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:隨著互聯(lián)網(wǎng)和人工智能技術(shù)的發(fā)展，農(nóng)業(yè)知識(shí)智能化服務(wù)逐漸承擔(dān)起為農(nóng)業(yè)生產(chǎn)管理提供有效技術(shù)指導(dǎo)的作用。本文對(duì)農(nóng)業(yè)文本語(yǔ)義理解中的關(guān)鍵技術(shù)及應(yīng)用進(jìn)行綜述,。首先按照自然語(yǔ)言處理中基于規(guī)則,、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的語(yǔ)義處理方法介紹其在農(nóng)業(yè)領(lǐng)域應(yīng)用的進(jìn)展,；然后闡述了針對(duì)農(nóng)業(yè)知識(shí)特性的語(yǔ)義分析方法，涵蓋農(nóng)業(yè)文本分析主要過(guò)程的儲(chǔ)存,、表達(dá),、計(jì)算，包括農(nóng)業(yè)知識(shí)圖譜的知識(shí)抽取,、融合,、表示、推理,，TF-IDF,、Word2Vec、BERT等農(nóng)業(yè)文本表示模型與CNN,、RNN,、Attention等分類模型；闡述了可用于分詞,、向量化表達(dá)等的通用語(yǔ)料庫(kù)和農(nóng)業(yè)領(lǐng)域常用語(yǔ)料庫(kù),；從農(nóng)業(yè)智能問(wèn)答、農(nóng)業(yè)語(yǔ)義檢索,、農(nóng)業(yè)智能管理決策方面闡述語(yǔ)義理解在農(nóng)業(yè)領(lǐng)域中的應(yīng)用,；最后從農(nóng)業(yè)語(yǔ)料庫(kù)標(biāo)準(zhǔn)化構(gòu)建、語(yǔ)義理解模型復(fù)雜度,、多模態(tài)語(yǔ)義處理,、多區(qū)域多語(yǔ)言語(yǔ)義理解等方面對(duì)農(nóng)業(yè)文本的語(yǔ)義理解研究趨勢(shì)進(jìn)行了展望。

摘要:為滿足自主作業(yè)農(nóng)機(jī)自動(dòng)導(dǎo)航作業(yè)的需求并優(yōu)化農(nóng)機(jī)作業(yè)效率，在處理多種車輛轉(zhuǎn)彎方式約束和農(nóng)業(yè)地塊約束的基礎(chǔ)上,，基于模擬退火算法提出一種混合規(guī)則路徑規(guī)劃方法,。在多種作業(yè)約束處理方面,，引入了農(nóng)機(jī)轉(zhuǎn)彎代價(jià)鄰接矩陣來(lái)量化農(nóng)機(jī)地頭轉(zhuǎn)彎方式的影響，通過(guò)采用內(nèi)縮改進(jìn)的道格拉斯-普克(Douglas-Peucker)擬合算法與求解采樣點(diǎn)的最小凸包分別處理地塊邊界及障礙物邊界,。在使用角平分線的平行偏移法求得轉(zhuǎn)向預(yù)留地塊后,，以轉(zhuǎn)彎代價(jià)最小為優(yōu)化條件對(duì)多種形狀地塊進(jìn)行了最優(yōu)作物行生成。在農(nóng)機(jī)遍歷順序方面,，利用模擬退火算法求解得到最優(yōu)路徑集,，并通過(guò)單元拆解及合成的方式求解全覆蓋遍歷順序，解決了傳統(tǒng)規(guī)則遍歷走法適應(yīng)性差和大規(guī)模農(nóng)機(jī)作業(yè)時(shí)經(jīng)典模擬退火算法易陷入局部最優(yōu)解的問(wèn)題,。實(shí)驗(yàn)表明,，本文方法所得路徑平均作業(yè)覆蓋率達(dá)90.78%，平均作業(yè)占空比達(dá)85.10%,。在同等作業(yè)條件下,，利用本文方法所得路徑比傳統(tǒng)規(guī)則路徑最多可節(jié)約距離消耗30.3%，比模擬退火算法所生成路徑節(jié)約6.9%,。 說(shuō)明本文規(guī)劃算法可在多種約束下對(duì)農(nóng)機(jī)進(jìn)行作業(yè)路徑規(guī)劃,，且具有較好的規(guī)劃效果。

摘要:針對(duì)目前基于全球?qū)Ш叫l(wèi)星系統(tǒng)技術(shù)的農(nóng)機(jī)自動(dòng)駕駛地頭轉(zhuǎn)彎方法的局限性，提出了基于雙目視覺(jué)的農(nóng)田田埂邊界的識(shí)別和測(cè)距方法,，對(duì)具體方法的可行性,、適用性及約束條件進(jìn)行了分析。針對(duì)光照變化大,、重復(fù)紋理多的農(nóng)田環(huán)境,，雙目立體匹配的代價(jià)計(jì)算步驟采用了Census變換和截?cái)嗵荻热诤系姆椒ā⒋鷥r(jià)聚合步驟采用了多尺度代價(jià)合并的分割樹(shù)算法,，可快速得到良好的視差圖,。針對(duì)農(nóng)田地面不平坦及作物生長(zhǎng)高度不均的實(shí)際情況，對(duì)視差圖構(gòu)建的三維點(diǎn)云進(jìn)行了自適應(yīng)閾值點(diǎn)云提取和干擾消除等操作,，實(shí)現(xiàn)了田埂邊界的識(shí)別,。另外，根據(jù)農(nóng)田信息,，對(duì)計(jì)算的平均邊界距離進(jìn)行了校正,。實(shí)驗(yàn)表明，此算法可以實(shí)現(xiàn)早期作業(yè)農(nóng)田的邊界距離檢測(cè),，對(duì)前方5~10m的田埂識(shí)別率達(dá)到99%,，測(cè)距精度隨著檢測(cè)距離的減小而提高,，5m時(shí)的測(cè)距誤差約0.075m。在NVIDIA Jetson TX2 硬件平臺(tái)上,，算法運(yùn)行時(shí)間約0.8s,，對(duì)于行駛速度小于1.5m/s的農(nóng)機(jī)可滿足作業(yè)的實(shí)時(shí)性要求。

摘要:針對(duì)油莎豆挖掘裝置以正向旋轉(zhuǎn)挖掘方式為主，其漏豆率高,、易擁堵、根系環(huán)抱體土壤難破碎,，導(dǎo)致后續(xù)清選分離困難,，聯(lián)合收獲工作效率極低等問(wèn)題，應(yīng)用離散元仿真分析方法,，建立油莎豆根系-塊莖-土壤離散元模型,，分析油莎豆根系-塊莖-土壤之間相互作用對(duì)油莎豆根系土壤環(huán)抱體碎裂的影響機(jī)理，設(shè)計(jì)一種反向旋拋式油莎豆起挖裝置,，并應(yīng)用單因素和正交旋轉(zhuǎn)中心組合試驗(yàn)方法,，研究反旋挖掘裝置旋耕刀相位角和安裝間距對(duì)性能指標(biāo)埋果率和土壤破碎率影響規(guī)律和優(yōu)化參數(shù)組合，試驗(yàn)結(jié)果表明,，反向旋拋式油莎豆起挖裝置的最佳組合參數(shù)為：相位角61°,、安裝間距150mm，此時(shí)土壤破碎率為94.10%,、埋果率為1.39%,，在相同參數(shù)設(shè)置下與普通旋耕刀組合進(jìn)行田間驗(yàn)證試驗(yàn)，結(jié)果表明,，埋果率降低了13.33%,，土壤破碎率提高了3.15%，滿足油莎豆機(jī)械化收獲部頒標(biāo)準(zhǔn)技術(shù)要求,。研究結(jié)果為進(jìn)一步提升油莎豆收獲機(jī)具研發(fā)提供了理論依據(jù),。

摘要:針對(duì)黃土高原丘陵山區(qū)坡地等高線旋耕作業(yè)時(shí)土壤耕作侵蝕（土壤由坡高側(cè)向坡低側(cè)遷移）嚴(yán)重及其機(jī)理不明等問(wèn)題,，通過(guò)理論分析,、仿真試驗(yàn)、土槽及實(shí)地試驗(yàn)相結(jié)合的方法,，深入開(kāi)展山地拖拉機(jī)坡地旋耕侵蝕規(guī)律研究,。首先，構(gòu)建了H245標(biāo)準(zhǔn)型常用旋耕刀在坡地工況下的擾土體積參數(shù)方程,，完成了旋耕刀坡地?cái)_土過(guò)程的經(jīng)典力學(xué)分析,，確定了導(dǎo)致坡地旋耕土壤侵蝕的主要影響因素：坡地角、耕作深度,、刀軸轉(zhuǎn)速以及旋耕作業(yè)速度,；然后，基于EDEM離散元仿真軟件研究了單把旋耕刀和旋耕機(jī)整機(jī)的坡地?cái)_土規(guī)律,，得出土壤顆粒在旋耕刀側(cè)切刃的動(dòng)態(tài)滑切作用下有水平向后運(yùn)動(dòng)的行為,，淺層土壤顆粒位移最大，深層土壤顆粒位移最小,，并且深層靠近旋耕刀回轉(zhuǎn)中心的土壤顆粒位移最大,；土壤的側(cè)向位移方向受旋耕刀正切刃朝向的影響；隨著旋耕刀的入土,，土壤顆粒在垂直方向的位置呈先變深后變淺的趨勢(shì),。最后，選取旋耕刀軸轉(zhuǎn)速,、旋耕作業(yè)速度和坡地角作為試驗(yàn)因素,，進(jìn)行了實(shí)地旋耕單因素和正交試驗(yàn)，單因素試驗(yàn)得到土壤水平,、側(cè)向位移隨著上述3個(gè)因素變化的規(guī)律,；正交試驗(yàn)方差分析得到影響土壤側(cè)向位移的主次因素為坡地角、旋耕刀軸轉(zhuǎn)速,、旋耕作業(yè)速度,，影響土壤水平位移的主次因素為旋耕作業(yè)速度、坡地角,、旋耕刀軸轉(zhuǎn)速,；擬合得到土壤側(cè)向位移、水平位移與自變量之間的回歸方程,，并經(jīng)參數(shù)尋優(yōu)確定在5種隨機(jī)設(shè)定坡地角下旋耕機(jī)最優(yōu)作業(yè)參數(shù)組合,。該研究可為現(xiàn)有旋耕機(jī)在黃土高原坡耕區(qū)低侵蝕作業(yè)提供技術(shù)指導(dǎo)，為坡地專用旋耕機(jī)的設(shè)計(jì)提供研究思路,。

