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:中國地域面積廣闊,，作物種類繁多,，育苗移栽對(duì)作物抗御干旱、寒冷,、病蟲害,，縮短田間生長期，提高單位面積產(chǎn)量,，發(fā)展高產(chǎn),、高效農(nóng)業(yè)具有重要意義。機(jī)械化移栽是作物機(jī)械化生產(chǎn)中的關(guān)鍵技術(shù)環(huán)節(jié),，其技術(shù)反映了農(nóng)業(yè)生產(chǎn)機(jī)械化和現(xiàn)代化的發(fā)展水平,。為此，本文綜述了國內(nèi)外大田機(jī)械化移栽技術(shù)與裝備的研究現(xiàn)狀及發(fā)展動(dòng)態(tài),，分析總結(jié)了國內(nèi)外具有代表性的移栽機(jī)自動(dòng)取植苗裝置的結(jié)構(gòu)和類型,，闡述了各類移栽技術(shù)與機(jī)構(gòu)的工作原理和結(jié)構(gòu)特征。移栽機(jī)構(gòu)的創(chuàng)新是移栽裝備創(chuàng)新的源泉,，而機(jī)械式移栽機(jī)構(gòu)創(chuàng)新的核心是機(jī)構(gòu)綜合,，并介紹了移栽機(jī)構(gòu)構(gòu)型與尺度綜合方法的研究現(xiàn)狀。最后,，分析了中國機(jī)械化移栽技術(shù)與裝備發(fā)展中存在的問題,，提出了未來發(fā)展建議，指出高效,、精準(zhǔn),、低損取植苗技術(shù)與機(jī)構(gòu)是水旱田自動(dòng)移栽作業(yè)的重要保障，高效化,、信息化,、智能化全自動(dòng)移栽技術(shù)與裝備是今后機(jī)械化移栽技術(shù)發(fā)展的重要方向。

摘要:為提高花生收獲機(jī)的智能化水平,，設(shè)計(jì)了花生收獲機(jī)自動(dòng)駕駛作業(yè)系統(tǒng)。以東泰機(jī)械4HBL-2型自走式花生聯(lián)合收獲機(jī)為平臺(tái),，針對(duì)花生收獲機(jī)操作臺(tái),、變速機(jī)構(gòu)和作業(yè)機(jī)構(gòu)設(shè)計(jì)了具有CAN總線接口的手自一體化電控系統(tǒng)，采用PD控制算法和Bang-Bang控制算法實(shí)現(xiàn)了行走和作業(yè)系統(tǒng)的控制,。針對(duì)花生收獲作業(yè)農(nóng)藝要求,，設(shè)計(jì)了花生收獲機(jī)聯(lián)合作業(yè)策略、自動(dòng)導(dǎo)航路徑規(guī)劃和路徑跟蹤控制方法,。以行駛速度0.25m/s在水泥路面和沙質(zhì)土壤花生地進(jìn)行了自動(dòng)駕駛收獲作業(yè)試驗(yàn),。水泥路面試驗(yàn)結(jié)果表明，花生收獲機(jī)直線跟蹤平均絕對(duì)偏差為4.34cm,，最大偏差為9.30cm,；沙質(zhì)土壤田間試驗(yàn)結(jié)果表明，花生收獲機(jī)直線跟蹤平均絕對(duì)偏差為5.12cm,，最大偏差為12.20cm,，滿足花生聯(lián)合收獲作業(yè)要求。

摘要:為準(zhǔn)確識(shí)別果樹上的不同蘋果目標(biāo),，并區(qū)分不同枝干遮擋情形下的果實(shí),，從而為機(jī)械手主動(dòng)調(diào)整位姿以避開枝干對(duì)蘋果的遮擋進(jìn)行果實(shí)采摘提供視覺引導(dǎo)，提出了一種基于改進(jìn)YOLOv5m面向采摘機(jī)器人的蘋果采摘方式實(shí)時(shí)識(shí)別方法,。首先,，改進(jìn)設(shè)計(jì)了BottleneckCSP-B特征提取模塊并替換原YOLOv5m骨干網(wǎng)絡(luò)中的BottleneckCSP模塊，實(shí)現(xiàn)了原模塊對(duì)圖像深層特征提取能力的增強(qiáng)與骨干網(wǎng)絡(luò)的輕量化改進(jìn),；然后,，將SE模塊嵌入到所改進(jìn)設(shè)計(jì)的骨干網(wǎng)絡(luò)中，以更好地提取不同蘋果目標(biāo)的特征,；進(jìn)而改進(jìn)了原YOLOv5m架構(gòu)中輸入中等尺寸目標(biāo)檢測(cè)層的特征圖的跨接融合方式，提升了果實(shí)的識(shí)別精度,；最后,，改進(jìn)了網(wǎng)絡(luò)的初始錨框尺寸,，避免了對(duì)圖像里較遠(yuǎn)種植行蘋果的識(shí)別。結(jié)果表明,，所提出的改進(jìn)模型可實(shí)現(xiàn)對(duì)圖像中可直接采摘,、迂回采摘（蘋果上、下,、左,、右側(cè)采摘）和不可采摘果實(shí)的識(shí)別，識(shí)別召回率,、準(zhǔn)確率,、mAP和F1值分別為85.9%、81.0%,、80.7%和83.4%,。單幅圖像的平均識(shí)別時(shí)間為0.025s。對(duì)比了所提出的改進(jìn)算法與原YOLOv5m,、YOLOv3和EfficientDet-D0算法在測(cè)試集上對(duì)6類蘋果采摘方式的識(shí)別效果,，結(jié)果表明，所提出的算法比其他3種算法識(shí)別的mAP分別高出了5.4,、22,、20.6個(gè)百分點(diǎn)。改進(jìn)模型的體積為原始YOLOv5m模型體積的89.59%,。該方法可為機(jī)器人的采摘手主動(dòng)避開枝干對(duì)果實(shí)的遮擋,，以不同位姿采摘蘋果提供技術(shù)支撐，可降低蘋果的采摘損失,。

