參數(shù),，對(duì)播種機(jī)關(guān)鍵零部件進(jìn)行了優(yōu)化設(shè)計(jì),，設(shè)計(jì)了符合大蒜鱗芽外形尺寸分布的大、中,、小3級(jí)取種勺,；設(shè)計(jì)了弧形開口換向器，使芽尖彎曲大蒜鱗芽芽尖盡可能露出換向器,；設(shè)計(jì)了中間軸隨驅(qū)動(dòng)圓盤同時(shí)旋轉(zhuǎn)的直立下栽機(jī)構(gòu),，實(shí)現(xiàn)11行下栽鴨嘴同時(shí)穩(wěn)定作業(yè)，與弧形換向器配合實(shí)現(xiàn)芽尖不小于6mm大蒜鱗芽的正芽,。以蒼山四六瓣蒜和金鄉(xiāng)雜交蒜為試驗(yàn)對(duì)象,，進(jìn)行田間播種性能試驗(yàn)，結(jié)果表明：行走速度在0.14~0.19m/s范圍內(nèi),，金鄉(xiāng)雜交蒜的正芽率達(dá)到85%左右,，蒼山四六瓣蒜的正芽率達(dá)到90%左右,，單粒率均達(dá)到93%以上,，整體滿足大蒜播種農(nóng)藝要求。

摘要:針對(duì)現(xiàn)有蔬菜自動(dòng)移栽機(jī)莖稈夾持式和缽體頂出式取苗方式的缺點(diǎn)，基于頂出-夾取結(jié)合式取苗方式,，設(shè)計(jì)了一種適用于對(duì)稱布置可彎曲秧盤的交替式取投苗機(jī)構(gòu),。闡述了該機(jī)構(gòu)工作原理、關(guān)鍵點(diǎn)運(yùn)動(dòng)軌跡和結(jié)構(gòu)組成,。分析了關(guān)鍵因素對(duì)秧苗夾持點(diǎn)運(yùn)動(dòng)軌跡的影響方式并優(yōu)選了取值：驅(qū)動(dòng)曲柄轉(zhuǎn)速10r/min,，取投苗搖桿長度為 309mm，驅(qū)動(dòng)氣缸伸出速度25mm/s,，0.8s內(nèi)完成拔苗,，伸出時(shí)刻為提前0.4s。該參數(shù)組合下秧苗夾持點(diǎn)在拔苗階段最大橫向位移9.6mm,，累計(jì)橫向位移0mm,，理論提升高度44mm，滿足取投苗作業(yè)理論要求,。以苗齡45d的辣椒秧苗為作業(yè)對(duì)象,，進(jìn)行了栽植頻率70~120株/(min·行)的取投苗性能試驗(yàn)，試驗(yàn)結(jié)果表明,，該交替取投苗機(jī)構(gòu)在栽植頻率100株/(min·行)時(shí)可實(shí)現(xiàn)取苗成功率93%,，投苗成功率95%，總體成功率88%,，滿足取投苗作業(yè)要求,，驗(yàn)證了該取投苗機(jī)構(gòu)的可行性。

摘要:針對(duì)穴盤缺苗穴孔內(nèi)缽體松散易碎導(dǎo)致基質(zhì)剔凈率低的問題，設(shè)計(jì)了一種氣吸式基質(zhì)剔除裝置,。該裝置首先利用深度學(xué)習(xí)模型檢測缺苗穴孔并定位,，隨后輸送帶輸送穴盤苗到達(dá)基質(zhì)剔除模塊，控制系統(tǒng)根據(jù)缺苗穴孔位置信息,，控制直線模組帶動(dòng)氣吸端口到達(dá)缺苗穴孔正上方位置,，最終利用負(fù)壓吸附的方式完成缺苗穴孔基質(zhì)剔除任務(wù)。利用DEM-CFD耦合仿真方法對(duì)比分析了9種氣吸端口結(jié)構(gòu)對(duì)基質(zhì)剔除性能的影響,，結(jié)果表明,，當(dāng)氣吸端口圓管直徑為30mm、收縮管高度為50mm時(shí),，基質(zhì)剔除率高且輸送更均勻,。搭建缺苗穴孔氣吸式基質(zhì)剔除試驗(yàn)平臺(tái),，開展氣吸式基質(zhì)剔除多因素正交試驗(yàn)研究，結(jié)果表明：最優(yōu)參數(shù)組合為：氣壓0.5MPa,、基質(zhì)含水率50%~55%,、氣吸時(shí)間為3.0s、有硅膠墊,。開展性能驗(yàn)證試驗(yàn),，結(jié)果表明，穴盤缺苗穴孔檢測模型平均正確率均值為96.1%,，平均定位成功率為95.45%,，基質(zhì)平均剔凈率在90%以上，整機(jī)作業(yè)效率為57s/盤,，滿足實(shí)際剔補(bǔ)苗作業(yè)要求,。

摘要:針對(duì)液肥穴深施機(jī)具存在施肥位置不準(zhǔn)確等問題,，結(jié)合機(jī)械結(jié)構(gòu)設(shè)計(jì)和自動(dòng)控制技術(shù)，設(shè)計(jì)了一種深施型液肥對(duì)靶點(diǎn)施裝置,，該裝置包括液肥深施開溝器和液肥對(duì)靶點(diǎn)施控制系統(tǒng),。設(shè)計(jì)液肥深施開溝器，構(gòu)建了開溝器與土壤間力學(xué)接觸模型和土粒質(zhì)點(diǎn)運(yùn)動(dòng)學(xué)模型,，確定了開溝器結(jié)構(gòu)參數(shù),，解析了擾土和回土原理，應(yīng)用EDEM軟件建立開溝器-土壤離散元仿真模型,，驗(yàn)證了液肥深施開溝器結(jié)構(gòu)可行性,。以單片機(jī)為核心開發(fā)一種液肥對(duì)靶點(diǎn)施系統(tǒng)，光電傳感器感知作物植株位置,，測速模塊實(shí)時(shí)監(jiān)測裝置作業(yè)速度,，單片機(jī)結(jié)合作物植株位置信息和作業(yè)速度控制電磁閥啟閉，實(shí)現(xiàn)液肥對(duì)靶點(diǎn)施作業(yè),。通過田間試驗(yàn)驗(yàn)證了裝置作業(yè)性能,，在作業(yè)速度為0.4～1.0m/s時(shí)，平均回土深度52.8mm,，平均對(duì)靶率84.03%,，裝置回土性能和對(duì)靶噴肥性能穩(wěn)定,，滿足液肥深施農(nóng)藝要求,。

摘要:針對(duì)果園有機(jī)肥人工施肥量不準(zhǔn)確,、施肥不均勻等問題,，本文根據(jù)施肥農(nóng)藝要求，設(shè)計(jì)了一種有機(jī)肥條鋪與旋耕混合施肥機(jī),。該裝置采用刮板式結(jié)構(gòu),，通過圓環(huán)鏈帶動(dòng)刮板向前排肥，將有機(jī)肥呈條狀鋪撒在地表,，通過旋耕裝置將其與土壤混合,。通過計(jì)算確定了施肥裝置最大開口高度、肥箱容積等結(jié)構(gòu)參數(shù),，分析了上,、下層有機(jī)肥排肥過程。以排肥口開口高度,、前進(jìn)速度,、鏈輪轉(zhuǎn)速和刮板間距為試驗(yàn)因素進(jìn)行離散元仿真試驗(yàn)，以有機(jī)肥相對(duì)誤差和變異系數(shù)為評(píng)價(jià)指標(biāo),，對(duì)排肥過程工作參數(shù)進(jìn)行優(yōu)化求解,，得到最優(yōu)參數(shù)組合：開口高度為53.17mm、前進(jìn)速度為2.8km/h,、鏈輪轉(zhuǎn)速為15.96r/min,、刮板間距為160mm。在最優(yōu)工作條件下進(jìn)行試驗(yàn)驗(yàn)證,，得到有機(jī)肥平均排肥量為5.099kg/m2,，與理論施肥量相對(duì)誤差為4.5%，變異系數(shù)為8.8%,，表明仿真優(yōu)化結(jié)果可靠,，排肥量準(zhǔn)確且排肥均勻性較好，該施肥裝置施肥性能較優(yōu),。在旋耕混合試驗(yàn)中,，通過測定得到上層有機(jī)肥混合比例為11.83%，下層有機(jī)肥混合比例為6.29%,，表明經(jīng)過旋耕后,，能夠?qū)崿F(xiàn)土肥混合效果，上層土肥混合比例高于下層。