摘要:針對(duì)坡耕地環(huán)境下鴨嘴式玉米排種器排種質(zhì)量差及性能不穩(wěn)定等問(wèn)題，以鴨嘴式玉米排種器為載體,，設(shè)計(jì)了一種配套的間歇同步充補(bǔ)裝置,。闡述了排種器整體結(jié)構(gòu)及工作原理，分析了種子在排種器內(nèi)部排種,、補(bǔ)種及導(dǎo)種過(guò)程,，優(yōu)化了間歇同步充補(bǔ)裝置搖桿、內(nèi)棘輪和鴨嘴式排種器直角導(dǎo)種部件等關(guān)鍵部件結(jié)構(gòu)參數(shù),。結(jié)合理論分析和坡耕地播種農(nóng)藝要求,，選取作業(yè)速度、回位彈簧預(yù)緊力和作業(yè)坡角為試驗(yàn)因素,，合格指數(shù)和變異系數(shù)為性能指標(biāo)進(jìn)行了單因素試驗(yàn),、正交試驗(yàn)及臺(tái)架對(duì)比試驗(yàn)。試驗(yàn)結(jié)果表明,，性能指標(biāo)隨作業(yè)速度和作業(yè)坡角增加先增加后降低,，隨回位彈簧預(yù)緊力增加先增加后趨于平穩(wěn)；當(dāng)作業(yè)速度為1m/s,、回位彈簧預(yù)緊力為15.6N（型號(hào)T4，絲徑為1mm,，中徑為7mm,，原長(zhǎng)為25mm）、作業(yè)坡角為12°時(shí),，其排種性能較優(yōu),，合格指數(shù)為98.7%，變異系數(shù)為10.2%,；較傳統(tǒng)鴨嘴式排種器其合格指數(shù)提高了9.5個(gè)百分點(diǎn),，滿足坡耕地環(huán)境下精量播種作業(yè)要求,。

摘要:針對(duì)目前栽植機(jī)械中多桿式栽植機(jī)構(gòu)構(gòu)型有限的問(wèn)題,，借助圖論型綜合的方式,，構(gòu)建完備的多連桿栽植機(jī)構(gòu)構(gòu)型庫(kù)。首先,，在連桿機(jī)構(gòu)運(yùn)動(dòng)鏈綜合中,，基于加權(quán)四次冪矩陣與加權(quán)最小距離矩陣的方法，獲取拓?fù)鋱D頂點(diǎn)相似特征碼,，根據(jù)不同頂點(diǎn)間特征碼的唯一性,，開(kāi)展運(yùn)動(dòng)鏈拓?fù)鋱D相似點(diǎn)識(shí)別與同構(gòu)判別,；其次，建立栽植機(jī)構(gòu)構(gòu)型篩選規(guī)則,，利用相似點(diǎn)的特征實(shí)現(xiàn)功能點(diǎn)的選取,，建立了6構(gòu)件至9構(gòu)件機(jī)構(gòu)功能拓?fù)鋱D圖庫(kù)，得到六桿一自由度構(gòu)型14個(gè),，七桿二自由度構(gòu)型17個(gè),，八桿一自由度構(gòu)型510個(gè)，九桿二自由度構(gòu)型917個(gè),；最后,，在構(gòu)型庫(kù)中選取不同構(gòu)件數(shù)下的構(gòu)型進(jìn)行運(yùn)動(dòng)學(xué)建模，優(yōu)化獲得適合栽植作業(yè)運(yùn)動(dòng)要求的新型六桿,、七桿,、八桿栽植機(jī)構(gòu)尺寸，并進(jìn)行運(yùn)動(dòng)仿真驗(yàn)證了構(gòu)型綜合方法的正確性,，可為多樣化種植機(jī)械的創(chuàng)新設(shè)計(jì)提供更多可選構(gòu)型,。

摘要:為了實(shí)現(xiàn)自動(dòng)移栽機(jī)高效、高質(zhì)量取苗,，提出整排取苗,、同時(shí)投苗的工作方式。以指夾式取苗爪為研究對(duì)象,，闡述了取苗爪的結(jié)構(gòu)組成及工作原理,。建立了取苗爪的運(yùn)動(dòng)數(shù)學(xué)模型，結(jié)合缽體力學(xué)特性及根系分布特點(diǎn),，對(duì)組成取苗爪的各構(gòu)件進(jìn)行尺寸參數(shù)優(yōu)選,，并在RecurDyn中建立其虛擬樣機(jī)模型。通過(guò)試驗(yàn)進(jìn)行缽體力學(xué)性能測(cè)量,，對(duì)試驗(yàn)所得數(shù)據(jù)進(jìn)行處理,，得出缽體物理特性參數(shù)，進(jìn)而在EDEM中建立缽體顆粒模型,。通過(guò)EDEM-RecurDyn耦合仿真取苗爪插入,、夾取、提離過(guò)程。分析取苗爪插入缽體苗深度,、開(kāi)始夾苗深度對(duì)取苗時(shí)缽體的影響,，仿真優(yōu)化得到當(dāng)取苗爪插入缽體深度Id=34mm，插入缽體平均速度Iv=280mm/s,，開(kāi)始夾苗深度Ci=4mm,，夾苗平均速度Cv=250mm/s時(shí)，可以獲得較好的缽體完整性,。在16,、20、24次/min的取苗速率下進(jìn)行取苗爪取投苗試驗(yàn),，結(jié)果表明,，所設(shè)計(jì)的指夾式取苗爪取苗成功率均在96%以上，缽體破碎率小于1%,，具有良好的取苗,、投苗效果，在取苗作業(yè)中可以保持良好的缽體完整性,。

摘要:針對(duì)名優(yōu)茶機(jī)械化采摘難的問(wèn)題,，根據(jù)茶葉采摘農(nóng)藝要求和手工采摘?jiǎng)幼鞯姆治?，設(shè)計(jì)了一種手持式名優(yōu)茶嫩梢采摘機(jī)械手，模擬人手指夾住茶葉并通過(guò)提拉進(jìn)行采摘,。通過(guò)采摘機(jī)械手的運(yùn)動(dòng)分析，得到了影響采摘效率的因素磁鋼距離,、主動(dòng)手指角速度和主動(dòng)手指轉(zhuǎn)角的參數(shù)變動(dòng)范圍,。采用Box-Behnken響應(yīng)面分析方法，研究影響因素對(duì)采摘成功率的交互影響,，以采摘成功率為響應(yīng)值建立二次回歸模型,，各因素對(duì)采摘成功率的影響顯著性主次排序?yàn)椋褐鲃?dòng)手指角速度、磁鋼距離,、主動(dòng)手指轉(zhuǎn)角,；運(yùn)用Design-Expert 11.0軟件的優(yōu)化模塊，以采摘成功率為優(yōu)化目標(biāo)對(duì)各因素進(jìn)行優(yōu)化,，得到優(yōu)化參數(shù)為：磁鋼距離40.04mm,、主動(dòng)手指轉(zhuǎn)角153.0°、主動(dòng)手指角速度3.38rad/s。以優(yōu)化后的參數(shù)進(jìn)行采摘試驗(yàn),，結(jié)果表明采摘成功率為74.3%,，3次采摘平均速度為25.2個(gè)/min，試驗(yàn)值與預(yù)測(cè)值的相對(duì)誤差小于5%,，優(yōu)化模型結(jié)果可靠,。

摘要:針對(duì)我國(guó)柳樹(shù)插條半自動(dòng)扦插作業(yè)人工喂入勞動(dòng)強(qiáng)度大和作業(yè)效率低的問(wèn)題，提出一種實(shí)現(xiàn)有序出料,、取料和送料功能的柳樹(shù)插條自動(dòng)喂入裝置,，并針對(duì)該裝置進(jìn)行取料機(jī)構(gòu)的優(yōu)化設(shè)計(jì)與相關(guān)試驗(yàn)研究。建立取料機(jī)構(gòu)運(yùn)動(dòng)學(xué)模型和優(yōu)化設(shè)計(jì)模型,，應(yīng)用自主開(kāi)發(fā)的軟件分析確定了取料機(jī)構(gòu)參數(shù)的取值范圍,，進(jìn)而利用Matlab軟件的遺傳算法工具箱實(shí)現(xiàn)取料機(jī)構(gòu)的參數(shù)優(yōu)化；完成取料機(jī)構(gòu)結(jié)構(gòu)設(shè)計(jì),，進(jìn)行取料機(jī)構(gòu)虛擬運(yùn)動(dòng)仿真驗(yàn)證,；研制取料機(jī)構(gòu)樣機(jī)和柳樹(shù)插條自動(dòng)喂入裝置試驗(yàn)臺(tái)，開(kāi)展取料機(jī)構(gòu)高速攝像試驗(yàn)和柳樹(shù)插條自動(dòng)喂入試驗(yàn),，研究取料機(jī)構(gòu)運(yùn)動(dòng)特性,，檢驗(yàn)自動(dòng)喂入裝置的工作性能。在自動(dòng)喂入效率達(dá)到55株/min時(shí),，柳樹(shù)插條喂入成功率約為83%,，表明該裝置具有應(yīng)用于柳樹(shù)插條自動(dòng)扦插機(jī)的可行性。

摘要:為減小三七收獲過(guò)程中的挖掘阻力,，以三七根莖及種植土壤為研究對(duì)象，測(cè)定本征物理參數(shù),，設(shè)置Bonding鍵參數(shù)建立三七根莖的離散元模型,，分析根土粘結(jié)機(jī)理，利用Hertz-Mindlin with JKR建立三七根莖-種植土壤離散元復(fù)合模型,；建立并分析挖掘鏟的理論力學(xué)模型,，確定仿生挖掘鏟設(shè)計(jì)尺寸（長(zhǎng)×寬×厚）為：360mm×150mm×8mm、入土角30°,、鏟尖半角60°,；采集野豬頭三維模型的點(diǎn)云數(shù)據(jù),，確定仿生鏟的結(jié)構(gòu)曲線方程，建立仿生挖掘鏟的三維模型,；開(kāi)展仿生挖掘鏟與平面挖掘鏟的仿真對(duì)比試驗(yàn),，追蹤顆粒位移流向得平均位移以及平均挖掘阻力，分析顆粒的速度矢量明晰了挖掘鏟面的減阻機(jī)理,，得仿生挖掘鏟的仿真試驗(yàn)減阻率為19.15%,；利用高速攝影和阻力采集設(shè)備開(kāi)展土槽試驗(yàn)，結(jié)果表明土壤顆粒流向與仿真趨勢(shì)一致,，仿生挖掘鏟和平面挖掘鏟的平均挖掘阻力為1207.23,、1594.49N，仿生挖掘鏟減阻率為24.29%,，與仿真試驗(yàn)減阻率十分接近,，驗(yàn)證了離散元模型準(zhǔn)確可靠、挖掘鏟力學(xué)模型構(gòu)建準(zhǔn)確,，仿生結(jié)構(gòu)設(shè)計(jì)合理,。

摘要:針對(duì)目前王草缺少專用機(jī)械收獲裝備,，傳統(tǒng)通用型切割裝置對(duì)王草平茬刈割效果不穩(wěn)定等問(wèn)題，設(shè)計(jì)了一種王草收獲機(jī)旋轉(zhuǎn)刀盤式平茬切割裝置,。根據(jù)王草簇狀分蘗生長(zhǎng)的生物特性和平茬刈割的收獲要求,，完成切割裝置的總體結(jié)構(gòu)設(shè)計(jì)，通過(guò)理論分析,，確定了切割器和塔輪式輸送器的關(guān)鍵結(jié)構(gòu)和工作參數(shù),。利用ANSYS/LS-DYNA仿真對(duì)比單動(dòng)刀切割和動(dòng)定刀組合切割的切割效果，結(jié)果表明動(dòng)定刀組合切割斷面平整度優(yōu)于單動(dòng)刀切割,，在刀盤低速切割時(shí),，動(dòng)定刀組合的切割功耗小于單動(dòng)刀切割；切割輸送仿真試驗(yàn)表明塔輪式輸送器的輸送效果較好,，能夠?qū)崿F(xiàn)割后王草莖稈的順茬輸送。搭建切割器試驗(yàn)臺(tái),，采用Box-Behnken設(shè)計(jì)方法,，選擇動(dòng)定刀間隙、刀盤轉(zhuǎn)速和刀盤傾角為試驗(yàn)因素,，留茬破頭率和切割功耗為試驗(yàn)指標(biāo),，建立了因素與指標(biāo)間的回歸模型,，通過(guò)NSGA-Ⅱ算法，確定切割器最優(yōu)參數(shù)組合為動(dòng)定刀間隙2.98mm,、刀盤轉(zhuǎn)速為84.7r/min,、刀盤傾角為28.65°，在此參數(shù)組合下測(cè)得留茬破頭率為8.66%,，單位切割功耗為7.78mJ/mm2,。在此基礎(chǔ)上進(jìn)行田間試驗(yàn)，試驗(yàn)結(jié)果與優(yōu)化結(jié)果基本一致,，結(jié)果表明旋轉(zhuǎn)刀盤式王草平茬切割裝置應(yīng)用于王草收獲總體收割質(zhì)量較好,。