摘要:針對(duì)目前小麥種子尺寸小,、形狀不規(guī)則導(dǎo)致傳統(tǒng)排種器存在漏充率高、充種合格率低等問題,，設(shè)計(jì)了一種限制充種姿態(tài)-正負(fù)壓式小麥精密排種器,。排種器基于限制種子充種姿態(tài)的原理，增設(shè)弧形輔助充種板和攪種盤,，使種子長軸與型孔長軸近似位于同一平面,，在正負(fù)壓良好充種的基礎(chǔ)上獲得更佳的單粒充種性能。通過對(duì)充種過程及種子田間分布情況的分析,，計(jì)算確定排種器關(guān)鍵結(jié)構(gòu)參數(shù)：型孔列數(shù)3列,，每列型孔個(gè)數(shù)30個(gè),，型孔長度8mm、寬度5mm,、深度3mm,；并采用EDEM軟件進(jìn)行仿真試驗(yàn)，確定了弧形輔助充種板的最優(yōu)角度為5°,。在此基礎(chǔ)上,，利用Design-Expert軟件，以型孔輪轉(zhuǎn)速,、真空度,、攪種盤轉(zhuǎn)速為試驗(yàn)因素，以充種合格率,、漏充率,、重充率為評(píng)價(jià)指標(biāo)，進(jìn)行三因素三水平二次回歸正交試驗(yàn),。通過構(gòu)建回歸方程及響應(yīng)面數(shù)學(xué)模型,，分析了各試驗(yàn)因素對(duì)排種器充種性能的影響，且對(duì)試驗(yàn)參數(shù)進(jìn)行綜合優(yōu)化,，確定最佳參數(shù)組合：型孔輪轉(zhuǎn)速66.27r/min,、真空度3.52kPa、攪種盤轉(zhuǎn)速52.00r/min,，并進(jìn)行試驗(yàn)驗(yàn)證,，得到排種器充種合格率為92.70%，漏充率為3.47%,，重充率為3.83%,。該排種器滿足小麥精密播種對(duì)排種器的性能要求。

摘要:針對(duì)現(xiàn)有玉米氣吸式排種器高速作業(yè)引起的種子漏吸,，導(dǎo)致作業(yè)效果不佳的問題,，通過增大充種區(qū)域，增加排種盤的充種時(shí)間,，加強(qiáng)種群離散度,，減小吸附壓力，并基于此設(shè)計(jì)一種雙重?cái)_動(dòng)輔助充種高速氣吸式排種器,。分析不同高度種層種子的受力平衡方程,，計(jì)算擴(kuò)容板位置和結(jié)構(gòu)參數(shù)。分析擾種臺(tái)柱和型孔作用下種子運(yùn)動(dòng)力學(xué)模型,，并確定了帶擾種臺(tái)柱的中字型吸種孔排種盤的關(guān)鍵結(jié)構(gòu)參數(shù),。以顆粒瞬態(tài)法向力為評(píng)價(jià)指標(biāo),，運(yùn)用EDEM軟件仿真分析3種排種盤的擾動(dòng)性能，結(jié)合臺(tái)架試驗(yàn)檢測(cè)3種排種盤充種性能,，得到所設(shè)計(jì)的排種盤能夠有效加強(qiáng)對(duì)種群的離散，強(qiáng)化排種盤的吸種性能,。臺(tái)架試驗(yàn)結(jié)果顯示,，當(dāng)擾動(dòng)輔助充種高速氣吸式玉米排種器作業(yè)速度為8~10km/h、吸附負(fù)壓為3.0~4.0kPa時(shí),，漏播指數(shù)不高于5.1%,，重播指數(shù)不大于4.2%，粒距合格指數(shù)不小于94.6%,，合格粒距變異系數(shù)不大于15.33%,；當(dāng)作業(yè)速度為12~14km/h、吸附負(fù)壓為3.5~4.0kPa時(shí),，漏播指數(shù)不高于7.9%,，重播指數(shù)不大于1.3%，粒距合格指數(shù)不小于92.1%,，合格粒距變異系數(shù)不大于17.67%,，高速條件下作業(yè)性能較好，各項(xiàng)指標(biāo)均優(yōu)于國家標(biāo)準(zhǔn),。