摘要:不同結(jié)構(gòu)形式的破土切根刀作業(yè)性能差異較大，為更好的打破草地土壤板結(jié)結(jié)構(gòu),，對(duì)破土切根刀進(jìn)行了結(jié)構(gòu)設(shè)計(jì)與參數(shù)優(yōu)化,。應(yīng)用離散元法構(gòu)建土壤模型，并通過直剪試驗(yàn)對(duì)該模型進(jìn)行參數(shù)標(biāo)定,；以破土切根刀的刃口角,、滑切角及切齒角為試驗(yàn)因素，以耕作阻力,、土壤擾動(dòng)失效面積及比阻為目標(biāo)參數(shù),，進(jìn)行單因素試驗(yàn)和三因素五水平二次正交旋轉(zhuǎn)中心組合設(shè)計(jì)試驗(yàn)，得到最優(yōu)結(jié)構(gòu)參數(shù)組合并加工優(yōu)化破土切根刀進(jìn)行草地試驗(yàn),。參數(shù)優(yōu)化試驗(yàn)結(jié)果顯示,，當(dāng)刃口角為37.8°、滑切角為33.6°,、切齒角為51.8°時(shí),，破土切根刀作業(yè)效果最佳；草地試驗(yàn)表明,，與三角形破土切根刀相比,，優(yōu)化破土切根刀在不同堅(jiān)實(shí)度草地土壤的減阻率分別為11.8%和12.8%，作業(yè)后地表平整度更小且未出現(xiàn)明顯翻垡,，更符合草地作業(yè)農(nóng)藝要求,。研究結(jié)果可為破土切根刀的標(biāo)準(zhǔn)化設(shè)計(jì)提供理論依據(jù)。

摘要:國產(chǎn)玉米青貯收獲機(jī)切碎裝置的動(dòng)定刀間隙依賴人工手動(dòng)調(diào)節(jié)，過程繁瑣且調(diào)節(jié)精度較低,，尚未實(shí)現(xiàn)自動(dòng)化控制,，為此，本文提出了先接觸后退刀的動(dòng)定刀間隙調(diào)節(jié)思路,，設(shè)計(jì)了一種電驅(qū)搖臂偏心式動(dòng)定刀間隙調(diào)節(jié)裝置,，在動(dòng)刀為人字形排布的切碎裝置兩側(cè)各安裝一組,，同步調(diào)節(jié)定刀先“接觸”動(dòng)刀使間隙“清零”，后退定刀,，重新調(diào)節(jié)間隙至設(shè)定值,；設(shè)計(jì)了基于振動(dòng)加速度傳感器的控制系統(tǒng)，通過定刀即將接觸旋轉(zhuǎn)動(dòng)刀時(shí)的振動(dòng)加速度信號(hào)判斷接觸狀態(tài),；搭建了青貯收獲機(jī)動(dòng)定刀間隙自動(dòng)調(diào)節(jié)試驗(yàn)臺(tái),，以間隙設(shè)定值和滾筒轉(zhuǎn)速為試驗(yàn)因素,，以左,、右兩側(cè)動(dòng)刀與定刀間隙的均勻性變異系數(shù)為評(píng)價(jià)指標(biāo)進(jìn)行雙因素重復(fù)試驗(yàn)。結(jié)果表明,，間隙設(shè)定值,、滾筒轉(zhuǎn)速對(duì)間隙調(diào)節(jié)均勻性均具有顯著影響，二者交互作用不顯著,；左,、右兩側(cè)間隙同步調(diào)節(jié)誤差僅為0.12%（＜1%）；滾筒轉(zhuǎn)速為500r/min時(shí),，各間隙設(shè)定值下左,、右兩側(cè)間隙調(diào)節(jié)精度均最高，間隙設(shè)定值為0.2,、0.6,、1.0mm時(shí)，間隙均勻性變異系數(shù)均值分別為6.03%,、5.78%,、5.36%，符合設(shè)計(jì)要求（≤10%）,；試驗(yàn)結(jié)果表明滾筒轉(zhuǎn)速越低,，間隙設(shè)定值越大，間隙調(diào)節(jié)越均勻,。該研究實(shí)現(xiàn)了人字形排布的平板式動(dòng)刀與定刀間隙的精準(zhǔn)調(diào)節(jié)與控制,。

摘要:針對(duì)混合試驗(yàn)圖像所得均勻性指數(shù)計(jì)算結(jié)果難以直接匹配于被廣泛認(rèn)可的數(shù)值仿真參考值的問題，本文基于線性模型方法,，將混合試驗(yàn)圖像處理與數(shù)值仿真結(jié)果進(jìn)行映射,，在黏性水溶性農(nóng)藥與水在長直混合管內(nèi)進(jìn)行在線混合的試驗(yàn)條件下構(gòu)建對(duì)應(yīng)的線性預(yù)測模型，并采用射流混藥器在線混合圖像及仿真結(jié)果對(duì)上述模型進(jìn)行檢驗(yàn),。研究結(jié)果表明：不同圖像方法(灰度直方圖二階矩(HSM),、改進(jìn)面積加權(quán)法(OAU)、主成分分析法(PCA))對(duì)應(yīng)最優(yōu)線性擬合階數(shù)不同，采用單獨(dú)圖像方法構(gòu)建模型時(shí)最優(yōu)階次為4,，決定系數(shù)R2高于0.95,，采用2種圖像方法組合和3種圖像方法組合時(shí)最優(yōu)階次可分別降至3階和2階，R2則接近或高于0.98,；載流流量Q為800~2000mL/min,、混合比P為0.01~0.10條件下，基于HSM,、OAU,、PCA和線性模型，可實(shí)現(xiàn)實(shí)際混藥器均勻性預(yù)測,，所有模型預(yù)測誤差均小于0.05,，且采用一元和二元線性模型使得平均預(yù)測誤差分別降低84.1%和79.8%，不同算法間預(yù)測結(jié)果極差分別降低31.6%和78.0%,；采用基于PCA或OAU算法的一元模型進(jìn)行預(yù)測時(shí)誤差可控制在0.03以內(nèi),，其精度高于不同算法組合預(yù)測的結(jié)果；采用基于HSM-PCA等算法組合的二元模型誤差雖稍高于0.03,，但也可避免單一圖像指標(biāo)計(jì)算不準(zhǔn)確帶來的預(yù)測風(fēng)險(xiǎn),。通過構(gòu)建圖像處理-數(shù)值仿真之間的映射關(guān)系，可為基于圖像處理進(jìn)行農(nóng)藥在線混合均勻性評(píng)估提供更加可行和合理的方法,。

摘要:為研究中高水頭混流式水輪機(jī)上冠流道內(nèi)不同降壓結(jié)構(gòu)效果及優(yōu)化可行性,，以紅山嘴一級(jí)水電站4號(hào)機(jī)為例,，將利用UG建立的4類不同上冠流道降壓結(jié)構(gòu)模型作為研究對(duì)象，基于計(jì)算流體動(dòng)力學(xué)（CFD）技術(shù),，采用剪切應(yīng)力傳輸（SST）湍流模型對(duì)4類不同的上冠泄排水結(jié)構(gòu)在7種流量下展開數(shù)值模擬,，計(jì)算工況共計(jì)28種。研究指標(biāo)為泄漏水流態(tài)分布特性,、主軸密封下側(cè)壓力,、上冠軸向水推力、梳齒環(huán)密封性能,。結(jié)果表明：不同泄排水降壓結(jié)構(gòu)內(nèi)的泄漏水流態(tài)存在一定差異,；為改善水輪機(jī)主軸密封性能可采取含轉(zhuǎn)輪泵的聯(lián)合泄排水降壓結(jié)構(gòu)，該結(jié)構(gòu)相比其他結(jié)構(gòu)對(duì)降低主軸密封壓力,、降低上冠軸向水推力,、減少上冠間隙泄漏量均有顯著效果,；調(diào)整轉(zhuǎn)輪泵降壓結(jié)構(gòu)的泵葉或泵蓋幾何參數(shù)可達(dá)到優(yōu)化目的；針對(duì)該電站主軸密封漏水問題,，采取含轉(zhuǎn)輪泵的聯(lián)合泄排水降壓結(jié)構(gòu)可使主軸密封下側(cè)壓力平均降低15.98％左右,、上冠軸向水推力平均降低52.99%左右，大大提高電站運(yùn)行效率,。該研究在傳統(tǒng)的單一泄排水降壓結(jié)構(gòu)基礎(chǔ)上增設(shè)了轉(zhuǎn)輪泵,，為中高水頭混流式水輪機(jī)獲得最佳綜合效益及其改造優(yōu)化提供了參考依據(jù)。