摘要:針對(duì)谷物聯(lián)合收獲機(jī)產(chǎn)量監(jiān)測(cè)系統(tǒng)成本高,、結(jié)構(gòu)復(fù)雜和穩(wěn)定性較低的問(wèn)題，設(shè)計(jì)了基于占空比測(cè)量的谷物聯(lián)合收獲機(jī)產(chǎn)量監(jiān)測(cè)系統(tǒng),，由對(duì)射式光電傳感器,、GPS模塊、數(shù)據(jù)處理單元,、數(shù)據(jù)存儲(chǔ)單元和可視化單元組成,。系統(tǒng)工作時(shí)，通過(guò)對(duì)射式光電傳感器監(jiān)測(cè)刮板上谷物遮擋與不遮擋兩種電壓信號(hào),，通過(guò)軟件系統(tǒng)處理信號(hào)中高度對(duì)應(yīng)的占空比,，利用占空比與產(chǎn)量計(jì)量模型的關(guān)系獲得產(chǎn)量數(shù)據(jù)，并連同系統(tǒng)的絕對(duì)時(shí)間,、GPS數(shù)據(jù)存儲(chǔ)到系統(tǒng)中,。通過(guò)EDEM仿真和理論模型分析，推導(dǎo)了占空比測(cè)量值與谷物質(zhì)量的正比例關(guān)系,。利用臺(tái)架試驗(yàn)對(duì)占空比測(cè)量值與谷物質(zhì)量進(jìn)行了全局模型和局部模型擬合,，決定系數(shù)R2均不小于0.988。隨后通過(guò)臺(tái)架試驗(yàn)對(duì)全局模型和局部模型進(jìn)行模型分析,，臺(tái)架試驗(yàn)結(jié)果表明,，雖然局部模型可能對(duì)固定轉(zhuǎn)速下的測(cè)量數(shù)據(jù)更優(yōu)，但全局模型更具有通用性,。隨著系統(tǒng)測(cè)量數(shù)據(jù)的增加,，相對(duì)誤差逐步減小。田間試驗(yàn)中對(duì)系統(tǒng)測(cè)量的異常信號(hào)進(jìn)行了統(tǒng)計(jì)和分析,，為了減少異常信號(hào)對(duì)測(cè)產(chǎn)誤差的影響,，對(duì)系統(tǒng)測(cè)量值與實(shí)際產(chǎn)量進(jìn)行了標(biāo)定,。田間試驗(yàn)結(jié)果表明，產(chǎn)量監(jiān)測(cè)系統(tǒng)測(cè)產(chǎn)最大相對(duì)誤差為3.83%,，平均相對(duì)誤差為0.40%,，系統(tǒng)整體誤差和誤差波動(dòng)均較小。

摘要:為擴(kuò)展果園秸稈覆蓋機(jī)作業(yè)功能,，解決丘陵山地果園缺少有機(jī)肥施肥機(jī)械的問(wèn)題，基于秸稈覆蓋機(jī),，設(shè)計(jì)了自走式果園有機(jī)肥條鋪機(jī),。整機(jī)主要由車體和條鋪裝置組成，其中條鋪裝置采用伸縮式結(jié)構(gòu),，條鋪間距為1.8~2.7m,，適應(yīng)在行距為3.0~4.5m的果園進(jìn)行有機(jī)肥對(duì)溝施肥或行間雙側(cè)條鋪，也可用于大田作物對(duì)行施基肥或條鋪栽培基質(zhì),。運(yùn)用離散元法對(duì)條鋪裝置的排肥口結(jié)構(gòu)進(jìn)行優(yōu)化,，確定了最優(yōu)斜口形排肥口結(jié)構(gòu)。條鋪試驗(yàn)結(jié)果表明,，腐熟牛糞施肥量29.40~53.10t/hm2,，變異系數(shù)小于等于15.48%；菌渣施肥量21.45~75.00t/hm2,，變異系數(shù)小于等于6.57%,；腐熟牛糞、菌渣施肥量模型的決定系數(shù)分別為0.8713和0.9631,。果園實(shí)地試驗(yàn)中作業(yè)效果良好,。

摘要:針對(duì)傳統(tǒng)風(fēng)送式噴霧機(jī)風(fēng)送距離短與藥液浪費(fèi)的問(wèn)題,，設(shè)計(jì)一種適用于傳統(tǒng)果園噴霧機(jī)的軸流式風(fēng)送系統(tǒng),。通過(guò)設(shè)置不同風(fēng)筒導(dǎo)葉的安裝角、數(shù)量,、長(zhǎng)度和錐形多出口裝置的錐度,、出口布局方式，進(jìn)一步引導(dǎo)風(fēng)送系統(tǒng)氣流場(chǎng),，并建立相對(duì)應(yīng)的氣流場(chǎng)分布模型,。通過(guò)對(duì)比選取風(fēng)送系統(tǒng)的最佳優(yōu)化設(shè)計(jì)方案，并開(kāi)展了驗(yàn)證試驗(yàn),。試驗(yàn)結(jié)果表明,，風(fēng)筒導(dǎo)葉參數(shù)對(duì)出口風(fēng)速影響的顯著性由大到小為長(zhǎng)度、安裝角,、數(shù)量,，錐形多出口裝置出口布局方式對(duì)出口風(fēng)速的提升效果明顯；當(dāng)風(fēng)筒導(dǎo)葉安裝角為10°,，數(shù)量為6,，長(zhǎng)度為20cm，且錐形多出口裝置錐度為2.25,、出口布局為A型時(shí),，風(fēng)送系統(tǒng)出口風(fēng)速及均勻性達(dá)到最優(yōu)，所建立的模型出口風(fēng)速與試驗(yàn)值相對(duì)誤差為4.66%和變異系數(shù)為3.63%,，驗(yàn)證了數(shù)值模擬結(jié)果的可靠性,。在此基礎(chǔ)上，通過(guò)噴霧機(jī)外流場(chǎng)試驗(yàn)可得,，射流邊界范圍隨著出口直徑和轉(zhuǎn)速的增加而增大,，風(fēng)送距離也隨之增大，當(dāng)風(fēng)送距離0~2m,，風(fēng)速大于5m/s,，衰減幅度明顯，當(dāng)風(fēng)送距離大于2m時(shí),，氣流衰減較為平緩,，風(fēng)速距離4m處風(fēng)速達(dá)到1.5m/s左右。優(yōu)化后軸流式果園噴霧機(jī)風(fēng)送系統(tǒng)結(jié)構(gòu)合理,，氣流均勻性,、風(fēng)速、邊界和射程等方面均滿足果園植保機(jī)械需求,，研究結(jié)果可為果園噴霧機(jī)風(fēng)送系統(tǒng)優(yōu)化設(shè)計(jì)和風(fēng)送式施藥提供參考,。

摘要:以淮南市為研究區(qū),，選擇1985、1995,、2005,、2016年土地利用數(shù)據(jù),，在分析土地利用動(dòng)態(tài)變化特征的基礎(chǔ)上，利用CLUE-S模型模擬預(yù)測(cè)了未來(lái)土地利用格局,。結(jié)果表明：1985—2016年,，研究區(qū)耕地面積減少11.62%；建設(shè)用地和水體面積百分比分別增加7.98個(gè)百分點(diǎn)和4.29個(gè)百分點(diǎn),。2005—2016年是各地類變化最強(qiáng)烈的階段,，其綜合土地利用動(dòng)態(tài)度最大，為13.46%,。建設(shè)用地變化速率最快,，其土地利用動(dòng)態(tài)度為5.19%。土地轉(zhuǎn)移主要發(fā)生在耕地,、水體和建設(shè)用地之間,，以耕地向建設(shè)用地和水體的轉(zhuǎn)換為主。耕地轉(zhuǎn)為建設(shè)用地的面積達(dá)207.61km2,，新增水體集中分布在潘謝礦區(qū),。加入空間自相關(guān)性和土壤質(zhì)量因子后，耕地和建設(shè)用地的Logistics回歸效果顯著改善,，ROC分別增加0.201和0.133,。年均降水量是影響耕地變化的主要驅(qū)動(dòng)因子，與耕地分布概率呈負(fù)相關(guān),；而建設(shè)用地變化主要驅(qū)動(dòng)因子為GDP,。土地利用模擬的Kappa系數(shù)為0.74，CLUE-S模型在研究區(qū)域具有較好的模擬能力,。運(yùn)用CLUE-S模型預(yù)測(cè)了研究區(qū)2028,、2034、2040年土地利用空間分布,，未來(lái)土地利用空間分布格局總體上沒(méi)有明顯變化,，各用地類型面積變化相對(duì)穩(wěn)定。

摘要:基于人地系統(tǒng)理論,，構(gòu)建區(qū)域低效化的理論分析框架，以山西省106個(gè)縣為研究單元,，運(yùn)用空間自相關(guān)和地理探測(cè)器等方法,，分析了山西省城鎮(zhèn)低效用地的空間分異格局，定量探測(cè)了城鎮(zhèn)低效用地空間分異的主導(dǎo)因子，揭示縣域城鎮(zhèn)低效用地與空間要素之間的相互作用機(jī)理,。結(jié)果表明：構(gòu)建“低效-自然-經(jīng)濟(jì)-社會(huì)”分析框架,，分析城鎮(zhèn)低效用地與空間要素之間作用路徑和表現(xiàn)形式，總體上包括“人”,、“地”2類要素和自然,、經(jīng)濟(jì)、社會(huì)3個(gè)維度,，其中自然要素在低效用地空間分異中發(fā)揮基礎(chǔ)性作用，經(jīng)濟(jì)要素起決定性作用,，社會(huì)要素具有強(qiáng)化放大效應(yīng),。山西省8909%的縣域城鎮(zhèn)低效用地規(guī)模低265.86hm2，整體偏向低值集聚,，具有較弱的同質(zhì)集聚特征;從空間分布上看,，經(jīng)濟(jì)發(fā)展水平高的縣域城鎮(zhèn)低效用地規(guī)模高于經(jīng)濟(jì)發(fā)展水平低的縣域，平原地區(qū)縣域的城鎮(zhèn)低效用地規(guī)模高于山區(qū)丘陵地區(qū),。常住人口規(guī)模,、GDP、對(duì)外交通樞紐數(shù),、地均GDP和規(guī)模以上工業(yè)企業(yè)數(shù)是山西省城鎮(zhèn)低效用地規(guī)?？臻g分異的主導(dǎo)因子，但各因子在縣域內(nèi)驅(qū)動(dòng)力有明顯差異,；因子交互作用類型以非線性增強(qiáng)為主,，雙因子增強(qiáng)為輔，其中常住人口規(guī)模對(duì)因子交互作用的影響最強(qiáng),，凸顯了人口因子的驅(qū)動(dòng)效應(yīng),。