摘要:針對(duì)半夏種子形狀不規(guī)則,、表皮易破損造成播種中充種困難,、易傷種等問題，在測(cè)定半夏種子物料特性的基礎(chǔ)上,，設(shè)計(jì)一種輪勺式半夏精密排種器,，分析了半夏種子在充種區(qū)和清種區(qū)的受力情況，闡述了輪勺式精密排種器的工作原理,。通過離散元單因素仿真試驗(yàn),，對(duì)排種器的種勺數(shù)量、取種輪轉(zhuǎn)速,、種層高度以及種勺型孔半徑進(jìn)行分析,，并以取種輪轉(zhuǎn)速、種層高度和種勺型孔半徑為試驗(yàn)因素,，以合格指數(shù),、重充指數(shù),、漏充指數(shù)為試驗(yàn)指標(biāo)，進(jìn)行了二次回歸正交旋轉(zhuǎn)組合臺(tái)架試驗(yàn),，建立3個(gè)指標(biāo)的回歸模型,，并利用回歸模型進(jìn)行排種器的設(shè)計(jì)參數(shù)優(yōu)化。試驗(yàn)結(jié)果表明：影響合格指數(shù)的主次順序?yàn)槿》N輪轉(zhuǎn)速,、種層高度,、種勺型孔半徑；當(dāng)種勺型孔半徑為7.5mm,，取種輪轉(zhuǎn)速為17.0~19.0r/min,、種層高度為123.0~133.0mm，合格指數(shù)大于95.5%,、漏充指數(shù)小于1.0%,、重充指數(shù)小于3.5%，滿足中藥材半夏種植要求,。

摘要:針對(duì)人參播種機(jī)械化率低的現(xiàn)狀,，本文設(shè)計(jì)了一種開溝-排種單體式人參精密播種機(jī)。通過對(duì)鏈勺式人參精密排種器落種點(diǎn),、雙圓盤開溝器工作性能和結(jié)構(gòu)參數(shù)的分析,，確定了開溝-排種單體的關(guān)鍵參數(shù)，設(shè)計(jì)了整機(jī)傳動(dòng)系統(tǒng),，可實(shí)現(xiàn)株距調(diào)整,。利用土槽試驗(yàn)臺(tái)架，選取作業(yè)速度,、開溝深度,、開溝器與排種器相對(duì)水平距離為試驗(yàn)因素，以合格指數(shù),、重播指數(shù),、漏播指數(shù)為試驗(yàn)指標(biāo)，設(shè)計(jì)了二次回歸正交旋轉(zhuǎn)組合試驗(yàn),。結(jié)果表明：當(dāng)作業(yè)速度為0.42m/s,、開溝深度為45mm、開溝器與排種器相對(duì)水平距離為95mm時(shí)，合格指數(shù)為94.53%,，重播指數(shù)為4.308%,，漏播指數(shù)為1.165%。為驗(yàn)證播種機(jī)的工作性能,，加工2BS-10型開溝-排種單體式人參精密播種機(jī),，并進(jìn)行了田間試驗(yàn)，結(jié)果表明：當(dāng)株距為4cm時(shí),，播種機(jī)的合格指數(shù)為92.7%,，重播指數(shù)為5.0%，漏播指數(shù)為2.3%,，播深合格率為95.1%，未發(fā)現(xiàn)傷種情況,，滿足我國非林地人參種植的播種要求,。

摘要:為了解決再生稻生產(chǎn)過程中,，收獲機(jī)履帶碾壓頭季稻稻樁的問題，本文從機(jī)械栽植角度入手,，在單位種植面積有效株數(shù)一定的條件下,，通過合理增大栽植行距以增大履帶行走行距。提出一種可實(shí)現(xiàn)大偏移,、直取秧和小側(cè)向穴口移栽軌跡的空間行星輪系分插機(jī)構(gòu),。首先，結(jié)合栽植農(nóng)藝規(guī)劃寬窄行移栽軌跡并確定其上若干關(guān)鍵位置與姿態(tài),，建立了空間2R開鏈機(jī)構(gòu)3精確位姿空間幾何約束設(shè)計(jì)方程,，采用同倫算法進(jìn)行求解；然后,，基于求解參數(shù)擬合,、優(yōu)化得到開鏈機(jī)構(gòu)輸入軸與輸出軸相對(duì)角位移曲線，確定機(jī)構(gòu)傳動(dòng)比與非圓齒輪節(jié)曲線,，復(fù)演得到滿足移栽要求的空間軌跡,；最后，通過依附非圓齒輪副將開鏈機(jī)構(gòu)兩轉(zhuǎn)軸運(yùn)動(dòng)耦合,，設(shè)計(jì)得到一種由平面非圓齒輪與斜齒輪組合傳動(dòng)的輪系式再生稻寬窄行分插機(jī)構(gòu),，并進(jìn)行虛擬仿真與樣機(jī)試驗(yàn)，結(jié)果表明樣機(jī)實(shí)際運(yùn)動(dòng)軌跡姿態(tài)與理論設(shè)計(jì)基本一致；取苗至推苗橫向偏移量ΔS1為65.59mm,、側(cè)向推苗角γ1為16.13°,、側(cè)向穴口寬度ΔS3為23.69mm，滿足再生稻寬窄行移栽要求,，驗(yàn)證了輪系式寬窄行分插機(jī)構(gòu)設(shè)計(jì)的可行性,。