摘要:科學(xué)認(rèn)知區(qū)域長時(shí)間序列下的“三生”空間數(shù)量增減關(guān)系和空間格局演化過程是實(shí)現(xiàn)國土空間可持續(xù)開發(fā)利用的前提,。采用土地利用動(dòng)態(tài)度指數(shù),、地學(xué)信息圖譜、重心模型和雙變量空間自相關(guān)分析研究了1980—2020年長江經(jīng)濟(jì)帶內(nèi)“三生”空間數(shù)量變化和格局演化過程,。結(jié)果表明：1980—2020年長江經(jīng)濟(jì)帶國土空間類型以生產(chǎn)空間和生態(tài)空間為主,，且不同國土空間類型數(shù)量變化差異明顯。農(nóng)業(yè)生產(chǎn)空間和生態(tài)空間分別減小39403km2和248km2,；非農(nóng)生產(chǎn)空間和生活空間分別增加14804km2和27271km2,。1980—2020年長江經(jīng)濟(jì)帶國土空間格局變化空間指向性和地區(qū)差異性顯著。1980—2020年長江經(jīng)濟(jì)帶不同國土空間類型互動(dòng)增減關(guān)系差異顯著且空間異質(zhì)性明顯,。

摘要:針對(duì)土壤鹽分遙感反演中眾多鹽分指示變量在反演效率與相互比較優(yōu)勢方面存在的不確定性和易混淆性問題,，以內(nèi)蒙古額濟(jì)納旗的居延澤為例,，基于Sentinel-2、Radarsat-2,、Landsat-8和SRTM DEM數(shù)據(jù)提取波段反射率,、植被指數(shù)、鹽分指數(shù),、極化雷達(dá)參數(shù)以及地表溫度和地形因子共6類變量,，采用變量優(yōu)選策略篩選各類變量及其組合的最優(yōu)變量，構(gòu)建土壤鹽分隨機(jī)森林（Random forest,，RF）與支持向量機(jī)（Support vector machine,，SVM）預(yù)測模型,，并選擇最優(yōu)模型實(shí)現(xiàn)居延澤地區(qū)土壤鹽分預(yù)測，為干旱區(qū)土壤鹽分監(jiān)測提供參考,。結(jié)果表明,，短波紅外波段（B11）、冠層鹽度響應(yīng)植被指數(shù)（CRSI）,、擴(kuò)展比值植被指數(shù)（ERVI）,、紅邊鹽分指數(shù)（S2re3）、單次散射（FOdd）,、地表溫度（LST）與匯水面積（CA）等變量對(duì)土壤鹽分監(jiān)測具有較強(qiáng)的普適性,；單一變量模型的鹽分預(yù)測精度從高到低依次為地形因子、極化雷達(dá)參數(shù),、地表溫度,、鹽分指數(shù)、植被指數(shù)和波段反射率,；多變量聯(lián)合可有效提升模型精度與穩(wěn)定性,，隨著環(huán)境變量的加入，當(dāng)6類變量均參與模型構(gòu)建時(shí),，最佳模型R2提升0.117,，RMSE降低2.556個(gè)百分點(diǎn)；RF模型較SVM更適于干旱區(qū)土壤鹽分反演,，優(yōu)選全變量組的RF模型精度最高,，其反演結(jié)果表明區(qū)域東北及天鵝湖附近鹽漬化程度較低，西南部古湖盆區(qū)鹽漬化程度較高,。

摘要:荒漠草原植被稀疏、裸土細(xì)碎化分布對(duì)遙感數(shù)據(jù)空間分辨率和光譜分辨率的指標(biāo)精度提出更高要求,，目前應(yīng)用于遙感場景的深度學(xué)習(xí)模型隱藏層較多,、模型結(jié)構(gòu)復(fù)雜，且采用經(jīng)典深度學(xué)習(xí)模型未考慮遙感數(shù)據(jù)內(nèi)在特點(diǎn),，導(dǎo)致模型訓(xùn)練普遍存在計(jì)算過度,、耗時(shí)增加等問題。本文利用低空無人機(jī)（Unmanned aerial vehicle,，UAV）遙感平臺(tái)搭載高光譜成像光譜儀采集荒漠草原地物高光譜數(shù)據(jù),，發(fā)揮高空間分辨率與高光譜分辨率相結(jié)合的優(yōu)勢，并基于三維卷積神經(jīng)網(wǎng)絡(luò)（Three-dimensional convolutional network,，3D-CNN）方法提出一種適合荒漠草原地物植被,、裸土、標(biāo)記物識(shí)別的精簡學(xué)習(xí)分類模型,，進(jìn)行參數(shù)組合調(diào)優(yōu),，在調(diào)整學(xué)習(xí)率,、批量規(guī)模、卷積核尺寸及數(shù)量后,，最高總體分類精度（Overall accuracy,，OA）可達(dá)到99.746%。研究結(jié)果表明,，精簡學(xué)習(xí)分類模型的優(yōu)化建立在超參數(shù)選擇基礎(chǔ)上,，為獲得精度高、耗時(shí)短,、性能穩(wěn)定的最優(yōu)模型,，需不斷調(diào)整超參數(shù)并對(duì)比不同組合分類效果?；跓o人機(jī)高光譜技術(shù)的精簡學(xué)習(xí)分類模型在荒漠草原地物的分類識(shí)別應(yīng)用中具有較大優(yōu)勢,。

摘要:薇甘菊是世界十大有害雜草之一,，其泛濫會(huì)對(duì)生態(tài)系統(tǒng)造成重大影響,。建立一個(gè)高空間分辨率全域尺度的薇甘菊預(yù)警評(píng)估方法,，是防治薇甘菊的關(guān)鍵手段之一。目前對(duì)薇甘菊的監(jiān)測主要有人工踏查,、衛(wèi)星遙感監(jiān)測,，但前者效率低下而后者識(shí)別精度不夠。以無人機(jī)為載體,，通過采集待監(jiān)測區(qū)域的薇甘菊彩色圖像,，應(yīng)用Otsu-K-means、RGB,、HSV色彩空間閾值分割算法以及K-means-RGB,、K-means-HSV、K-means-RGB-HSV融合算法和MobileNetV3深度學(xué)習(xí)算法進(jìn)行識(shí)別,，采用召回率,、精確率和均衡平均數(shù)F1值共3個(gè)評(píng)價(jià)指標(biāo)對(duì)識(shí)別結(jié)果進(jìn)行評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明K-means-RGB-HSV算法對(duì)盛花期薇甘菊的整體識(shí)別效果最佳,。在此基礎(chǔ)上,，基于識(shí)別結(jié)果應(yīng)用模糊層次分析法以及蓋度公式，初步建立了薇甘菊的預(yù)警評(píng)估方法,，劃分了5個(gè)薇甘菊入侵危害等級(jí),，可根據(jù)所需監(jiān)測精度的不同,，設(shè)置不同尺寸的網(wǎng)格和輻射半徑，繪制出薇甘菊入侵的精準(zhǔn)分布熱力圖,，能夠清晰準(zhǔn)確地體現(xiàn)不同區(qū)域的入侵薇甘菊的危害程度,。在厘米級(jí)分辨率精度下，實(shí)現(xiàn)了基于無人機(jī)遙感的盛花期薇甘菊精準(zhǔn)監(jiān)測,，為薇甘菊入侵的監(jiān)測,、預(yù)警和精準(zhǔn)防治提供了有力支撐。