摘要:為提高干旱區(qū)冬小麥葉面積指數(shù)（Leaf area index, LAI）遙感估算精度，以拔節(jié)期冬小麥LAI為研究對(duì)象,，在對(duì)冠層高光譜數(shù)據(jù)進(jìn)行一階（First derivative, FD）,、二階（Second derivative, SD）微分預(yù)處理的基礎(chǔ)上，計(jì)算了任意波段組合的二維植被指數(shù)（Two-dimensional vegetation index, 2DVI）和三維植被指數(shù)（Three-dimensional vegetation index, 3DVI）,，通過(guò)進(jìn)行與LAI之間相關(guān)性分析,，尋求最佳波段組合的植被指數(shù)；利用人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network, ANN）,、K近鄰（K-nearest neighbors, KNN）和支持向量回歸（Support vector regression, SVR）算法分別建立LAI估算模型,，并進(jìn)行精度驗(yàn)證。結(jié)果表明：任意波段組合的植被指數(shù)與LAI相關(guān)性均顯著提高，尤其是基于一階微分預(yù)處理光譜的FD-3DVI-4(714nm, 400nm, 1001nm)相關(guān)系數(shù)達(dá)到0.93（P＜0.01）,，且最優(yōu)組合波段主要位于紅邊位置,。基于最優(yōu)FD-3DVI植被指數(shù)和K近鄰算法的估算模型表現(xiàn)突出,，其決定系數(shù)R2為0.89,，均方根誤差最低（RMSE為0.31），相對(duì)分析誤差RPD為2.41,；表明K近鄰算法更適合解決非線性問(wèn)題,，能夠提高估算精度，為后期作物長(zhǎng)勢(shì)評(píng)價(jià),、合理施肥等提供理論依據(jù),。

摘要:為快速,、準(zhǔn)確地檢測(cè)毛竹林剛竹毒蛾（Pantana phyllostachysae Chao）危害，基于Sentinel-2A MSI數(shù)據(jù)分析不同剛竹毒蛾危害等級(jí)下毛竹林像元光譜的變化,，從葉損量,、綠度、含水率等多個(gè)維度選擇對(duì)剛竹毒蛾危害具有響應(yīng)能力的22個(gè)Sentinel-2A MSI光譜衍生指標(biāo),；經(jīng)單因素方差分析（ANOVA）以及遞歸特征消除法（Recursive feature elimination,，RFE）優(yōu)選后，得到可用于剛竹毒蛾危害識(shí)別10個(gè)遙感特征,，包括LAI,、RVI、NDMVI,、EVI,、NDVI705、NDVI783,、RegVI1,、RegVI2、GVMI和NDWI,；將上述指標(biāo)作為自變量,，蟲(chóng)害等級(jí)作為因變量，建立基于XGBoost模型的剛竹毒蛾危害檢測(cè)模型,。研究發(fā)現(xiàn),，Sentinel-2A MSI數(shù)據(jù)波段6,、7、8,、8a對(duì)剛竹毒蛾危害具有較強(qiáng)的響應(yīng)能力,；紅邊與近紅外波段參與構(gòu)建的指數(shù)有效反映了竹林的受害情況；XGBoost模型對(duì)剛竹毒蛾危害識(shí)別的總精度為83.70%,，對(duì)不同剛竹毒蛾危害等級(jí)的識(shí)別精度依次為94.72%,、72.06%、79.77%,、92.41%,。因此，利用ANOVA-RFE篩選Sentinel-2A MSI光譜特征建立的XGBoost蟲(chóng)害檢測(cè)模型,，具有較高的識(shí)別精度,，可為毛竹林剛竹毒蛾危害遙感監(jiān)測(cè)提供技術(shù)支持。

摘要:為實(shí)現(xiàn)日光溫室夜間環(huán)境下采摘機(jī)器人正常工作以及番茄快速識(shí)別,，提出一種基于改進(jìn)YOLO v5的夜間番茄果實(shí)的識(shí)別方法,。采集夜間環(huán)境下番茄圖像2000幅作為訓(xùn)練樣本，通過(guò)建立一種基于交并比的CIOU目標(biāo)位置損失函數(shù),，對(duì)原損失函數(shù)進(jìn)行改進(jìn),，根據(jù)計(jì)算函數(shù)anchor生成自適應(yīng)錨定框，確定最佳錨定框尺寸,構(gòu)建改進(jìn)型YOLO v5網(wǎng)絡(luò)模型,。試驗(yàn)結(jié)果表明,，改進(jìn)YOLO v5網(wǎng)絡(luò)模型對(duì)夜間環(huán)境下番茄綠色果實(shí)識(shí)別精度、紅色果實(shí)識(shí)別精度,、綜合平均識(shí)別精度分別為96.2%,、97.6%和96.8%，對(duì)比CNN卷積網(wǎng)絡(luò)模型及YOLO v5模型,，提高了被遮擋特征物與暗光下特征物的識(shí)別精度,，改善了模型魯棒性。將改進(jìn)YOLO v5網(wǎng)絡(luò)模型通過(guò)編譯將訓(xùn)練結(jié)果寫(xiě)入安卓系統(tǒng)制作快速檢測(cè)應(yīng)用軟件,，驗(yàn)證了模型對(duì)夜間環(huán)境下番茄果實(shí)識(shí)別的可靠性與準(zhǔn)確性,，可為番茄實(shí)時(shí)檢測(cè)系統(tǒng)的相關(guān)研究提供參考。

摘要:為解決整株盆栽金桔果實(shí)識(shí)別及總體計(jì)數(shù)問(wèn)題,，提出了基于三維點(diǎn)云配準(zhǔn)的金桔果實(shí)識(shí)別方法,。首先，使用RGB-D相機(jī)采集植物多角度點(diǎn)云數(shù)據(jù)并進(jìn)行背景去除和去噪處理,。然后采用隨機(jī)采樣一致性（Random sample consensus, RANSAC）算法進(jìn)行圓柱擬合獲得旋轉(zhuǎn)中心軸參數(shù),，將點(diǎn)云繞中心軸旋轉(zhuǎn)固定角度完成初配準(zhǔn)，之后采用點(diǎn)到面的迭代最近點(diǎn)（Iterative closest point, ICP）算法完成精配準(zhǔn)得到完整點(diǎn)云,。最后,，對(duì)點(diǎn)云進(jìn)行歐氏聚類分割，采用隨機(jī)采樣一致性算法對(duì)聚類后點(diǎn)云進(jìn)行球形分割,，獲得每個(gè)果實(shí)的三維空間位置并計(jì)數(shù),。本研究對(duì)9株盆栽金桔（共149個(gè)果實(shí)）進(jìn)行識(shí)別，總計(jì)識(shí)別查全率為85.91%,，查準(zhǔn)率為79.01%,，F(xiàn)1值為82.32%，果實(shí)數(shù)量預(yù)測(cè)值和真實(shí)值的決定系數(shù)為0.97,，平均絕對(duì)百分比誤差為16.02%,。實(shí)驗(yàn)結(jié)果表明，本文方法不依賴顏色信息,，能夠有效識(shí)別整株植物中未成熟的青色果實(shí),，可為果實(shí)識(shí)別與產(chǎn)量估計(jì)等研究提供參考。

摘要:為有效識(shí)別茶葉嫩芽提高機(jī)械采摘精度、規(guī)劃采摘路線以避免傷害茶樹(shù),，針對(duì)傳統(tǒng)目標(biāo)檢測(cè)算法在復(fù)雜背景下檢測(cè)精度低,、魯棒性差、速度慢等問(wèn)題,，探索了基于Faster R-CNN目標(biāo)檢測(cè)算法在復(fù)雜背景下茶葉嫩芽檢測(cè)方面的應(yīng)用,。首先對(duì)采集圖像分別進(jìn)行等分裁切、標(biāo)簽制作,、數(shù)據(jù)增強(qiáng)等處理,，制作VOC2007數(shù)據(jù)集；其次在計(jì)算機(jī)上搭建深度學(xué)習(xí)環(huán)境,，調(diào)整參數(shù)進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練,；最后對(duì)已訓(xùn)練模型進(jìn)行測(cè)試,，評(píng)價(jià)已訓(xùn)練模型的性能，并同時(shí)考慮了Faster R-CNN模型對(duì)于嫩芽類型（單芽和一芽一葉/二葉）的檢測(cè)精度,。結(jié)果表明,，當(dāng)不區(qū)分茶葉嫩芽類型時(shí)，平均準(zhǔn)確度（AP）為54%,，均方根誤差（RMSE）為3.32,；當(dāng)區(qū)分茶葉嫩芽類型時(shí)，單芽和一芽一葉/二葉的AP為22%和75%,，RMSE為2.84,；另外剔除單芽后，一芽一葉/二葉的AP為76%,，RMSE為2.19,。通過(guò)對(duì)比基于顏色特征和閾值分割的茶葉嫩芽識(shí)別算法（傳統(tǒng)目標(biāo)檢測(cè)算法），表明深度學(xué)習(xí)目標(biāo)檢測(cè)算法在檢測(cè)精度和速度上明顯優(yōu)于傳統(tǒng)目標(biāo)檢測(cè)算法（RMSE為5.47）,，可以較好地識(shí)別復(fù)雜背景下的茶葉嫩芽,。

摘要:針對(duì)自然環(huán)境復(fù)雜背景下葡萄霜霉病檢測(cè)分級(jí)困難的問(wèn)題，提出了一種基于語(yǔ)義分割結(jié)合K-means聚類和隨機(jī)森林算法的葡萄霜霉病檢測(cè)分級(jí)方法,，實(shí)現(xiàn)對(duì)葡萄霜霉病快速分級(jí),。構(gòu)建了葡萄霜霉病數(shù)據(jù)集，采用HRNet v2+OCR網(wǎng)絡(luò)建立葡萄葉片語(yǔ)義分割模型,，提取復(fù)雜環(huán)境下葡萄葉片,；采用K-means聚類算法將葡萄葉片分解為若干子區(qū)域圖像，并標(biāo)記少量數(shù)據(jù)集進(jìn)行隨機(jī)森林算法學(xué)習(xí),，實(shí)現(xiàn)葡萄葉片病斑分割與提?。煌瑫r(shí)在葉片提取和病斑提取過(guò)程中,，設(shè)計(jì)一種像素尺寸變換方法,，解決圖像分辨率引起的精度低問(wèn)題?；贖RNet v2+OCR網(wǎng)絡(luò)的葡萄葉片分割模型的準(zhǔn)確率為98.45%,，平均交并比為97.23%；融合K-means聚類和隨機(jī)森林(RF)算法的葡萄葉片正面,、反面和正反面霜霉病病害分級(jí)準(zhǔn)確率分別為52.59%,、73.08%和63.32%,，病害等級(jí)誤差小于等于2級(jí)時(shí)的病害分級(jí)準(zhǔn)確率分別為88.67%、96.97%和92.98%,。研究結(jié)果表明,，基于K-means聚類和隨機(jī)森林算法的葡萄霜霉病檢測(cè)分級(jí)方法能夠準(zhǔn)確地分割自然環(huán)境復(fù)雜背景下的葡萄葉片和葡萄霜霉病病斑，并實(shí)現(xiàn)葡萄霜霉病分級(jí),，為葡萄霜霉病精準(zhǔn)防治提供了方法和模型支持,。