摘要:為解決滾筒篩式膜雜風(fēng)選機(jī)運(yùn)行過程中易發(fā)生篩孔堵塞,，導(dǎo)致篩分性能差、膜中含雜率高等問題,，設(shè)計(jì)了一種通過噴頭噴射氣流擾動(dòng)篩孔處流場(chǎng),、破壞堵塞物在篩孔處受力平衡的篩孔清堵裝置。該裝置包含對(duì)角安裝在滾筒篩式膜雜風(fēng)選機(jī)兩側(cè)的離心式鼓風(fēng)機(jī),、穩(wěn)壓管,、滾筒外緣的氣流管道等。通過理論分析確定了篩孔清堵的臨界氣流速度為1.151m/s,，采用計(jì)算流體力學(xué)仿真與曲線擬合的方法探明了風(fēng)機(jī)風(fēng)速與噴頭噴射氣流速度呈正相關(guān)關(guān)系,，最終確定風(fēng)機(jī)風(fēng)速為9.2m/s。設(shè)計(jì)并搭建樣機(jī)進(jìn)行試驗(yàn),，結(jié)果表明：當(dāng)風(fēng)機(jī)風(fēng)速為9.2m/s時(shí),，篩孔堵塞率為8.28%，膜中含雜率為7.33%,，較安裝篩孔清堵裝置前篩孔堵塞率,、膜中含雜率分別降低16.27、4.64個(gè)百分點(diǎn),，其中各噴頭噴射氣流速度平均值為3.81m/s,，最小值為1.22m/s，滿足清堵要求,，清堵裝置持續(xù)工作過程中,，篩孔堵塞率和膜中含雜率基本保持不變。

摘要:針對(duì)油菜聯(lián)合收獲機(jī)脫粒分離作業(yè)后脫出物組分雜,，籽粒細(xì)小不易分離,，導(dǎo)致清選作業(yè)清潔率低、人工復(fù)清勞動(dòng)強(qiáng)度大等問題,，設(shè)計(jì)了一種掛接在糧箱上的模塊化滾筒篩式復(fù)清裝置,。基于運(yùn)動(dòng)學(xué)與動(dòng)力學(xué)分析了物料提升螺旋輸送器和篩分裝置的結(jié)構(gòu)參數(shù)與運(yùn)行參數(shù)范圍,；以滾筒篩式復(fù)清裝置的損失率,、清潔率及篩分效率為評(píng)價(jià)指標(biāo)，以滾筒篩轉(zhuǎn)速,、篩網(wǎng)內(nèi)助流螺旋葉片螺距和篩孔直徑為影響因素,，基于EDEM開展了三因素三水平正交試驗(yàn)，確定了最佳參數(shù)組合,，并利用收獲關(guān)鍵部件試驗(yàn)臺(tái)開展了驗(yàn)證試驗(yàn),。仿真結(jié)果表明：當(dāng)喂入量為0.6kg/s時(shí)，滾筒篩式復(fù)清裝置的較優(yōu)參數(shù)組合為篩孔直徑5mm,、滾筒篩轉(zhuǎn)速105r/min,、篩網(wǎng)內(nèi)助流螺旋葉片螺距250mm，此時(shí)滾筒篩式復(fù)清裝置損失率為0.92%,、清潔率為98.96%、篩分效率為95.12%,。臺(tái)架驗(yàn)證試驗(yàn)表明,，帶有滾筒篩式復(fù)清裝置的清選系統(tǒng)工作順暢，在最佳參數(shù)組合條件下,，滾筒篩式復(fù)清裝置的損失率為0.96%,、清潔率為98.67%、篩分效率為95.36%,，對(duì)比未增加滾筒篩式復(fù)清裝置前清潔率提升了4.38個(gè)百分點(diǎn),。研究可為油菜聯(lián)合收獲機(jī)清選裝置結(jié)構(gòu)改進(jìn)和優(yōu)化提供參考。