摘要:果園環(huán)境實(shí)時(shí)檢測是保證果園噴霧機(jī)器人精準(zhǔn)作業(yè)的重要前提。本文提出了一種基于改進(jìn)DeepLab V3+語義分割模型的果園場景多類別分割方法,。為了在果園噴霧機(jī)器人上部署,，使用輕量化MobileNet V2網(wǎng)絡(luò)替代原有的Xception網(wǎng)絡(luò)以減少網(wǎng)絡(luò)參數(shù)，并在空洞空間金字塔池化（Atrous spatial pyramid pooling,，ASPP）模塊中運(yùn)用ReLU6激活函數(shù)減少部署在移動(dòng)設(shè)備的精度損失,，此外結(jié)合混合擴(kuò)張卷積（Hybrid dilated convolution，HDC）,，以混合擴(kuò)張卷積替代原有網(wǎng)絡(luò)中的空洞卷積,，將ASPP中的擴(kuò)張率設(shè)為互質(zhì)以減少空洞卷積的網(wǎng)格效應(yīng)。使用視覺傳感器采集果園場景RGB圖像,，選取果樹,、人、天空等8類常見的目標(biāo)制作了數(shù)據(jù)集,，并在該數(shù)據(jù)集上基于Pytorch對(duì)改進(jìn)前后的DeepLab V3+進(jìn)行訓(xùn)練,、驗(yàn)證和測試。結(jié)果表明,，改進(jìn)后DeepLab V3+模型的平均像素精度,、平均交并比分別達(dá)到62.81%和56.64%，比改進(jìn)前分別提升5.52,、8.75個(gè)百分點(diǎn),。模型參數(shù)量較改進(jìn)前壓縮88.67%，單幅圖像分割時(shí)間為0.08s,，與原模型相比減少0.09s,。尤其是對(duì)樹的分割精度達(dá)到95.61%，比改進(jìn)前提高1.31個(gè)百分點(diǎn),。該方法可為噴霧機(jī)器人精準(zhǔn)施藥和安全作業(yè)提供有效決策,，具有實(shí)用性,。

摘要:為在有限的嵌入式設(shè)備資源下達(dá)到實(shí)時(shí)檢測要求,，提出一種基于改進(jìn)YOLO v5的百香果輕量化檢測模型（MbECA-v5）。首先,，使用MobileNetV3替換主干特征提取網(wǎng)絡(luò),，利用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積減少模型的參數(shù)量。其次,，嵌入有效通道注意力網(wǎng)絡(luò)（ECANet）關(guān)注百香果整體,，引入逐點(diǎn)卷積連接特征提取網(wǎng)絡(luò)和特征融合網(wǎng)絡(luò)，提高網(wǎng)絡(luò)對(duì)百香果圖像的特征提取能力和擬合能力,。最后,，運(yùn)用跨域與域內(nèi)多輪訓(xùn)練相結(jié)合的遷移學(xué)習(xí)策略提高網(wǎng)絡(luò)檢測精度。試驗(yàn)結(jié)果表明,，改進(jìn)后模型的精確率和召回率為95.3%和88.1%,；平均精度均值為88.3%，較改進(jìn)前提高0.2個(gè)百分點(diǎn),。模型計(jì)算量為6.6 GFLOPs,，體積僅為6.41MB，約為改進(jìn)前模型的1/2,，在嵌入式設(shè)備實(shí)時(shí)檢測速度為10.92f/s,，約為SSD、Faster RCNN,、YOLO v5s模型的14倍、39倍,、1.7倍,。因此，基于改進(jìn)YOLO v5的輕量化模型提高了檢測精度和大幅降低了計(jì)算量和模型體積,，在嵌入式設(shè)備上能夠高效實(shí)時(shí)地對(duì)復(fù)雜果園環(huán)境中的百香果進(jìn)行檢測,。

摘要:針對(duì)草原蝗蟲圖像具有樣本收集困難,、目標(biāo)較小和目標(biāo)多尺度等技術(shù)難點(diǎn),，基于YOLO v5網(wǎng)絡(luò)，提出了一種復(fù)雜背景下多尺度蝗蟲目標(biāo)檢測識(shí)別模型YOLO v5-CB,，用于寧夏草原常見蝗蟲檢測,。改進(jìn)模型YOLO v5-CB針對(duì)蝗蟲原始樣本量較少的問題，使用CycleGAN網(wǎng)絡(luò)擴(kuò)充蝗蟲數(shù)據(jù)集,；針對(duì)蝗蟲圖像中的小目標(biāo)特征,，使用ConvNeXt來保留小目標(biāo)蝗蟲的特征；為有效解決蝗蟲圖像尺度特征變換較大問題,，在頸部特征融合使用Bi-FPN結(jié)構(gòu),，來增強(qiáng)網(wǎng)絡(luò)對(duì)多尺度目標(biāo)的特征融合能力。實(shí)驗(yàn)結(jié)果表明,，在對(duì)寧夏草原常見亞洲小車蝗,、短星翅蝗、中華劍角蝗進(jìn)行檢測識(shí)別時(shí),，YOLO v5-CB的識(shí)別精度可達(dá)98.6%,，平均精度均值達(dá)到96.8%，F(xiàn)1值為98%,，與Faster R-CNN,、YOLO v3、YOLO v4,、YOLO v5模型相比,，識(shí)別精度均有提高。將改進(jìn)的蝗蟲檢測識(shí)別模型YOLO v5-CB與研發(fā)的分布式可擴(kuò)展生態(tài)環(huán)境數(shù)據(jù)采集系統(tǒng)結(jié)合,，構(gòu)建了基于4G網(wǎng)絡(luò)的Web端蝗蟲識(shí)別平臺(tái),，可對(duì)觀測點(diǎn)的蝗蟲圖像進(jìn)行長期實(shí)時(shí)檢測。目前,，該平臺(tái)已在寧夏回族自治區(qū)鹽池縣大水坑,、黃記場、麻黃山等地的草原生態(tài)環(huán)境數(shù)據(jù)獲取中得到了應(yīng)用,，可對(duì)包括寧夏草原蝗蟲信息在內(nèi)的多種生態(tài)環(huán)境信息進(jìn)行長期檢測和跟蹤,，為蟲情防治等提供決策依據(jù)。

摘要:柑橘黃龍病嚴(yán)重影響柑橘的產(chǎn)量和品質(zhì),。在自然背景下，柑橘葉片之間存在相互遮擋以及尺寸變化大的問題，使得遮擋及小尺寸的黃龍病葉片容易漏檢,，而且由于黃龍病葉片的顏色,、紋理特征與柑橘其他病害十分相似，容易存在誤檢的問題,，導(dǎo)致現(xiàn)有的算法對(duì)自然背景柑橘黃龍病檢測的精度不高,。本研究提出了一種結(jié)合剪切混合拼接（Shearing mixed splicing，SMS）增廣算法和雙向特征融合的自然背景柑橘黃龍病檢測方法,，該方法通過SMS,、鏡像翻轉(zhuǎn)和旋轉(zhuǎn)方法對(duì)訓(xùn)練集和驗(yàn)證集進(jìn)行了增廣，增加了訓(xùn)練集和驗(yàn)證集圖像中背景目標(biāo)的數(shù)量和多樣性,；為了自適應(yīng)地改變柑橘黃龍病檢測中的局部采樣點(diǎn),，增大有效感受野，使用可變形卷積替換骨干網(wǎng)絡(luò)后3個(gè)卷積層中所有的標(biāo)準(zhǔn)卷積,；為了減小自然背景的影響,，使用全局上下文模塊對(duì)骨干網(wǎng)絡(luò)后3個(gè)卷積層輸出的特征圖進(jìn)行特征增強(qiáng)，來建立有效的長距離依賴,，以便更好的學(xué)習(xí)到全局上下文信息,；使用雙向融合特征金字塔，改善淺層特征和深層特征的信息交流路徑,，用以降低因柑橘黃龍病葉片尺寸變化大導(dǎo)致的漏檢,，提高小尺寸的柑橘黃龍病葉片的檢測精度。實(shí)驗(yàn)結(jié)果表明,，本研究提出的方法用于自然背景柑橘黃龍病的檢測,，平均精度可達(dá)84.8%，性能優(yōu)于SSD,、RetinaNet,、YOLO v3、YOLO v5s,、Faster RCNN,、Cascade RCNN等目標(biāo)檢測方法。