摘要:為提高梨葉片病害發(fā)生程度診斷的效率和準(zhǔn)確性,，本文提出基于全局上下文級(jí)聯(lián)R-CNN網(wǎng)絡(luò)（Global context Cascade R-CNN，GC-Cascade R-CNN）的梨葉病斑計(jì)數(shù)方法,。模型的主干特征提取網(wǎng)絡(luò)嵌入全局上下文模塊(Global context feature model,，GC-Model)，建立有效的長(zhǎng)距離和通道依賴,，增強(qiáng)目標(biāo)特征信息,。引入特征金字塔網(wǎng)絡(luò)（Feature pyramid network，F(xiàn)PN）融合淺層細(xì)節(jié)特征和深層豐富語(yǔ)義特征,。使用ROI Align替換ROI Pooling進(jìn)行區(qū)域特征聚集,，增強(qiáng)目標(biāo)特征表達(dá)。最后利用多層級(jí)聯(lián)網(wǎng)絡(luò)對(duì)目標(biāo)區(qū)域進(jìn)行邊框回歸和分類,，完成病斑計(jì)數(shù)任務(wù),。在梨葉病斑圖像測(cè)試中，模型的各類病斑平均精確率均值（Mean average precision,，mAP）達(dá)89.4%,，檢測(cè)單幅圖像平均耗時(shí)為0.347s。結(jié)果表明,，模型能夠有效地從梨葉片病害圖像中檢測(cè)出多類病斑目標(biāo),，尤其對(duì)葉片炭疽病斑檢測(cè)效果提升顯著；不同種類梨葉片病害病斑計(jì)數(shù)值與真實(shí)值回歸實(shí)驗(yàn)決定系數(shù)R2均大于0.92,，表明模型病斑計(jì)數(shù)準(zhǔn)確率較高,。

摘要:針對(duì)南美白對(duì)蝦樣本來(lái)源多樣導(dǎo)致的泛化效果較差的問(wèn)題,，引入香農(nóng)信息論構(gòu)造不同來(lái)源樣本的特征差異模型,，以深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)為識(shí)別框架基礎(chǔ)，依據(jù)多源樣本組成的數(shù)據(jù)集在分類前后呈現(xiàn)的熵減規(guī)則計(jì)算DCNN中的網(wǎng)絡(luò)超參數(shù),，消解數(shù)據(jù)集從隨機(jī)輸入到規(guī)則輸出的信息熵,，打破數(shù)據(jù)類型從三維輸入到一維輸出的熵變動(dòng)，實(shí)現(xiàn)圖像數(shù)據(jù)由高維空間向低維空間的映射,，獲取DCNN中關(guān)于超參數(shù)和網(wǎng)絡(luò)深度的自適應(yīng)優(yōu)化策略,，以提高識(shí)別不同來(lái)源染病蝦的泛化效果。實(shí)驗(yàn)結(jié)果表明,，所提方法在單個(gè)數(shù)據(jù)集上的識(shí)別精度最高可達(dá)97.96%,，并在其他4個(gè)圖像數(shù)據(jù)集上進(jìn)行了測(cè)試泛化，泛化精度下降幅度小于5個(gè)百分點(diǎn),。

摘要:豬只呼吸道疾病易傳染,，影響豬的養(yǎng)殖生產(chǎn)效率,，咳嗽是呼吸道疾病的顯著癥狀之一，為識(shí)別豬只咳嗽聲,，提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的識(shí)別方法,。對(duì)聲音信號(hào)進(jìn)行譜減法去噪和雙門限端點(diǎn)檢測(cè)后分別提取梅山豬咳嗽及噴嚏、鳴叫,、呼嚕聲的濾波器組（Log_filter bank, logFBank）和梅爾頻率倒譜系數(shù)（Mel frequency cepstral coefficents, MFCC）特征,，每種特征與其一階及二階差分組合作為卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks, CNNs)和深層前饋序列記憶神經(jīng)網(wǎng)絡(luò)（Deep feed forward sequential memory networks, DFSMN）咳嗽聲識(shí)別模型的輸入，進(jìn)行多分類訓(xùn)練,。對(duì)比不同特征提取方法及不同迭代次數(shù)對(duì)模型效果的影響,，實(shí)驗(yàn)結(jié)果表明,，以MFCC作為特征輸入的CNNs模型效果較優(yōu),，測(cè)試集上咳嗽聲識(shí)別精確率為97%，召回率為96%,，F(xiàn)1值為98%,，總體識(shí)別準(zhǔn)確率為96.71%。表明該模型有效可行,，可為生豬福利養(yǎng)殖中豬咳嗽聲識(shí)別提供技術(shù)支持,。

摘要:針對(duì)羊只個(gè)體差異較小,，相似度高難以辨別,，遠(yuǎn)距離識(shí)別準(zhǔn)確率不高等問(wèn)題，本文基于MobileFaceNet網(wǎng)絡(luò)提出了一種融合空間信息的高效通道注意力機(jī)制的羊臉識(shí)別模型,，對(duì)羊只進(jìn)行非接觸式識(shí)別,。該研究基于YOLO v4目標(biāo)檢測(cè)方法生成羊臉檢測(cè)器，以構(gòu)建羊臉識(shí)別數(shù)據(jù)庫(kù),；在MobileFaceNet的深度卷積層和殘差層中引入融合空間信息的高效通道注意力（ECCSA）,，以增加主干特征的提取范圍，提高識(shí)別率,，并采用余弦退火進(jìn)行動(dòng)態(tài)學(xué)習(xí)率調(diào)優(yōu),，最終構(gòu)建ECCSA-MFC模型，實(shí)現(xiàn)羊只個(gè)體識(shí)別,。試驗(yàn)結(jié)果表明,，在羊臉檢測(cè)上，基于YOLO v4的羊臉檢測(cè)模型準(zhǔn)確率可達(dá)97.91%,，可以作為臉部檢測(cè)器,；在羊臉識(shí)別上，ECCSA-MFC模型在開(kāi)集驗(yàn)證中識(shí)別率可達(dá)88.06%,，在閉集驗(yàn)證中識(shí)別率可達(dá)96.73%,。該研究提出的ECCSA-MFC模型在擁有較高識(shí)別率的同時(shí)更加輕量化，模型所占內(nèi)存僅為4.8MB,，可為羊場(chǎng)智慧化養(yǎng)殖提供解決方案,。

摘要:針對(duì)傳統(tǒng)的農(nóng)業(yè)物聯(lián)網(wǎng)路由以及網(wǎng)關(guān)選址時(shí)，考慮實(shí)際地形對(duì)傳輸損耗的影響不夠,，導(dǎo)致節(jié)點(diǎn)電能的浪費(fèi)以及維護(hù)費(fèi)用增加的問(wèn)題,，本文首先對(duì)農(nóng)場(chǎng)地形以及已布置終端的位置進(jìn)行建模，使用K-means算法確定路由初始位置以及該路由負(fù)責(zé)對(duì)接的終端,。在考慮電磁波自由空間損耗以及繞射損耗的前提下設(shè)計(jì)合理的適應(yīng)度函數(shù),，基于一種可變慣性系數(shù)的粒子群優(yōu)化算法對(duì)路由和網(wǎng)關(guān)的位置進(jìn)行優(yōu)化。最終模型給出最大的電磁波損耗數(shù)據(jù),，用于在確定節(jié)點(diǎn)的最大發(fā)射功率時(shí)提供參考,。算例仿真發(fā)現(xiàn)，路由位置通過(guò)PSO算法尋優(yōu),，最大傳輸損耗最多可降低27.82%,。實(shí)地檢驗(yàn)發(fā)現(xiàn),，本算法所選取的最優(yōu)點(diǎn)通信質(zhì)量顯著高于其附近的點(diǎn)，RSSI提升達(dá)12%~20%,。模型最終給出的路由和網(wǎng)關(guān)最大傳輸損耗與最優(yōu)布局位置對(duì)于實(shí)際節(jié)點(diǎn)鋪設(shè)具有指導(dǎo)性意義,。

摘要:針對(duì)區(qū)塊鏈獼猴桃溯源未考慮產(chǎn)業(yè)鏈由不同組織構(gòu)成而導(dǎo)致溯源數(shù)據(jù)不連續(xù)的問(wèn)題,，結(jié)合生產(chǎn)實(shí)踐中合同交易的過(guò)程,，提出了一種面向獼猴桃質(zhì)量溯源的聯(lián)盟鏈跨組織鏈上合同交易機(jī)制。通過(guò)兩次鏈上的關(guān)聯(lián)確認(rèn),，將現(xiàn)實(shí)交易中雙方簽字確認(rèn)合同條款的過(guò)程轉(zhuǎn)移到聯(lián)盟鏈上,，實(shí)現(xiàn)跨組織的不可否認(rèn)交易。選擇聯(lián)盟鏈搭建獼猴桃全產(chǎn)業(yè)鏈溯源系統(tǒng)的區(qū)塊鏈網(wǎng)絡(luò),，借助智能合約技術(shù)將獼猴桃生產(chǎn)過(guò)程信息價(jià)值化,；采用散列值上鏈減輕鏈上壓力；通過(guò)組織間交易合同的合同編號(hào)關(guān)聯(lián)溯源數(shù)據(jù),、責(zé)任人和責(zé)任企業(yè),。基于Hyperledger Fabric獼猴桃全產(chǎn)業(yè)鏈溯源系統(tǒng)的測(cè)試分析表明,，用戶每上鏈一條數(shù)據(jù)平均用時(shí)約102ms,，在增加鏈上合同交易機(jī)制的條件下系統(tǒng)進(jìn)行一次完整溯源的時(shí)間延長(zhǎng)了約7.11ms。研究保證了多組織溯源的數(shù)據(jù)連續(xù)性與可追溯性,，對(duì)提升農(nóng)產(chǎn)品質(zhì)量安全具有重要意義,。

摘要:傳統(tǒng)池塘河蟹養(yǎng)殖主要依靠漁民根據(jù)經(jīng)驗(yàn)來(lái)估算投餌量,，通過(guò)人工撐船投喂餌料，餌料利用率低且勞動(dòng)強(qiáng)度大,。由于河蟹具有領(lǐng)地意識(shí)且移動(dòng)范圍較小,，池塘各處河蟹分布不均勻，因此河蟹養(yǎng)殖需要科學(xué)精準(zhǔn)投餌?，F(xiàn)有河蟹養(yǎng)殖投餌作業(yè)方式粗放,，無(wú)法滿足河蟹高效生態(tài)養(yǎng)殖需求,。為了掌握河蟹生長(zhǎng)規(guī)律,，更加科學(xué)高效地投餌喂料，本文設(shè)計(jì)基于河蟹生長(zhǎng)模型的精準(zhǔn)投餌系統(tǒng),。利用灰色關(guān)聯(lián)度分析法確定對(duì)河蟹生長(zhǎng)發(fā)育影響最大的環(huán)境因子,。在傳統(tǒng)水產(chǎn)生物生長(zhǎng)模型基礎(chǔ)上,，加入環(huán)境因子進(jìn)行改進(jìn)，從線性和指數(shù)兩個(gè)角度對(duì)河蟹生長(zhǎng)模型進(jìn)行優(yōu)化擬合,。利用遺傳算法（GA）-反向反饋神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）（GA-BP神經(jīng)網(wǎng)絡(luò)）對(duì)精準(zhǔn)投餌預(yù)測(cè)模型進(jìn)行訓(xùn)練,，通過(guò)輸入水溫、溶解氧含量,、pH值等環(huán)境參數(shù),，推算出最佳環(huán)境影響因子數(shù)值。根據(jù)河蟹生長(zhǎng)模型,、養(yǎng)殖密度,、養(yǎng)殖面積得出河蟹總質(zhì)量，結(jié)合河蟹生長(zhǎng)期存活率與投喂率便可得出總投餌量,。根據(jù)池塘河蟹實(shí)際分布密度和水質(zhì)參數(shù),，確定池塘各區(qū)域的餌料分配系數(shù)，將總投餌量科學(xué)地分配到池塘各個(gè)區(qū)域,。通過(guò)仿真得出預(yù)測(cè)投餌量決定系數(shù)R2為0.990,，預(yù)測(cè)模型具有較好的擬合效果。池塘投餌試驗(yàn)結(jié)果表明,，基于河蟹生長(zhǎng)模型確定投餌量,，通過(guò)智能投餌船自動(dòng)作業(yè)能夠精準(zhǔn)投餌的池塘面積約為5.33hm2，能節(jié)約3個(gè)養(yǎng)殖戶的勞動(dòng)力成本,。對(duì)池塘各區(qū)域,，投餌船實(shí)際投餌密度與預(yù)設(shè)投餌密度相比，平均絕對(duì)誤差為0.32g/m2,，平均相對(duì)誤差為3.90%,，且系統(tǒng)可根據(jù)環(huán)境參數(shù)的變化及食臺(tái)反饋及時(shí)調(diào)整投餌量，有利于節(jié)省餌料,，培育大規(guī)格河蟹,，增加河蟹產(chǎn)量，提高養(yǎng)殖效益,，促進(jìn)河蟹養(yǎng)殖節(jié)本增效發(fā)展,。