摘要:針對(duì)常規(guī)油菜割曬機(jī)結(jié)構(gòu)復(fù)雜，對(duì)長江中下游地區(qū)油菜種植需開畦作溝,、小田塊間溝梗交錯(cuò)等適應(yīng)性不足,，作業(yè)參數(shù)對(duì)鋪放質(zhì)量的影響關(guān)系不明確，導(dǎo)致機(jī)具通過性和鋪放質(zhì)量有待提高等問題,，設(shè)計(jì)了一種高地隙履帶自走式中間條鋪油菜割曬機(jī),，開展了高地隙履帶式動(dòng)力底盤、橫向輸送裝置、切割系統(tǒng),、液壓驅(qū)動(dòng)系統(tǒng)等的設(shè)計(jì)與選型,，結(jié)合油菜栽培農(nóng)藝開展了中間植株與兩側(cè)植株的鋪放過程分析，明確了直接與間接影響鋪放質(zhì)量的植株參數(shù),、割曬機(jī)技術(shù)參數(shù)與栽培農(nóng)藝要求,。為驗(yàn)證整機(jī)性能，開展了機(jī)具通過性能試驗(yàn)與田間試驗(yàn),。性能試驗(yàn)結(jié)果表明：割曬機(jī)在硬質(zhì)路面與松軟土壤條件下直行平均偏移程度分別為0.73%和1.28%,，單邊制動(dòng)條件下平均轉(zhuǎn)彎半徑分別為1.91m和2.03m，上下斜坡,、翻越田埂,、跨越畦溝過程較為平穩(wěn)。田間試驗(yàn)結(jié)果表明：當(dāng)機(jī)組前進(jìn)速度為0.7m/s,、撥禾輪轉(zhuǎn)速為30r/min,、橫向輸送裝置轉(zhuǎn)速為240r/min、割刀曲柄轉(zhuǎn)速為320r/min時(shí),，收獲綠熟期油菜的平均鋪放寬度與平均鋪放高度分別為968.7mm和389.4mm,，平均鋪放角為13.3°，上下層鋪放角度差為3.5°,；收獲黃熟期油菜的平均鋪放寬度與平均鋪放高度分別為956.8mm和468.3mm,，平均鋪放角為13.6°，上下層鋪放角度差為4.4°,；收獲不同成熟期油菜的鋪放質(zhì)量基本滿足實(shí)際生產(chǎn)需求,，履帶式動(dòng)力底盤左右兩側(cè)對(duì)廂面碾壓程度基本一致，整機(jī)左右質(zhì)量分配相對(duì)合理,。

摘要:為了增強(qiáng)割草機(jī)在復(fù)雜地形條件下的作業(yè)能力,，開展了割草機(jī)折疊機(jī)構(gòu)優(yōu)化與液壓仿形系統(tǒng)研究,，使折疊機(jī)構(gòu)具備±30°的擺動(dòng)范圍，液壓仿形系統(tǒng)可順利通過250mm的凸起路面,。通過對(duì)折疊機(jī)構(gòu)不同工況的姿態(tài)分析以及運(yùn)動(dòng)學(xué),、有限元分析，試制出適用于幅寬3.2m割草機(jī)的折疊機(jī)構(gòu),，通過野外試驗(yàn)驗(yàn)證了折疊機(jī)構(gòu)具備±30°的擺動(dòng)范圍,。研制液壓仿形系統(tǒng),，解決折疊機(jī)構(gòu)剛性連接的問題，通過ADAMS-AMESim聯(lián)合仿真技術(shù)驗(yàn)證液壓仿形方案的可行性,，結(jié)果表明液壓仿形系統(tǒng)通過250mm波形路面過程中,，蓄能器氣囊體積變化范圍為0.4～0.7L，切割器接地壓力變化范圍為1700～2500N,。將試制的仿形系統(tǒng)搭載在折疊機(jī)構(gòu)上,，在安徽省蕪湖市三山區(qū)進(jìn)行田間試驗(yàn)，結(jié)果表明：樣機(jī)能順利完成割草機(jī)折疊動(dòng)作,，滿足各種工況下的力學(xué)和強(qiáng)度要求,；切割器具備了±30°以內(nèi)的擺動(dòng)范圍；搭載仿形系統(tǒng)的試驗(yàn)樣機(jī)可以順利通過250mm高度的波形凸起路面,，提高了割草機(jī)在丘陵山區(qū)作業(yè)的地形適應(yīng)能力,，可為懸掛式割草機(jī)折疊機(jī)構(gòu)的設(shè)計(jì)、割草機(jī)接地仿形技術(shù)提供參考,。