摘要:水稻病害是影響水稻產(chǎn)量的重要因素之一,，水稻病害的早期預(yù)測對(duì)水稻病害防治至關(guān)重要,。為了實(shí)現(xiàn)水稻白葉枯病害的預(yù)測，連續(xù)采集了從接種病菌到早期發(fā)病共7d的白葉枯病害脅迫下的葉片高光譜圖像。利用Savitzky-Golay算法對(duì)高光譜圖像進(jìn)行預(yù)處理,，并利用主成分分析（Principal component analysis, PCA）和隨機(jī)森林（Random forest, RF）算法提取光譜特征,，構(gòu)建多任務(wù)學(xué)習(xí)(Multi-task learning, MTL)與長短期記憶（Long short-term memory, LSTM）網(wǎng)絡(luò)融合的預(yù)測模型，對(duì)水稻病害發(fā)病率和潛伏期進(jìn)行預(yù)測,，并利用鯨魚優(yōu)化算法（Whale optimization algorithm, WOA）對(duì)MTL-LSTM模型進(jìn)行優(yōu)化,。實(shí)驗(yàn)結(jié)果表明：PCA和RF可以有效地從高光譜圖像中提取光譜特征，降低高光譜數(shù)據(jù)維度,，且基于光譜特征構(gòu)建的預(yù)測模型性能優(yōu)于全波段光譜構(gòu)建的預(yù)測模型性能,，建模時(shí)間降低約98%?；跁r(shí)序高光譜構(gòu)建的預(yù)測模型對(duì)發(fā)病率和潛伏期的預(yù)測取得了預(yù)期效果,，基于前10個(gè)特征波長構(gòu)建的WOA-MTL-LSTM模型取得了最優(yōu)的預(yù)測性能，對(duì)發(fā)病率和潛伏期預(yù)測測試集的R2分別為0.93和0.85,，RMSE分別為0.34和2.12,，RE分別為0.33%和1.21%。通過WOA算法可以提升MTL-LSTM的預(yù)測性能,，對(duì)發(fā)病率和潛伏期預(yù)測的R2均提升0.05,。研究結(jié)果表明RF提取高光譜特征能有效表征全波段光譜，基于時(shí)序高光譜的WOA-MTL-LSTM模型可以準(zhǔn)確預(yù)測白葉枯病害發(fā)病率和潛伏期,，為水稻白葉枯病害的預(yù)防提供了技術(shù)支持,。

摘要:在檀香樹大面積種植過程中,，存在人工排查缺苗效率低,、成本高和難以監(jiān)管等問題，而且檀香樹必備的伴生植物和樹間穿插的其它作物，更加大了查補(bǔ)難度,。針對(duì)這些問題，本文提出一種基于YOLOv4和雙重回歸的復(fù)雜環(huán)境檀香樹缺苗檢測和精準(zhǔn)定位方法,。首先,，采用YOLOv4目標(biāo)檢測算法，處理無人機(jī)采集的遙感圖像,，實(shí)現(xiàn)檀香樹植株的智能檢測,。然后，以雙重線性回歸結(jié)合延長列線補(bǔ)漏策略為核心,，構(gòu)建缺苗定位算法（Missing seedling localization algorithm,，MSL）：選任意檀香樹作基準(zhǔn),，根據(jù)像素坐標(biāo)劃分列區(qū)域，對(duì)各列區(qū)域中檀香樹用線性回歸擬合列線,；對(duì)擬合后仍未歸入列的遺漏檀香樹,，用延長回歸線策略重新判斷歸屬，并再次線性回歸優(yōu)化列線,。最后,，根據(jù)種植間距規(guī)劃，實(shí)現(xiàn)缺苗檢測和定位,。試驗(yàn)結(jié)果表明,，檀香樹缺苗檢測精確率86.82%、召回率82.25%,、F1值84.47%,、運(yùn)行時(shí)間8.19s。該方法融合了大疆無人機(jī)遙感圖像采集系統(tǒng)的快速性,、YOLOv4算法和雙重回歸策略的精準(zhǔn)性,，可實(shí)現(xiàn)對(duì)復(fù)雜生長狀況下檀香樹的實(shí)時(shí)智能缺苗檢測和精準(zhǔn)定位。

摘要:針對(duì)果樹根系相較于果樹枝干或冠層難以觀察和取樣的問題,，提出一種基于探地雷達(dá)和卷積神經(jīng)網(wǎng)絡(luò)的果樹根系半徑和深度預(yù)測方法。首先,，使用開源軟件gprMax構(gòu)造所需的探地雷達(dá)A-Scan數(shù)據(jù)集,；然后，將輸入數(shù)據(jù)導(dǎo)入注意力模塊,，對(duì)特征信息重新分配權(quán)重,，突出關(guān)鍵特征對(duì)模型的影響；最后,，通過卷積層提取特征信息,，通過全連接層將前面卷積層所學(xué)到的局部特征綜合為A-Scan數(shù)據(jù)的全局特征，完成對(duì)根系半徑和深度的準(zhǔn)確預(yù)測,。為了證明提出方法的可行性與有效性,，在仿真數(shù)據(jù)和實(shí)測數(shù)據(jù)上分別進(jìn)行實(shí)驗(yàn)。結(jié)果表明,，該方法可以實(shí)現(xiàn)對(duì)根系半徑和深度的有效預(yù)測,，其中，在仿真數(shù)據(jù)上對(duì)根系半徑預(yù)測的最大誤差為2.9mm,，R2為0.990,，均方根誤差為0.00068m,，深度預(yù)測最大誤差為11.2mm,，R2為0.999,，均方根誤差為0.0020m；在實(shí)測數(shù)據(jù)上對(duì)根系半徑預(yù)測最大誤差為1.56mm,，深度預(yù)測最大誤差為9.90mm,，總平均相對(duì)誤差為5.83%，能夠?qū)崿F(xiàn)對(duì)根系半徑和深度的準(zhǔn)確預(yù)測,。

摘要:為實(shí)現(xiàn)水稻施肥知識(shí)圖譜自動(dòng)化構(gòu)建，為后續(xù)構(gòu)建水稻施肥決策系統(tǒng)提供基礎(chǔ),，定義了水稻施肥體系數(shù)據(jù)結(jié)構(gòu)并制作水稻施肥數(shù)據(jù)集,，結(jié)合水稻施肥數(shù)據(jù)特點(diǎn)，添加單位標(biāo)注器,，并改進(jìn)CASREL解碼加入隱藏層,，提出了基于RoBERTa-wwm編碼+改進(jìn)CASREL解碼的信息抽取模型，同時(shí)針對(duì)編碼與解碼環(huán)節(jié)進(jìn)行試驗(yàn)對(duì)比,。結(jié)果表明,，基于該模型的F1值達(dá)到91.86%，與對(duì)比模型相比有較為顯著的提升,?；诟倪M(jìn)RoBERTa-wwm-CASREL的信息抽取模型能有效提高水稻施肥信息抽取效果，為水稻施肥知識(shí)圖譜構(gòu)建以及施肥決策系統(tǒng)提供基礎(chǔ),。

摘要:為提高水稻種子質(zhì)量,，剔除雜草稻種子,，提出一種基于凹點(diǎn)匹配的粘連分割算法，搭建一種在線形色雙選水稻種子識(shí)別平臺(tái),。該平臺(tái)由排種系統(tǒng),、圖像采集系統(tǒng)、傳動(dòng)系統(tǒng),、電機(jī)驅(qū)動(dòng)系統(tǒng)構(gòu)成,。該平臺(tái)算法基于ECMM凹點(diǎn)分割法,，首先對(duì)采集的圖像進(jìn)行預(yù)處理、提取形態(tài)因子小于0.4的粘連輪廓,，對(duì)所提取輪廓的邊緣進(jìn)行一維高斯卷積核平滑處理,，并計(jì)算平滑后輪廓曲線的曲率及其曲率均值，尋找與曲率均值相差較大的若干個(gè)點(diǎn)作為角點(diǎn),。其次,，依據(jù)矢量三角形面積的正負(fù)來判斷角點(diǎn)是否為真正的凹點(diǎn)，尋找凹點(diǎn)與前繼點(diǎn),、后繼點(diǎn)所組成的法線方向的夾角范圍(0°~180°),，并在此夾角范圍內(nèi)尋找與其相匹配的凹點(diǎn)對(duì)，完成粘連分割,。該算法平均精度為92.90%,，比極限腐蝕法提高19.82個(gè)百分點(diǎn)，比分水嶺算法提高12.85個(gè)百分點(diǎn),。最后,，計(jì)算分割后圖像上各輪廓內(nèi)的種子長度與R通道像素占比來識(shí)別雜草稻種子。經(jīng)識(shí)別平臺(tái)測試,，本文算法每識(shí)別100粒種子平均用時(shí)0.95s,，平均識(shí)別精度為97.50%。