摘要:為建立單粒玉米種子水分含量的高精度檢測(cè)模型,，制備了80份不同水分含量的玉米種子樣本。針對(duì)玉米種胚朝上和種胚朝下分別進(jìn)行高光譜反射圖像采集，每份樣本取樣100粒,，波長(zhǎng)范圍為968.05~2575.05nm,。采用PCA快速提取單粒種子光譜，經(jīng)多元散射校正預(yù)處理后,，分別采用隨機(jī)森林(RF)和AdaBoost算法建立單粒種子水分檢測(cè)模型,，并集成兩種算法特征提出基于加權(quán)策略的改進(jìn)RF用于單粒種子水分含量建模。利用單粒玉米種子胚朝上的光譜信息建立的改進(jìn)RF模型訓(xùn)練集相關(guān)系數(shù)R為0.969,，訓(xùn)練集均方根誤差(RMSEC)為0.094%,，測(cè)試集R為0.881，測(cè)試集均方根誤差(RMSEP)為0.404%,；利用單粒玉米種子胚朝下的光譜信息建立的改進(jìn)RF模型訓(xùn)練集R為0.966,，RMSEC為0.100%，測(cè)試集R為0.793,，RMSEP為0.544%,。實(shí)驗(yàn)結(jié)果表明：改進(jìn)RF的泛化能力和預(yù)測(cè)精度明顯優(yōu)于RF和AdaBoost算法；種胚朝上的單粒玉米種子水分含量檢測(cè)模型優(yōu)于種胚朝下的模型,。高光譜檢測(cè)技術(shù)結(jié)合集成學(xué)習(xí)算法建立的玉米種子水分檢測(cè)模型預(yù)測(cè)精度高,，穩(wěn)健性好。

摘要:為了高效檢測(cè)玉米種子內(nèi)部裂紋，設(shè)計(jì)基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的檢測(cè)系統(tǒng)及批量檢測(cè)方法,，采集有裂紋和無(wú)裂紋的玉米種子制作數(shù)據(jù)集,，構(gòu)建AlexNet、VGG11,、InceptionV3和ResNet18共4種經(jīng)典卷積神經(jīng)網(wǎng)絡(luò),，同時(shí)與傳統(tǒng)算法模型SVM和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)發(fā)現(xiàn),，卷積神經(jīng)網(wǎng)絡(luò)模型優(yōu)于這兩種傳統(tǒng)算法模型,，ResNet18模型的綜合檢測(cè)性能最佳，單粒有裂紋種子的識(shí)別準(zhǔn)確率為95.04%,，單粒無(wú)裂紋種子的識(shí)別準(zhǔn)確率為98.06%,，平均單粒種子識(shí)別時(shí)間為4.42s?；赗esNet18,，搭建種子內(nèi)部裂紋自動(dòng)識(shí)別裝置,，設(shè)計(jì)識(shí)別軟件控制裝置，得到玉米種子內(nèi)部裂紋識(shí)別系統(tǒng),。系統(tǒng)實(shí)驗(yàn)進(jìn)行10組批量識(shí)別，有裂紋種子的平均識(shí)別準(zhǔn)確率為94.25%,無(wú)裂紋種子的平均識(shí)別準(zhǔn)確率為97.25%,，批量識(shí)別中光源的透射無(wú)法等效地顯現(xiàn)所有種子的內(nèi)部裂紋,、多次加載模型權(quán)重導(dǎo)致泛化性不足等因素會(huì)影響準(zhǔn)確率。

摘要:為了實(shí)現(xiàn)椰糠基質(zhì)有效氮含量的快速實(shí)時(shí)檢測(cè)，基于漫反射光譜設(shè)計(jì)了椰糠基質(zhì)有效氮近紅外檢測(cè)儀,。該檢測(cè)儀的硬件系統(tǒng)主要由前處理裝置,、氣力輸送裝置、重力式沉降樣品室,、近紅外光譜檢測(cè)裝置,、樣品回收裝置和空氣壓縮機(jī)等組成。制備了不同有效氮含量的椰糠基質(zhì)樣本135個(gè),，采用研制的檢測(cè)儀獲取了樣本原始光譜數(shù)據(jù),，并建立了椰糠基質(zhì)有效氮含量的最優(yōu)偏最小二乘回歸預(yù)測(cè)模型，其校正集相關(guān)系數(shù)和驗(yàn)證集相關(guān)系數(shù)分別為0.973和0.965,，校正集均方根誤差和驗(yàn)證集均方根誤差分別為14.025mg/(100g)和15.757mg/(100g),，殘差預(yù)測(cè)偏差為3.72?；贛FC開(kāi)發(fā)工具,，采用C/C++語(yǔ)言開(kāi)發(fā)了檢測(cè)儀硬件控制及實(shí)時(shí)檢測(cè)分析軟件界面，將建立的最優(yōu)有效氮光譜預(yù)測(cè)模型移植到軟件程序中,，實(shí)現(xiàn)了椰糠基質(zhì)有效氮近紅外檢測(cè)儀功能硬件控制及有效氮檢測(cè)的一鍵式操作,。試驗(yàn)驗(yàn)證結(jié)果表明，所研制儀器預(yù)測(cè)值與國(guó)標(biāo)測(cè)量值相關(guān)系數(shù)為0.883,，測(cè)試集均方根誤差為18.605mg/（100g）,。該檢測(cè)儀實(shí)現(xiàn)了椰糠基質(zhì)有效氮含量的快速實(shí)時(shí)檢測(cè)，并且預(yù)測(cè)性能較好,，可以滿足快速評(píng)價(jià)椰糠基質(zhì)養(yǎng)分的實(shí)際需求,。

摘要:“中國(guó)農(nóng)技推廣APP”農(nóng)業(yè)問(wèn)答社區(qū)存在提問(wèn)數(shù)據(jù)量大,、規(guī)范性差,、涉及面廣、噪聲多,、特征稀疏等影響文本語(yǔ)義匹配的問(wèn)題,，為了改善農(nóng)業(yè)提問(wèn)數(shù)據(jù)相似性判斷的性能，提出了融合多語(yǔ)義特征的文本匹配模型Co_BiLSTM_CNN,，從深度語(yǔ)義,、詞語(yǔ)共現(xiàn)、最大匹配度3個(gè)層面提取短文本特征,，并利用共享參數(shù)的孿生網(wǎng)絡(luò)結(jié)構(gòu),，分別運(yùn)用雙向長(zhǎng)短期記憶網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和密集連接網(wǎng)絡(luò)構(gòu)建文本匹配模型,。試驗(yàn)結(jié)果表明,，該模型可以更全面提取文本特征，文本相似性判斷的正確率達(dá)94.15%,，與其他6種模型相比,，文本匹配效果優(yōu)勢(shì)明顯。

摘要:為利用多源數(shù)據(jù)構(gòu)建毛烏素沙地腹部土壤含水率建模指示因子,，通過(guò)微波后向散射系數(shù)、地表溫度,、纓帽變換要素,、波段反射率、干旱指數(shù)和地形要素等17個(gè)變量為建模因子,，分別以偏最小二乘（Partial least squares regression,，PLSR）、極限學(xué)習(xí)機(jī)（Extreme learning machine,，ELM）和隨機(jī)森林（Random forest,，RF）3種方法構(gòu)建土壤含水率反演模型，對(duì)模型進(jìn)行驗(yàn)證和對(duì)比,，并對(duì)研究區(qū)的土壤水分分布進(jìn)行制圖,。結(jié)果表明：溫度植被干旱指數(shù)是土壤水分空間變異性的最重要的預(yù)測(cè)因子（決定系數(shù)為0.64），其次是地表溫度（0.6）,、σVV（0.38）,、植被指數(shù)（0.38）,、波段7反射率（0.35）、σVH（0.32）,、波段6反射率（0.3）和反照率（0.26）,。相比于未篩選變量所構(gòu)建的模型，利用最優(yōu)子集篩選（Best subset selection,，BSS）變量所構(gòu)建的模型精度均有所提升,。其中PLSR在處理共線性方面表現(xiàn)最優(yōu)，ELM回歸模型最穩(wěn)定,。RF模型具有最高的精確度,，4月,，決定系數(shù)為0.74,，均方根誤差為8.85%，平均絕對(duì)誤差為7.86%,；8月,，決定系數(shù)為0.75，均方根誤差為8.86%,，平均絕對(duì)誤差為7.41%,。不同方法反演的土壤水分分布趨勢(shì)沒(méi)有顯著差異，高土壤含水率出現(xiàn)在研究區(qū)的北部和東南部,，中北部平坦地區(qū)的土壤含水率較低,。利用光譜指數(shù)、環(huán)境因子和地形數(shù)據(jù)構(gòu)建的多因子,、多指數(shù)綜合模型能較高精度地反演毛烏素沙地腹部表層土壤水分,，對(duì)研究該地區(qū)土地荒漠化和生態(tài)環(huán)境治理具有參考價(jià)值。

摘要:為緩解渾水灌溉中滴頭堵塞的問(wèn)題，評(píng)估了3種水壓模式（恒定水壓,、臺(tái)階波形水壓,、三角函數(shù)波形水壓）對(duì)滴頭堵塞的控制效果，并對(duì)不同水壓模式下滴頭內(nèi)堵塞物質(zhì),、滴頭排出物質(zhì)的級(jí)配和粒徑進(jìn)行分析,。結(jié)果表明：動(dòng)態(tài)水壓處理滴頭使用壽命延長(zhǎng)了79.06%，滴頭抗堵塞性能優(yōu)于恒定水壓處理,；波形對(duì)滴頭抗堵塞性能影響較小,，兩種不同波形動(dòng)態(tài)水壓處理滴頭的使用壽命僅相差2.77%,。動(dòng)態(tài)水壓處理流道內(nèi)水流紊動(dòng)劇烈，能更好地移除沉積,、附著在迷宮流道內(nèi)的堵塞物質(zhì),，與恒壓處理相比，滴頭內(nèi)黏粒,、粉粒堵塞物質(zhì)分別減少了22.19%~36.75%和13.22%~25.06%,。動(dòng)態(tài)水壓處理下滴頭排出泥沙的粒徑增大，最大粒徑比恒定水壓處理增大了44.34%,，動(dòng)態(tài)水壓處理迷宮流道內(nèi)水流流線時(shí)刻發(fā)生變化,，水流的挾沙能力增強(qiáng)，大顆粒泥沙更容易從滴頭排出,。