摘要:與大田玉米剝皮作業(yè)相比,，種子玉米剝皮對(duì)苞葉剝凈率,、籽粒破碎率和落粒率具有較高的農(nóng)藝要求。針對(duì)種子玉米缺乏高效低損的剝皮手段問題,，采用TRIZ理論聯(lián)合顯式動(dòng)力學(xué)仿真與高速攝像技術(shù)開展了種子玉米剝皮機(jī)構(gòu)設(shè)計(jì)方法研究,。首先,，基于TRIZ理論解決了種子玉米剝皮機(jī)構(gòu)關(guān)鍵結(jié)構(gòu)設(shè)計(jì)問題,，并完成了剝皮機(jī)構(gòu)的詳細(xì)設(shè)計(jì)；其次,，利用LS-DYNA進(jìn)行了剝皮系統(tǒng)-種子玉米果穗的顯式動(dòng)力學(xué)仿真,，分析種子玉米果穗運(yùn)動(dòng)過程及受力情況，驗(yàn)證了剝皮機(jī)構(gòu)設(shè)計(jì)的合理性,；搭建了高速攝像試驗(yàn)臺(tái),，通過對(duì)種子玉米剝皮過程高速攝像的逐幀分析，并與仿真結(jié)果相比,，得出3種工況下速度最大誤差分別為0.035,、0.066、0.095m/s,，驗(yàn)證了剝皮輥分段設(shè)計(jì)的合理性,；最后選擇苞葉剝凈率,、籽粒破碎率及落粒率為性能指標(biāo)開展了種子玉米剝皮試驗(yàn)，在3種工況下,，試驗(yàn)結(jié)果滿足種子玉米剝皮機(jī)構(gòu)的性能指標(biāo)要求,。

摘要:針對(duì)目前我國竹筍剝皮機(jī)械化程度低的問題,，設(shè)計(jì)一種刀削結(jié)合滾動(dòng)摩擦進(jìn)料竹筍剝皮機(jī)。根據(jù)竹筍物理特性參數(shù)和人工剝筍原理,，對(duì)竹筍剝皮過程進(jìn)行力學(xué)與運(yùn)動(dòng)學(xué)分析,，確定了影響剝皮效率、損傷率和剝凈率的主要因素為刀片安裝傾角,、剝皮輥轉(zhuǎn)速以及滾筒與剝皮輥軸心高度差,，在此基礎(chǔ)上，給出了竹筍剝皮機(jī)關(guān)鍵部件的設(shè)計(jì)依據(jù),。為獲得樣機(jī)最佳試驗(yàn)物料,，以竹筍長度、基部直徑作為試驗(yàn)因素進(jìn)行單因素試驗(yàn),，確定長度為300～320mm,、基部直徑為29～32mm的竹筍作為剝皮機(jī)正交試驗(yàn)物料樣本。利用Design-Expert軟件設(shè)計(jì)三因素三水平正交試驗(yàn),，并結(jié)合實(shí)際工作情況確定最優(yōu)參數(shù)組合,，結(jié)果表明：當(dāng)?shù)镀惭b傾角為30.12°、剝皮輥轉(zhuǎn)速為229.18r/min,、滾筒與剝皮輥軸心高度差為15.43mm時(shí),，筍肉損傷率為6.81%，筍皮剝凈率為94.59%,。在該條件下開展驗(yàn)證試驗(yàn),，得到損傷率、剝凈率分別為7.10%,、93.22%,，與優(yōu)化參數(shù)基本一致，滿足剝筍要求,。

摘要:針對(duì)直線型植保無人機(jī)航姿測(cè)量受磁場(chǎng)干擾嚴(yán)重、磁力計(jì)校準(zhǔn)動(dòng)態(tài)性能差,、航姿估計(jì)精度低等問題,，提出了一種基于磁力計(jì)實(shí)時(shí)校準(zhǔn)的無人機(jī)航姿兩級(jí)解算方法。依據(jù)地磁場(chǎng)矢量變化小的特點(diǎn),，利用列文伯格-馬夸特（Levenberg-Marquardt,，LM）算法和磁力計(jì)誤差模型，建立磁力計(jì)實(shí)時(shí)校準(zhǔn)模型,，實(shí)時(shí)計(jì)算磁力計(jì)誤差參數(shù),。考慮運(yùn)動(dòng)加速度,、電機(jī)磁場(chǎng)以及環(huán)境磁場(chǎng)干擾,，采用無跡卡爾曼濾波器（Unscented Kalman filter，UKF）融合陀螺儀和加速度計(jì)實(shí)現(xiàn)一級(jí)航姿估計(jì),，通過四元數(shù)精準(zhǔn)解析出橫滾角和俯仰角姿態(tài)信息,；然后融合磁力計(jì)實(shí)時(shí)校準(zhǔn)數(shù)據(jù)和陀螺儀修正航向角完成二級(jí)航姿估計(jì)，最終實(shí)現(xiàn)無人機(jī)姿態(tài)和航向的精準(zhǔn)估計(jì),。試驗(yàn)結(jié)果表明,，在外部磁場(chǎng)干擾高達(dá)30.97μT時(shí)，實(shí)時(shí)校準(zhǔn)算法仍可快速計(jì)算出磁力計(jì)校準(zhǔn)參數(shù),，模長均方根誤差為0.59μT,，減小了航向觀測(cè)信息噪聲。本文的航姿測(cè)量系統(tǒng)姿態(tài)角均方根誤差不大于0.75°,，航向角均方根誤差為1.40°,，較互補(bǔ)濾波算法，姿態(tài)角精度提高約0.6%,，航向角估計(jì)精度提高1.38°,；動(dòng)態(tài)飛行試驗(yàn)中，姿態(tài)估計(jì)算法大幅減弱了磁干擾影響,，航姿跟蹤準(zhǔn)確,，航向角快速收斂,，穩(wěn)態(tài)精度更高,。