摘要:針對(duì)農(nóng)作物禾苗和雜草辨識(shí)和定位不精確，會(huì)造成除草機(jī)器人除草不凈,、傷害禾苗,、影響產(chǎn)量等問題，提出了一種基于骨架提取算法的作物莖稈中心識(shí)別與定位的多級(jí)圖像識(shí)別方法,。該方法通過不同圖像處理算法的多級(jí)式遞進(jìn)融合,，實(shí)現(xiàn)對(duì)農(nóng)作物莖稈的精確識(shí)別與中心定位。首先將采集到的彩色圖像轉(zhuǎn)換到HSV顏色空間進(jìn)行背景分割,。然后采用腐蝕算法對(duì)圖像進(jìn)行腐蝕操作,，腐蝕掉雜草圖像信息得到僅含作物的圖像信息，最后用Zhang-Suen細(xì)化算法對(duì)作物圖像進(jìn)行骨架提取操作,，并對(duì)骨架交叉點(diǎn)進(jìn)行計(jì)算分析,，識(shí)別與定位作物莖稈中心，實(shí)現(xiàn)作物精準(zhǔn)辨識(shí)和定位,。對(duì)采集的100幅苗期圖像進(jìn)行實(shí)驗(yàn)測試,，結(jié)果表明農(nóng)作物禾苗莖稈中心識(shí)別和定位精度誤差小于12mm。本文方法能實(shí)時(shí)精準(zhǔn)辨識(shí)禾苗和雜草,，并對(duì)禾苗進(jìn)行精準(zhǔn)定位,，為實(shí)現(xiàn)田間機(jī)械化除草提供了一種精準(zhǔn)可靠的作物識(shí)別和定位方法,。

摘要:為實(shí)現(xiàn)褐菇高效、精準(zhǔn),、快速的自動(dòng)化采摘,，針對(duì)工廠化褐菇的種植特點(diǎn)，提出一種基于YOLO v5遷移學(xué)習(xí)(YOLO v5-TL)結(jié)合褐菇三維邊緣信息直徑動(dòng)態(tài)估測法的褐菇原位識(shí)別-測量-定位一體化方法,。首先,，基于YOLO v5-TL算法實(shí)現(xiàn)復(fù)雜菌絲背景下的褐菇快速識(shí)別；再針對(duì)錨框區(qū)域褐菇圖像進(jìn)行圖像增強(qiáng),、去噪,、自適應(yīng)二值化、形態(tài)學(xué)處理,、輪廓擬合進(jìn)行褐菇邊緣定位,，并提取邊緣點(diǎn)和褐菇中心點(diǎn)的像素坐標(biāo)；最后基于褐菇三維邊緣信息的直徑動(dòng)態(tài)估測法實(shí)現(xiàn)褐菇尺寸的精確測量和中心點(diǎn)定位,。試驗(yàn)結(jié)果表明單幀圖像平均處理時(shí)間為50ms,，光照強(qiáng)度低、中,、高情況下采摘對(duì)象識(shí)別平均成功率為91.67%,，其中高光強(qiáng)時(shí)識(shí)別率達(dá)100%，菇蓋的尺寸測量平均精度為97.28%,。研究表明,，本文提出的YOLO v5-TL結(jié)合褐菇三維邊緣信息直徑動(dòng)態(tài)估測法可實(shí)現(xiàn)工廠化種植環(huán)境下褐菇識(shí)別、測量,、定位一體化,，滿足機(jī)器人褐菇自動(dòng)化采摘需求。

摘要:為揭示土壤有機(jī)質(zhì)(Soil organic matter, SOM)時(shí)空變異性與驅(qū)動(dòng)因子響應(yīng)機(jī)制,，保障區(qū)域耕地可持續(xù)利用與糧食安全,，應(yīng)用地理探測器、地統(tǒng)計(jì)和重心偏移方法對(duì)陜西省SOM含量時(shí)空變異格局與驅(qū)動(dòng)因子進(jìn)行研究,。結(jié)果表明：整體上,，陜西省2017年SOM分布呈南高北低格局，平均含量(質(zhì)量比)為15.63g/kg,，較2007年提升8.61%,；空間上，2017年SOM含量重心整體向西南偏移,，陜南向西遷移,，關(guān)中向東遷移，陜北向西南偏移,；2017年SOM含量空間變異主導(dǎo)驅(qū)動(dòng)因子為土壤全氮含量(q為0.74),；2007—2017年間，土壤全氮含量,、年平均氣溫,、機(jī)械總動(dòng)力對(duì)SOM含量空間變異的驅(qū)動(dòng)力提升較大;2007—2017年，自然與人文因素共同驅(qū)動(dòng)SOM含量時(shí)空變異,，但人類活動(dòng)對(duì)兩因素均具有重要影響,。

摘要:土壤含氧量（Soil oxygen content，SOC）是影響作物生長的重要土壤環(huán)境因素之一,，具有時(shí)序性,、不穩(wěn)定性和非線性等特點(diǎn)，精確預(yù)測土壤環(huán)境中含氧量的變化趨勢,，有助于制定更加合理的土壤通氣增氧方案,。本研究提出基于麻雀搜索算法（Sparrow search algorithm，SSA）和長短時(shí)記憶（Long and short-term memory,，LSTM）神經(jīng)網(wǎng)絡(luò)預(yù)測模型,，利用國家土壤質(zhì)量湛江觀測實(shí)驗(yàn)站記錄玉米種植期間的氣象環(huán)境和土壤環(huán)境數(shù)據(jù)，基于SSA-LSTM模型對(duì)SOC變化進(jìn)行預(yù)測及相關(guān)性分析,，并與傳統(tǒng)的BP預(yù)測模型,、LSTM預(yù)測模型、GA-LSTM預(yù)測模型及PSO-LSTM預(yù)測模型進(jìn)行對(duì)比。試驗(yàn)結(jié)果表明,，SOC與降雨量,、土壤含水率、土壤溫度,、土壤充氣孔隙度相關(guān)性極顯著,，相關(guān)系數(shù)高于0.8，與大氣溫度和風(fēng)速相關(guān)性顯著,，與大氣濕度和土壤呼吸速率相關(guān)性較弱,。SSA-LSTM模型預(yù)測精度明顯高于其他4組對(duì)照預(yù)測模型，R2達(dá)到0.95979,，RMSE僅為0.4917%,，MAPE為3.7331%，MAE為 0.3620%,，預(yù)測值與試驗(yàn)值之間的擬合程度高,。本研究可為土壤含氧量變化的精準(zhǔn)預(yù)測及土壤通氣增氧技術(shù)的應(yīng)用推廣提供理論支撐與科學(xué)依據(jù)。

摘要:從水土資源協(xié)同投入和“經(jīng)濟(jì)-社會(huì)-生態(tài)”效益產(chǎn)出的全局角度分析宏觀區(qū)域的農(nóng)業(yè)水土資源利用效率，對(duì)于農(nóng)業(yè)生產(chǎn)可持續(xù)性具有重要價(jià)值,。本文結(jié)合廣義水資源概念及農(nóng)業(yè)生產(chǎn)中的“多投入-多產(chǎn)出”特征,，闡明了農(nóng)業(yè)水土資源利用效率的內(nèi)涵，利用數(shù)據(jù)包絡(luò)分析法構(gòu)建了超效率-基于松弛變量（Super-SBM）模型和超效率-考慮非期望產(chǎn)出-基于松弛變量（Super-Undesirable-SBM）模型用于測算生產(chǎn)配置效率概念的農(nóng)業(yè)水土資源利用效率,，并以山東省引黃灌溉區(qū)為例,，測算了研究區(qū)51個(gè)縣域的不考慮生態(tài)效益的農(nóng)業(yè)水土資源利用效率（WLUE）、考慮生態(tài)效益的農(nóng)業(yè)水土資源利用效率（WLUEE）,、水資源利用效率損失（WUEL）和耕地資源利用效率損失（LUEL）,。結(jié)果表明：所有縣域中，只有東明縣和桓臺(tái)縣WLUE和WLUEE均大于1,，實(shí)現(xiàn)了DEA有效,，河口區(qū)的WLUE最小，歷城區(qū)的WLUEE最小,。各縣域分為綠色高效型,、普通高效型、綠色低效型和普通低效型4種類型,，且綠色高效型和普通高效型縣域水資源利用水平更高,，綠色低效型和普通低效型縣域耕地利用水平更高。提出了不同類型縣域農(nóng)業(yè)水土資源利用效率的針對(duì)性改善措施,，為農(nóng)業(yè)水土資源利用效率研究提供新的視角,，研究成果有利于促進(jìn)研究區(qū)農(nóng)業(yè)生產(chǎn)的可持續(xù)發(fā)展,。