摘要:由于表面增強(qiáng)拉曼光譜檢測(cè)技術(shù)具有特異性強(qiáng),、靈敏度高等優(yōu)點(diǎn),，而被廣泛應(yīng)用在痕量化合物的檢測(cè)中。用于檢測(cè)的SERS基底成為近年來(lái)的研究熱點(diǎn),，然而研究者大多關(guān)注對(duì)檢測(cè)限的降低,，而對(duì)基底的成本考慮較少。利用廉價(jià)的玉米秸稈原料制備了玉米秸稈基醋酸纖維素膜,，之后耦合金納米顆粒,，制備了測(cè)試性能穩(wěn)定且檢測(cè)限較低的玉米秸稈基柔性表面增強(qiáng)拉曼基底。針對(duì)水體中福美雙農(nóng)藥的測(cè)試顯示,，過(guò)濾富集測(cè)試較滴加測(cè)試能達(dá)到更低的檢測(cè)限,，其檢測(cè)限可達(dá)10-7g/mL，并在10-7~10-6g/mL質(zhì)量濃度范圍具有良好的線性回歸關(guān)系,。對(duì)基底的適用性研究可知其對(duì)水中的多種農(nóng)藥和染料具有良好的檢測(cè)效果,。

摘要:熱解法是屠宰廢棄骨合理處理與利用的有效手段,，且動(dòng)物骨原料差異對(duì)其熱解特性與產(chǎn)物特性具有顯著影響。以牛,、豬骨為研究對(duì)象,，基于熱重,、紅外光譜和質(zhì)譜（TG-FTIR-MS）及掃描電鏡-能譜（SEM-EDX）等方法，研究了動(dòng)物骨的熱解過(guò)程及產(chǎn)物變化規(guī)律,。結(jié)果表明：主要熱解階段為350~600℃,，產(chǎn)生了CO2、NH3等無(wú)機(jī)氣體和CH4等有機(jī)氣體,。炭化階段后CO釋放,，在骨炭中生成了金屬羰基。熱解溫度升高,，骨炭的堿性及灰分含量提高,，900℃時(shí)灰分質(zhì)量分?jǐn)?shù)超過(guò)90%。由于豬骨含有較多的脂肪,，脂肪酸裂解生成大量短鏈烴,。而牛骨灰分更多，炭產(chǎn)率可達(dá)60%,。500℃牛骨炭比表面積為172m2/g,，孔隙特征更利于物理吸附作用,。

摘要:NH3是影響舍內(nèi)肉雞生長(zhǎng)發(fā)育的主要有害氣體,，對(duì)其排放量的準(zhǔn)確測(cè)量與預(yù)測(cè)有助于建立雞舍環(huán)境調(diào)控模型,，提升畜禽福利化養(yǎng)殖的水平。生產(chǎn)中,，NH3監(jiān)測(cè)多采用電化學(xué)傳感器,，精度差且壽命短，較難直接獲取NH3排放量,。結(jié)合NH3產(chǎn)生和釋放的機(jī)理過(guò)程,，選擇相對(duì)較易獲取的CO2排放量（ECO2）和H2O排放量（EH2O）等環(huán)境參數(shù)建立NH3排放量的預(yù)測(cè)模型。建立了肉雞厚墊料養(yǎng)殖模式下,，舍內(nèi)雞糞氣體排放的模擬試驗(yàn)裝置,，連續(xù)多日向試驗(yàn)裝置內(nèi)投入等量雞糞以模擬雞舍每日糞便生成，監(jiān)測(cè)溫度,、相對(duì)濕度以及CO2,、H2O、NH3排放量數(shù)據(jù),?；诙喾N機(jī)器學(xué)習(xí)方法和環(huán)境參數(shù),，構(gòu)建了NH3排放量預(yù)測(cè)模型，并運(yùn)用特征和排列重要性探究參數(shù)重要程度,，運(yùn)用部分依賴圖和個(gè)體條件期望圖探究模型對(duì)參數(shù)的依賴關(guān)系,。依據(jù)氨氣排放預(yù)測(cè)相關(guān)知識(shí)，將溫度和相對(duì)濕度計(jì)算為水汽壓差（VPD）,，對(duì)比引入VPD后,，不同參數(shù)組合方式對(duì)最優(yōu)模型的影響。結(jié)果表明極限隨機(jī)樹(shù)模型預(yù)測(cè)NH3排放量的效果最好,，其R2為0.9167,、均方根誤差為0.2897mg/(kg·h)、平均絕對(duì)百分比誤差為10.82%,。分析各模型參數(shù),，該模型對(duì)EH2O的依賴性最大，引入VPD對(duì)極限隨機(jī)樹(shù)的預(yù)測(cè)能力沒(méi)有提升,?；跍囟取⑾鄬?duì)濕度,、EH2O,、ECO2建立的極限隨機(jī)樹(shù)模型可較好地預(yù)測(cè)肉雞墊料飼養(yǎng)工藝下糞便的NH3排放量。

摘要:為探究典型季節(jié)下的奶牛場(chǎng)生物氣溶膠的分布規(guī)律和多元環(huán)境因子對(duì)其影響程度,，對(duì)天津市某規(guī)?；膛?chǎng)生物氣溶膠、環(huán)境參數(shù)進(jìn)行連續(xù)采集,，分析了夏季奶牛場(chǎng)生物氣溶膠濃度和載體粒徑的時(shí)空分布規(guī)律,，同時(shí)篩選出對(duì)其濃度具有重要影響的環(huán)境因子。結(jié)果表明,，在空間分布上,，牛場(chǎng)近地面1m高度處的生物氣溶膠濃度顯著高于近地面4m高度處濃度（P<0.01）。在粒徑分布上,，各采樣點(diǎn)的分布規(guī)律無(wú)顯著差異（P>0.05）,，不同粒徑粒子所占比例接近且存在粒徑越小所占比例越小的趨勢(shì)，粒徑大于2.1μm的粒子約占總數(shù)的80 %。運(yùn)用隨機(jī)森林模型得到了10個(gè)影響因子對(duì)生物氣溶膠濃度的影響程度,，其中風(fēng)向（WD）,、溫度（T）、紫外輻射強(qiáng)度（UV）,、懸浮顆粒物濃度（PM100）等對(duì)濃度影響較大,。為進(jìn)一步探究影響因子之間的關(guān)系，通過(guò)層聚類的方法分析各影響因素之間的共線性關(guān)系,，發(fā)現(xiàn)PM10,、PM1與PM2.5之間以及UV與GHI之間具有強(qiáng)共線性關(guān)系，可以去除強(qiáng)共線性影響因子,，保留組內(nèi)一種環(huán)境因子為代表,，以節(jié)約采集成本。本研究可為國(guó)內(nèi)牛場(chǎng)空氣環(huán)境污染排放測(cè)定提供參考,。

摘要:針對(duì)核桃生產(chǎn)線的異物檢測(cè)需求,，首先根據(jù)現(xiàn)有通用的核桃加工生產(chǎn)線結(jié)構(gòu)特點(diǎn)，設(shè)計(jì)并搭建了一套核桃異物檢測(cè)裝備,，該裝備包括設(shè)備框架,、圖像采集系統(tǒng)和恒定光源系統(tǒng)，整體尺寸為470mm×600mm×615mm,。然后以浙江省杭州市核桃生產(chǎn)基地的核桃和實(shí)際生產(chǎn)加工中出現(xiàn)的樹(shù)葉,、樹(shù)枝,、石子,、金屬、塑料等異物為檢測(cè)對(duì)象,，通過(guò)工業(yè)相機(jī)實(shí)時(shí)采集生產(chǎn)線上的核桃圖像,，獲取直觀的圖像信息數(shù)據(jù)。結(jié)合了深度學(xué)習(xí)與計(jì)算機(jī)視覺(jué)技術(shù),，利用基于全卷積神經(jīng)網(wǎng)絡(luò)（Fully convolutional networks,，F(xiàn)CN）的算法進(jìn)行圖像邊緣檢測(cè)，對(duì)核桃生產(chǎn)加工中可能出現(xiàn)的異物進(jìn)行了檢測(cè),，并通過(guò)試驗(yàn)對(duì)其性能加以驗(yàn)證,。結(jié)果表明，訓(xùn)練集檢測(cè)準(zhǔn)確率為92.75%,，驗(yàn)證集準(zhǔn)確率為90.35%,，檢測(cè)速率為4.28f/s，滿足生產(chǎn)線運(yùn)輸速度1m/s的檢測(cè)要求,。該研究即使在樣本量較少的情況下,，仍然得到了較好的圖像分割效果,，可以實(shí)現(xiàn)核桃生產(chǎn)線的異物實(shí)時(shí)檢測(cè)。

摘要:為了實(shí)現(xiàn)對(duì)蘋果貯藏室中氣體3D熒光光譜特征信息的有效表征,，提出一種基于小波包分解系數(shù)的熒光特征信息表征方法，在此基礎(chǔ)上開(kāi)展了腐敗預(yù)警方法研究,。首先利用三角形插值法和Savitzky-Golar卷積平滑對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理,，以消除瑞利散射和環(huán)境噪聲的影響。然后,，將預(yù)處理后的3D熒光數(shù)據(jù)按激發(fā)波長(zhǎng)從短到長(zhǎng)順序?qū)⑵鋵?duì)應(yīng)的發(fā)射光譜首尾相連轉(zhuǎn)換成一維數(shù)據(jù)向量,，并利用3層sym4小波包對(duì)該向量數(shù)據(jù)進(jìn)行分解，提取低頻系數(shù)集作為熒光特征信息,；運(yùn)用偏最小二乘對(duì)特征信息與6個(gè)理化指標(biāo)進(jìn)行進(jìn)行分析,，并對(duì)其分析結(jié)果進(jìn)行聚類分析以確定出腐敗基準(zhǔn)。最后,，運(yùn)用馬氏距離構(gòu)建腐敗預(yù)警模型,。結(jié)果表明，用小波包分解系數(shù)表征熒光特征信息是有效的,；同時(shí),，隨著貯藏時(shí)間增加，預(yù)測(cè)的馬氏距離逐漸變小,，較好刻畫(huà)了貯藏過(guò)程中蘋果品質(zhì)的變化趨勢(shì),，進(jìn)而可實(shí)現(xiàn)蘋果貯藏過(guò)程中的腐敗預(yù)警。