摘要:針對(duì)液環(huán)泵葉輪軸向葉頂間隙泄漏問題,，提出采用介質(zhì)阻擋放電等離子體激勵(lì)對(duì)液環(huán)泵軸向間隙氣相泄漏流動(dòng)進(jìn)行控制,，耦合唯象學(xué)模型,、RNG k-ε湍流模型及VOF氣液兩相流模型模擬不同激勵(lì)電壓下等離子體對(duì)泄漏流場(chǎng)的干擾作用，探究等離子體激勵(lì)對(duì)間隙泄漏流場(chǎng)的調(diào)控機(jī)理,。結(jié)果表明,，等離子體激勵(lì)誘導(dǎo)的壁面射流方向與間隙泄漏流動(dòng)方向相反，誘導(dǎo)的反向壁面射流能夠有效地抑制泄漏流強(qiáng)度,，并在一定程度上改善間隙泄漏流引起的二次流動(dòng),，降低間隙泄漏流動(dòng)損失；同時(shí)在等離子體激勵(lì)的非間隙區(qū)域,，等離子體激勵(lì)誘導(dǎo)產(chǎn)生旋渦結(jié)構(gòu),，使得近壁區(qū)域產(chǎn)生額外的水力損失。激勵(lì)電壓及位置對(duì)泄漏流控制效果有重要的影響,，15kV激勵(lì)電壓的等離子體流動(dòng)控制效果明顯優(yōu)于10kV激勵(lì)電壓,，當(dāng)激勵(lì)位置位于葉頂間隙出口附近時(shí)等離子體激勵(lì)對(duì)泄漏流具有較好的抑制效果。研究結(jié)果能夠?yàn)橐涵h(huán)泵的性能優(yōu)化提供理論參考,。

摘要:高效精準(zhǔn)地提取遙感影像中的耕地對(duì)農(nóng)業(yè)資源監(jiān)測(cè)以及可持續(xù)發(fā)展具有重要意義，針對(duì)目前多數(shù)傳統(tǒng)全卷積神經(jīng)網(wǎng)絡(luò)（FCN）模型在提取耕地時(shí)存在重精度而輕效率的缺陷,，本文建立基于FCN的輕量級(jí)耕地圖斑提取模型（LWIBNet模型）,，并結(jié)合數(shù)學(xué)形態(tài)學(xué)算法進(jìn)行后處理，開展耕地圖斑信息的自動(dòng)化提取研究,。該LWIBNet模型汲取了輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)和U-Net模型的優(yōu)點(diǎn),，以Inv-Bottleneck模塊（由深度可分離卷積、壓縮-激勵(lì)塊和反殘差塊組成）為核心,，采用高效的編碼-解碼結(jié)構(gòu)為骨架,，將LWIBNet模型分別與傳統(tǒng)模型的耕地提取效果、經(jīng)典FCN模型的輕量性和精確度進(jìn)行對(duì)比,，結(jié)果表明,，LWIBNet模型比表現(xiàn)最優(yōu)的傳統(tǒng)模型Kappa系數(shù)提高12.0%，比U-Net模型的參數(shù)量,、計(jì)算量,、訓(xùn)練耗時(shí)、分割耗時(shí)分別降低96.5%,、87.1%,、78.2%和75%，且LWIBNet的分割精度與經(jīng)典FCN模型相似,。

摘要:混合元胞自動(dòng)機(jī)（Mixed-cell cellular automata,，MCCA）模型改進(jìn)了傳統(tǒng)的元胞自動(dòng)機(jī)（Cellular automata，CA）模型,，基于現(xiàn)實(shí)復(fù)雜土地結(jié)構(gòu)引入混合元胞,，實(shí)現(xiàn)了從定性、靜態(tài)模擬到定量,、動(dòng)態(tài)模擬的跨越,。本文首先探究MCCA模型在黑河中游甘臨高地區(qū)（甘州區(qū)、臨澤縣和高臺(tái)縣）的適用性,；之后分別采用多目標(biāo)線性規(guī)劃（Multiple-objective programming,，MOP）模型、普通線性回歸模型預(yù)測(cè)得到2035年可持續(xù)發(fā)展（Sustainable development,，SUD）情景,、基本發(fā)展（Basic development，BAD）情景中不同地類面積數(shù)值,，然后將面積輸入MCCA模型中進(jìn)行不同情景的土地利用空間結(jié)構(gòu)可視化,，并開展對(duì)比研究。結(jié)果表明：各項(xiàng)精度評(píng)價(jià)指標(biāo)均表明MCCA模型的模擬精度較高,，Kappa系數(shù),、混合元胞質(zhì)量系數(shù)（Mixed-cell figure of merit，mcFoM）和平均相對(duì)熵（Relative entropy,，RE）分別為0.886,、0.261和0.508，優(yōu)于基于純凈元胞的斑塊生成土地利用變化模擬（Patch-generating land use simulation model,，PLUS）模型,，因此MCCA模型適用于研究區(qū)土地利用結(jié)構(gòu)模擬。2035年SUD情景中林地范圍明顯高于BAD情景,，生態(tài)效益較BAD情景增速快,，建設(shè)用地和耕地適度擴(kuò)張，綜合效益增速較快,。該結(jié)果表明耦合MOP和MCCA模型模擬的土地利用優(yōu)化配置方案能夠更好地協(xié)調(diào)經(jīng)濟(jì)與環(huán)境的關(guān)系,，既有利于經(jīng)濟(jì)快速發(fā)展，又能保護(hù)生態(tài)環(huán)境和維持社會(huì)穩(wěn)定,。