摘要:土壤有機(jī)質(zhì)（SOM）是土壤肥力的重要組成部分,，是作物生長的主要養(yǎng)分來源。為探究分?jǐn)?shù)階微分（FOD）聯(lián)合優(yōu)化光譜指數(shù)對(duì)低肥力地區(qū)SOM的反演效果,，以銀川平原為研究對(duì)象,，對(duì)野外土壤高光譜反射率原始數(shù)據(jù)進(jìn)行0~2階FOD處理（間隔0.2階），構(gòu)建優(yōu)化光譜指數(shù)DI/RDI,、DI/NDI,、NDI/RDI、RDI/NDI,、DI/GDI和RI/GDI,，分析各指數(shù)與土壤有機(jī)質(zhì)含量間的二維相關(guān)性，篩選出最佳優(yōu)化光譜指數(shù),，并建立基于支持向量機(jī)（SVM）的SOM含量反演模型,。結(jié)果表明：銀川平原SOM含量整體偏低，其中93.05%處于四級(jí)到六級(jí)水平,。土壤野外原始光譜反射率吸收特征差異明顯,，在1400、1900nm處有明顯吸收峰,。隨著分?jǐn)?shù)階的不斷增加,，光譜反射率不斷趨近于0。土壤DI/NDI,、DI/GDI,、RI/GDI、NDI/RDI和RDI/NDI在0~2階最大相關(guān)系數(shù)絕對(duì)值（MACC）均小于0.80,，DI/RDI在0.2~2.0階范圍內(nèi)的MACC為0.9965~0.9986,，其敏感波段主要集中在1450~1750nm和2100~2400nm之間?；?.2階微分處理的DI/RDI-SVM模型對(duì)SOM的反演精度最佳,，建模決定系數(shù)R2c和驗(yàn)證決定系數(shù)R2p分別為0.98和0.99，相對(duì)分析誤差（RPD）為4.31,。研究結(jié)果可為低肥力地區(qū)的SOM含量快速,、準(zhǔn)確反演及制圖提供科學(xué)依據(jù)。

摘要:為探究不同種類生物炭與其施量對(duì)新復(fù)墾區(qū)土壤水分入滲過程的影響,，設(shè)置2個(gè)生物炭種類（玉米秸稈生物炭A、水稻稻殼生物炭B）和3個(gè)施量梯度（2%,、4%和8%）以及不施加生物炭（CK）共7個(gè)處理,，進(jìn)行垂直一維積水入滲試驗(yàn)。結(jié)果表明：除低施量水稻稻殼生物炭處理（B2）外,，添加生物炭延緩了新復(fù)墾區(qū)土壤水分入滲過程,，玉米秸稈生物炭優(yōu)于水稻稻殼生物炭。添加2%,、4%和8%玉米秸稈生物炭處理（A2,、A4、A8）隨施量增加,，入滲時(shí)間逐漸延長,，與CK相比，入滲時(shí)間分別延長35.0%,、46.0%和59.1%,；而水稻稻殼生物炭組中僅4%施量處理（B4）延緩了水分入滲，入滲時(shí)間較CK增加28.5%,。同時(shí)，添加生物炭降低了土壤初始入滲率及相同入滲時(shí)間內(nèi)的濕潤鋒運(yùn)移距離和累積入滲量,，生物炭種類及其施量對(duì)這3項(xiàng)指標(biāo)的影響與對(duì)入滲時(shí)間的影響規(guī)律相似,。添加生物炭均提高了土壤表層含水率，增幅2.2%～20.3%,，且兩種生物炭在高施量處理?xiàng)l件下土壤保水能力明顯優(yōu)于中,、低施量。濕潤鋒運(yùn)移距離與時(shí)間符合冪函數(shù)關(guān)系,，Philip模型能較好地模擬不同種類及施量生物炭處理下新復(fù)墾土壤的水分入滲過程,。總體來講,，添加8%玉米秸稈生物炭處理有利于改善新復(fù)墾區(qū)土壤水分下滲快,、保水能力弱的問題。

摘要:以玉米秸稈基三醋酸纖維素（CTA）為原料,，采用自制離子液體型磷鎢酸鹽（ILP）為水解催化劑，提出一種綠色,、高效制備二醋酸纖維素（CDA）的新工藝,。考察水添加量,、ILP添加量以及反應(yīng)時(shí)間對(duì)水解產(chǎn)物取代度和質(zhì)量分?jǐn)?shù)的影響,，并對(duì)產(chǎn)物理化特性及結(jié)構(gòu)進(jìn)行表征。結(jié)果表明,，在CTA添加量為0.6g,，反應(yīng)溫度為110℃時(shí)，CDA的最佳水解條件為：水添加量0.3g,、ILP添加量0.1g,，即水解液中ILP與水質(zhì)量比為1∶3，原料與水解液質(zhì)量比為3∶2,，反應(yīng)時(shí)間60min,，得到的CDA取代度為2.62，質(zhì)量分?jǐn)?shù)為69.33%,。CDA聚合度為66.54,，可溶于丙酮、冰醋酸,、二氯甲烷,、1,4-二氧六環(huán)和二甲基亞砜。電鏡結(jié)果表明CDA微觀形貌呈現(xiàn)粗糙,、分散的狀態(tài),，表面破壞程度嚴(yán)重。紅外光譜和熱重分析表明CTA成功水解為CDA,。以玉米秸稈為原料時(shí),，原料的質(zhì)量轉(zhuǎn)化率達(dá)到47.72%。

摘要:青梅內(nèi)外品質(zhì)對(duì)其精深加工過程有重要影響,，常規(guī)人工分選不僅分級(jí)效率較低,，且受個(gè)人主觀因素影響難以實(shí)現(xiàn)標(biāo)準(zhǔn)化作業(yè)，不能滿足市場需求,。以深度學(xué)習(xí)技術(shù)為基礎(chǔ),，在青梅外表缺陷分類方面,，將Vision Transformer網(wǎng)絡(luò)模型應(yīng)用到機(jī)器視覺系統(tǒng)中，引入多頭注意力機(jī)制,，提升全局特征表示能力,，并通過softmax函數(shù)減少梯度，實(shí)現(xiàn)青梅表面的多類（腐爛,、裂紋,、疤痕、雨斑,、完好5類）檢測分選,，結(jié)果表明其平均判別準(zhǔn)確率達(dá)到99.16%，其中腐爛,、疤痕,、裂紋以及完好青梅圖像的判別準(zhǔn)確率達(dá)到100%、雨斑達(dá)到97.38%,，每組平均測試時(shí)間為100.59ms,；該網(wǎng)絡(luò)的各類判別準(zhǔn)確率、平均判別準(zhǔn)確率均明顯優(yōu)于VGG網(wǎng)絡(luò),、ResNet-18網(wǎng)絡(luò),。青梅內(nèi)部品質(zhì)（SSC）預(yù)測方面，基于高光譜成像技術(shù),，結(jié)合低秩張量恢復(fù)（LRTR）的去噪優(yōu)勢和堆疊卷積自動(dòng)編碼器（SCAE）的降維優(yōu)勢,，構(gòu)建了LRTR-SCAE-PLSR青梅糖度預(yù)測模型。結(jié)果表明網(wǎng)絡(luò)規(guī)模為119-90-55-36時(shí),，模型預(yù)測集相關(guān)系數(shù)為 0.9654,，均方根誤差為0.5827%，表現(xiàn)最佳,；通過SCAE,、LRTR-SCAE兩種降維模型對(duì)比，LRTR-SCAE模型不僅維度更低,，預(yù)測集相關(guān)系數(shù)也明顯提高，驗(yàn)證了LRTR-SCAE模型的降維去噪優(yōu)勢,。設(shè)計(jì)并搭建了可用于青梅內(nèi)外品質(zhì)無損分選的智能裝備,，整機(jī)尺寸小，結(jié)構(gòu)簡單,，分選結(jié)果滿足青梅精深加工需求,。