摘要:為確定冰溫貯藏甘南藏羊肉色穩(wěn)定性與線粒體MMb還原能力及其相關(guān)性,，以藏羊后腿肉為試驗(yàn)材料，分別在冰溫（（-1.4±0.1）℃）和冷藏（（4±1）℃）條件下貯藏,，測(cè)定貯藏期間（0,、1、3,、5,、7、9d）MRA、NADH含量,、SDH活力,、線粒體膜通透性、線粒體膜電位與色調(diào)角的變化,。結(jié)果表明,，貯藏9d時(shí)，冰溫組MRA,、NADH含量,、線粒體膜540nm處吸光度、線粒體膜電位,、SDH活力比對(duì)照組分別高16.67%,、33.16%、25.45%,、16.57%,、40.45%（P<0.05），冰溫組色調(diào)角比冷藏組低13.13%（P<0.05）,。冰溫組,、冷藏組的MRA、NADH含量,、線粒體膜540nm處吸光度,、線粒體膜電位、SDH活力均與色調(diào)角呈極顯著負(fù)相關(guān)（P<0.01）,。由此可見(jiàn),，冰溫貯藏可延緩MRA、NADH含量的下降,，同時(shí)維持線粒體結(jié)構(gòu)的完整性,，最終有利于宰后肉色的穩(wěn)定，為改善藏羊肉色穩(wěn)定提供了理論依據(jù),。

摘要:為改善大豆分離蛋白/海藻酸鈉復(fù)合膜的耐水性,，通過(guò)添加不同添加量（0、2%,、4%,、6%、8%、10%）硬脂酸制備大豆分離蛋白/海藻酸鈉/硬脂酸三元復(fù)合膜,，探究硬脂酸對(duì)大豆分離蛋白/海藻酸鈉復(fù)合膜的機(jī)械性能,、阻水性能和微觀結(jié)構(gòu)的影響，最終明確不同硬脂酸添加量對(duì)耐水性變化的影響規(guī)律,。結(jié)果表明：與大豆分離蛋白/海藻酸鈉二元復(fù)合膜相比,，添加6%和8%硬脂酸后，復(fù)合膜的斷裂伸長(zhǎng)率,、水蒸氣透過(guò)率顯著下降,，并且對(duì)其含水率及水溶性也有顯著影響。當(dāng)硬脂酸添加量為8%時(shí),，三元復(fù)合膜的水蒸氣滲透性最低,，水蒸氣透過(guò)系數(shù)為(2.95±0.49)g·mm/(m2·h·kPa)，接觸角最大,，為91.68°±9.02°,。通過(guò)傅里葉變換紅外光譜和掃描電子顯微鏡分析可知，大豆分離蛋白和海藻酸鈉通過(guò)共價(jià)交聯(lián)形成網(wǎng)絡(luò)結(jié)構(gòu),，加入的硬脂酸則分布在網(wǎng)絡(luò)結(jié)構(gòu)的縫隙中,，當(dāng)硬脂酸添加量為8%時(shí)，膜的表面較為光滑平整,，內(nèi)部結(jié)構(gòu)致密,，能夠形成良好的網(wǎng)絡(luò)結(jié)構(gòu)，鍵與鍵之間結(jié)合較強(qiáng),，能有效提高復(fù)合膜的阻水性能,。

摘要:履帶底盤作為農(nóng)機(jī)通用底盤的一種優(yōu)選方案，在山地果園環(huán)境中的應(yīng)用仍然存在較大優(yōu)化空間,。為了進(jìn)一步提高履帶底盤在復(fù)雜行駛路況下的地形適應(yīng)性,，結(jié)合山地果園的地形地貌特征，開(kāi)展了履帶底盤的坡地通過(guò)性能分析,，并基于多體動(dòng)力學(xué)分析軟件RecurDyn的仿真結(jié)果,，進(jìn)行樣機(jī)優(yōu)化和試驗(yàn)驗(yàn)證。首先,，以果園通用履帶底盤為研究對(duì)象,，通過(guò)理論分析探討影響履帶底盤斜坡平地通過(guò)性,、斜坡越障通過(guò)性的關(guān)鍵結(jié)構(gòu)參數(shù)，然后搭建RecurDyn虛擬仿真樣機(jī),，分析關(guān)鍵結(jié)構(gòu)參數(shù)對(duì)坡地通過(guò)性能的影響規(guī)律,，進(jìn)而以提高現(xiàn)有底盤坡地通過(guò)性能為優(yōu)化目標(biāo)，根據(jù)仿真分析結(jié)果提出了一種重心調(diào)節(jié)系統(tǒng),，最終進(jìn)行樣機(jī)試制與室內(nèi)土槽試驗(yàn),。試驗(yàn)結(jié)果表明，在坡度為10°的試驗(yàn)路面下,，優(yōu)化后樣機(jī)在偏航45°時(shí)最大牽引力均值為1926N,，相比調(diào)控前增加了14.03%。優(yōu)化后樣機(jī)最大翻越臺(tái)階高度為230mm,，相比優(yōu)化前增加了27.78%,。優(yōu)化后樣機(jī)最大跨越壕溝寬度為640mm，相比優(yōu)化前增加了28%,。研究結(jié)果可為山地果園履帶底盤的坡地行駛性能優(yōu)化提供參考,。

摘要:目前并聯(lián)機(jī)構(gòu)大多采用容錯(cuò)控制策略實(shí)現(xiàn)驅(qū)動(dòng)故障容錯(cuò)，而從并聯(lián)機(jī)構(gòu)結(jié)構(gòu)設(shè)計(jì)角度研究較少,。本文基于雅可比矩陣,，提出一種評(píng)價(jià)并聯(lián)機(jī)構(gòu)分支驅(qū)動(dòng)力失效的可操作性失效度指標(biāo)，并以冗余并聯(lián)機(jī)構(gòu)為研究對(duì)象,，給出機(jī)構(gòu)具有驅(qū)動(dòng)力失效容錯(cuò)性的驅(qū)動(dòng)“同一性”條件,。基于螺旋理論,，提出一種具有驅(qū)動(dòng)容錯(cuò)性的冗余并聯(lián)機(jī)構(gòu)構(gòu)型綜合方法,，綜合出一類具有驅(qū)動(dòng)容錯(cuò)性的三轉(zhuǎn)動(dòng)冗余并聯(lián)機(jī)構(gòu)新構(gòu)型。本文為解決冗余并聯(lián)機(jī)構(gòu)驅(qū)動(dòng)力失效問(wèn)題提供了新的思路,，豐富了并聯(lián)機(jī)構(gòu)的構(gòu)型,，為具有驅(qū)動(dòng)容錯(cuò)性的冗余并聯(lián)機(jī)構(gòu)的應(yīng)用發(fā)展提供了理論基礎(chǔ)。

摘要:為了克服傳統(tǒng)多桿手指機(jī)構(gòu)的不足并且滿足更多仿生手指的應(yīng)用要求，本文提出一種基于三關(guān)節(jié)位姿約束的單驅(qū)動(dòng)非圓齒輪五桿手指機(jī)構(gòu)設(shè)計(jì)方法,。根據(jù)手指實(shí)際尺寸以及運(yùn)動(dòng)位姿,，建立n位姿點(diǎn)約束條件，采用運(yùn)動(dòng)學(xué)映射理論以及矩陣奇異值分解法求解了滿足給定約束條件的鉸鏈點(diǎn)曲線,，進(jìn)一步根據(jù)兩個(gè)驅(qū)動(dòng)輸入桿轉(zhuǎn)角關(guān)系設(shè)計(jì)滿足位姿點(diǎn)要求的非圓齒輪副,，并推導(dǎo)單驅(qū)動(dòng)非圓齒輪五桿手指機(jī)構(gòu)的IO方程。在此基礎(chǔ)上,，以三關(guān)節(jié)的5位姿約束條件為例,，并根據(jù)桿長(zhǎng)、誤差,、鉸鏈點(diǎn)選取范圍,、非圓齒輪傳動(dòng)等其他約束條件，確立鉸鏈點(diǎn)A和B的可行曲線解域,，并最終得到滿足全部約束條件的單驅(qū)動(dòng)非圓齒輪五桿手指機(jī)構(gòu)參數(shù),，設(shè)計(jì)了手指機(jī)構(gòu)樣機(jī)并進(jìn)行相關(guān)試驗(yàn)。該試驗(yàn)樣機(jī)表明本文提出的設(shè)計(jì)方法是正確和有效的,。

摘要:針對(duì)工程上對(duì)不同性質(zhì)的運(yùn)動(dòng)需要疊加融合的一類應(yīng)用需求，設(shè)計(jì)一種能夠?qū)崿F(xiàn)雙模式運(yùn)動(dòng)融合的6-[(RPRRRP)R-R]US型并聯(lián)機(jī)構(gòu),。闡述了將機(jī)構(gòu)原驅(qū)動(dòng)副R轉(zhuǎn)換為(RPRRRP)R-R雙輸入子閉環(huán)機(jī)構(gòu)的方法,。對(duì)機(jī)構(gòu)單模式工作和雙模式融合工作分別進(jìn)行運(yùn)動(dòng)學(xué)正、反解分析,，提出兩種雙輸入反解驅(qū)動(dòng)分配策略,，根據(jù)雙輸入子閉環(huán)和外層6-RUS機(jī)構(gòu)特點(diǎn)分別采取二分法和牛頓法進(jìn)行運(yùn)動(dòng)學(xué)正解運(yùn)算，并給出求解流程圖,。通過(guò)數(shù)值算例,，分別對(duì)單軸運(yùn)動(dòng)下的雙模融合、多軸復(fù)合運(yùn)動(dòng)下的雙模融合的反解運(yùn)算以及雙輸入融合驅(qū)動(dòng)下的正向運(yùn)動(dòng)學(xué)進(jìn)行理論計(jì)算,，并對(duì)不同情況下的算例進(jìn)行運(yùn)動(dòng)學(xué)仿真,，結(jié)果表明理論值與仿真值之差均在10-6量級(jí)，證明了理論方法的正確性和有效性,。該機(jī)構(gòu)可應(yīng)用于車載,、船載以及星載設(shè)備的指向與穩(wěn)定協(xié)同調(diào)節(jié)裝置，提升載體設(shè)備的作業(yè)性能,。

摘要:針對(duì)4種典型平面平臺(tái)型6-PSS并聯(lián)機(jī)構(gòu)構(gòu)型特點(diǎn),，研究了最優(yōu)構(gòu)型選擇及其參數(shù)優(yōu)化。建立平面平臺(tái)型6-PSS并聯(lián)機(jī)構(gòu)的運(yùn)動(dòng)學(xué)模型,，并進(jìn)行ADAMS仿真驗(yàn)證,；繪制不同構(gòu)型下的平面平臺(tái)型6-PSS并聯(lián)機(jī)構(gòu)的可達(dá)工作空間圖和靈巧度分布圖，求解工作空間體積V和全局靈巧度GCI,，經(jīng)過(guò)對(duì)比分析,，構(gòu)型Ⅲ的可達(dá)工作空間范圍、工作空間體積,、靈巧度分布和全局靈巧度等性能指標(biāo)均最優(yōu),，確定構(gòu)型Ⅲ為機(jī)構(gòu)的最優(yōu)構(gòu)型；針對(duì)構(gòu)型Ⅲ分析各結(jié)構(gòu)參數(shù)對(duì)其工作空間和靈巧性的影響規(guī)律,，結(jié)果表明,，在一定的結(jié)構(gòu)參數(shù)范圍內(nèi)，工作空間體積和全局靈巧度呈正相關(guān),；以工作空間體積V為目標(biāo)函數(shù)進(jìn)行優(yōu)化,，得到了最優(yōu)結(jié)構(gòu)參數(shù)，優(yōu)化后工作空間體積V和全局靈巧度GCI相比優(yōu)化前均有明顯提高,，證明了優(yōu)化模型的正確性和有效性,，并對(duì)優(yōu)化后的機(jī)構(gòu)進(jìn)行了誤差分析，為平面平臺(tái)型6-PSS并聯(lián)機(jī)構(gòu)設(shè)計(jì)提供了依據(jù),。