摘要:糧油質(zhì)量安全直接關(guān)系人民生命健康和國家安全穩(wěn)定,。糧油供應(yīng)鏈具有主體復(fù)雜,、風(fēng)險(xiǎn)多、供應(yīng)網(wǎng)絡(luò)跨域,、信息鏈難以打通等特點(diǎn),，以區(qū)塊鏈為代表的新一代信息技術(shù)為食品質(zhì)量安全保障和追溯提供了新的解決思路和應(yīng)用模式，但同時(shí)也引入了新的系統(tǒng)性風(fēng)險(xiǎn),，并且存在安全性方面的挑戰(zhàn),。在解析糧油質(zhì)量安全區(qū)塊鏈風(fēng)險(xiǎn)和信息特征基礎(chǔ)上，改進(jìn)并優(yōu)化現(xiàn)有完全非可信執(zhí)行場景中通用型區(qū)塊鏈結(jié)構(gòu),，在網(wǎng)絡(luò)層提出了一種適用于非完全可信執(zhí)行場景中糧油質(zhì)量安全專用型區(qū)塊鏈網(wǎng)絡(luò)結(jié)構(gòu),，在共識(shí)層提出了一種基于PBFT改進(jìn)拜占庭容錯(cuò)能力的符合糧油質(zhì)量安全區(qū)塊鏈特征的Kafka共識(shí)優(yōu)化算法P-Kafka，分別從正確性,、去中心化,、安全性、可擴(kuò)展性,、共識(shí)效率及一致性6個(gè)角度與傳統(tǒng)共識(shí)算法做了性能對(duì)比分析,。通過分析比較，所提出的網(wǎng)絡(luò)節(jié)點(diǎn)分區(qū)與子鏈劃分一定程度上節(jié)省了區(qū)塊鏈系統(tǒng)運(yùn)行成本并提高了節(jié)點(diǎn)的隱私安全,，改進(jìn)的P-Kafka共識(shí)算法具有了拜占庭容錯(cuò)能力并繼承了Kafka分區(qū)優(yōu)化的高吞吐量特性,，更加適應(yīng)糧油質(zhì)量安全應(yīng)用場景。

摘要:為揭示乘坐式采茶機(jī)的集葉管道內(nèi)部氣流特性，利用計(jì)算流體力學(xué)（CFD）和離散單元法（DEM）對(duì)管道內(nèi)氣固兩相流動(dòng)進(jìn)行數(shù)值模擬,。通過多球面聚合法建立機(jī)采鮮葉數(shù)值計(jì)算模型,，在分析鮮葉顆粒運(yùn)動(dòng)規(guī)律基礎(chǔ)上，分別對(duì)其不同進(jìn)口風(fēng)速,、鮮葉顆粒尺寸,、彎管結(jié)構(gòu)進(jìn)行模擬分析。研究結(jié)果表明,，數(shù)值模型可預(yù)測集葉管道的集葉效果以及最佳風(fēng)速,；在最佳進(jìn)口風(fēng)速范圍內(nèi)，鮮葉顆粒越大,，管道內(nèi)的剩余顆粒越多,，容易產(chǎn)生沉積,；鮮葉顆粒流在穿過豎直管道到彎管時(shí)形成一束彎管流曲線，且彎管結(jié)構(gòu)對(duì)鮮葉顆粒運(yùn)動(dòng)有一定影響,，流場平均速度呈先降低后升高的變化規(guī)律,。選用一個(gè)彎管半徑為0.04m圓角彎管作為集葉彎管結(jié)構(gòu)，同時(shí)減少橫向管道長度,，選擇內(nèi)側(cè)長度為0.03m豎直管,，避免鮮葉顆粒由重力作用導(dǎo)致的沉積，保證集葉順暢性,。數(shù)學(xué)模型仿真與試驗(yàn)結(jié)果表明：減少橫直管長度,，采用圓角彎管與適合的豎直管長度的集葉管道，穿透率不小于86.8%,，滿足集葉要求,。本文提出的鮮葉顆粒建模方法，用于集葉管道與鮮葉流相互作用的離散元仿真分析及管道結(jié)構(gòu)優(yōu)化,。該研究可為集葉管道其他工作參數(shù)優(yōu)化提供參考,。

摘要:為實(shí)現(xiàn)雞肉新鮮度的快速準(zhǔn)確檢測,，設(shè)計(jì)了一種基于電子鼻和視覺數(shù)據(jù)融合的一體化檢測裝置。裝置由控制系統(tǒng),、視覺系統(tǒng)和電子鼻系統(tǒng)3部分組成,，可同時(shí)通過電子鼻傳感器陣列檢測雞肉散發(fā)的氣體濃度并由攝像機(jī)采集雞肉視覺圖像，控制板傳輸數(shù)據(jù)至Jetson Nano上位機(jī)進(jìn)行特征提取,、融合與分析,。由該裝置獲取不同新鮮度雞肉樣本的氣味和圖像數(shù)據(jù)，采用主成分分析方法進(jìn)行降維處理,，再基于支持向量機(jī)建立雞肉新鮮度分級(jí)模型,，準(zhǔn)確率可達(dá)98.7%。該裝置具有準(zhǔn)確率高,、便攜和穩(wěn)定性強(qiáng)等特點(diǎn),，可為肉品新鮮度檢測提供技術(shù)支持。

摘要:為實(shí)現(xiàn)基于拖拉機(jī)多傳感器實(shí)測載荷數(shù)據(jù)的旋耕作業(yè)質(zhì)量準(zhǔn)確識(shí)別，提出一種基于GAF-DenseNet的拖拉機(jī)旋耕作業(yè)質(zhì)量等級(jí)識(shí)別模型,，設(shè)計(jì)旋耕作業(yè)質(zhì)量等級(jí)分級(jí)標(biāo)準(zhǔn),，開展旋耕作業(yè)田間試驗(yàn)，并進(jìn)行模型準(zhǔn)確性驗(yàn)證和性能分析,。該模型通過格拉姆角場（Gramian angular field, GAF）算法,，在保留原始載荷序列的時(shí)間依賴性的前提下，對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行唯一編碼,。DenseNet網(wǎng)絡(luò)對(duì)圖像陣列中內(nèi)含的載荷信息進(jìn)行深層挖掘,，通過特征重用、模型壓縮等技術(shù)環(huán)節(jié),，在保證特征提取深度的同時(shí),，顯著提升該網(wǎng)絡(luò)的運(yùn)算效率。分析結(jié)果表明：過大或過小的重采樣滑動(dòng)窗口大小均會(huì)降低模型性能,，且格拉姆角差場（Gramian angular difference field, GADF）實(shí)驗(yàn)效果強(qiáng)于格拉姆角和場（Gramian angular summation field, GASF）,，實(shí)驗(yàn)數(shù)據(jù)顯示在重采樣滑動(dòng)窗口大小為250且選用格拉姆角差場的條件下，模型性能達(dá)到最優(yōu),。增長率k與模型整體性能呈正相關(guān)的趨勢,，但過大的k值會(huì)降低模型的實(shí)時(shí)性能且對(duì)于準(zhǔn)確性提升有限，實(shí)驗(yàn)場景下將增長率k設(shè)為24更能符合實(shí)際需求,。GAF-DenseNet模型準(zhǔn)確率和F1值分別達(dá)到96.816%和96.136%,，并且在實(shí)時(shí)性能上具有良好表現(xiàn)，推理時(shí)長可低至16s,。在與其他智能算法對(duì)比分析中,，該模型整體性能均優(yōu)于對(duì)照組實(shí)驗(yàn)結(jié)果。

摘要:直線電機(jī)驅(qū)動(dòng)的六自由度并聯(lián)機(jī)構(gòu)可以實(shí)現(xiàn)高精度寬頻帶運(yùn)動(dòng),，在慣性單元校準(zhǔn)、振動(dòng)測試等領(lǐng)域具有廣闊的應(yīng)用前景,。為了減小直線電機(jī)驅(qū)動(dòng)對(duì)六自由度并聯(lián)機(jī)構(gòu)造成的幅值衰減問題,，對(duì)機(jī)構(gòu)進(jìn)行動(dòng)力學(xué)前饋控制分析。首先利用牛頓-歐拉法建立并聯(lián)機(jī)構(gòu)的動(dòng)力學(xué)模型,，簡化動(dòng)力學(xué)方程獲得機(jī)構(gòu)驅(qū)動(dòng)力關(guān)系,，在實(shí)驗(yàn)平臺(tái)上進(jìn)行實(shí)驗(yàn)，驗(yàn)證動(dòng)力學(xué)模型準(zhǔn)確性,。利用傳統(tǒng)運(yùn)動(dòng)學(xué)控制系統(tǒng),，結(jié)合動(dòng)力學(xué)模型,，設(shè)計(jì)一種動(dòng)力學(xué)前饋控制方法，降低給定軌跡運(yùn)動(dòng)誤差,。實(shí)驗(yàn)結(jié)果表明,，直線電機(jī)驅(qū)動(dòng)的六自由度并聯(lián)機(jī)構(gòu)增加動(dòng)力學(xué)前饋控制后，在沿X,、Y,、Z軸進(jìn)行單自由度正弦運(yùn)動(dòng)時(shí)，運(yùn)動(dòng)誤差分別下降55.5%,、54.2%,、59.8%。