摘要:傳統(tǒng)的小麥面積提取方法主要依靠人工野外調(diào)查,，存在工作量大、效率低,、成本高等問題,，而遙感技術(shù)具有準(zhǔn)確、快速和動(dòng)態(tài)等優(yōu)點(diǎn),，已成為作物面積提取的有效手段,。本文以石家莊市正定縣各鎮(zhèn)的Landsat-8衛(wèi)星遙感影像為訓(xùn)練數(shù)據(jù)，藁城區(qū)增村鎮(zhèn)影像為測(cè)試數(shù)據(jù),，并分別選取分辨率8m的高分六號(hào)（GF-6）以及分辨率10m的哨兵二號(hào)（Sentinel-2）作為對(duì)比驗(yàn)證數(shù)據(jù),，提出了一種改進(jìn)U-Net網(wǎng)絡(luò)的冬小麥種植區(qū)域提取方法。首先,，對(duì)Landsat-8遙感影像進(jìn)行預(yù)處理,，標(biāo)注小麥區(qū)域制作標(biāo)簽集，其次,，在U-Net網(wǎng)絡(luò)中添加Squeeze and excitation(SE)注意力機(jī)制模塊融入特征通道間信息,，并利用Batch normalization(BN)層抑制過擬合問題；最后,，經(jīng)過Softmax分類器得到分類結(jié)果,。選擇SegNet、Deeplabv3+,、U-Net作為對(duì)比模型,，分別利用GF-6、Sentinel-2和Landsat-8 3種數(shù)據(jù)構(gòu)建預(yù)測(cè)模型,。結(jié)果表明,，SE-UNet網(wǎng)絡(luò)在基于Landsat-8數(shù)據(jù)預(yù)測(cè)模型下測(cè)試數(shù)據(jù)集表現(xiàn)最優(yōu)，MPA和MIoU分別達(dá)到89.88%和81.44%,。本方法可為大范圍冬小麥種植區(qū)提取提供參考,。

摘要:為確定無人機(jī)遙感產(chǎn)量估算的最優(yōu)生育時(shí)期及采集次數(shù),，以砂土種植冬小麥為研究對(duì)象，設(shè)置了4組灌水（36個(gè)樣區(qū)）與5組施氮（15個(gè)樣區(qū)）處理,，采集了起身期至灌漿后期的8次遙感數(shù)據(jù),。采用偏最小二乘法（PLS）、隨機(jī)森林（RF）和套索（LASSO）算法構(gòu)建了單生育時(shí)期產(chǎn)量估算模型。根據(jù)提出的最優(yōu)模型,，利用三次B樣條曲線和復(fù)合梯形公式,，建立了5種特定生育階段日植被指數(shù)積分的產(chǎn)量估算方案。結(jié)果表明,，不同生育時(shí)期的冬小麥產(chǎn)量估算模型精度差異顯著,，隨冬小麥生長精度總體呈遞增趨勢(shì)。單生育時(shí)期中,，PLS,、RF和LASSO模型的最優(yōu)生育時(shí)期分別為灌漿前期、灌漿前期和灌漿后期,。除拔節(jié)前期外,，RF模型的產(chǎn)量估算精度均優(yōu)于PLS和LASSO。冬小麥多生育時(shí)期的產(chǎn)量估算精度優(yōu)于單生育時(shí)期,，從起身期至灌漿后期的8次遙感產(chǎn)量估算精度最高（決定系數(shù)R2為0.96,，標(biāo)準(zhǔn)均方根誤差（NRMSE）為5.39%），而起身期至開花期的6次遙感產(chǎn)量估算精度亦達(dá)到極好（NRMSE為9.16%）,，可減少遙感采集次數(shù),，提前預(yù)測(cè)產(chǎn)量。研究結(jié)果對(duì)采用無人機(jī)遙感進(jìn)行冬小麥產(chǎn)量預(yù)測(cè)和精度提升具有重要意義,。

摘要:為進(jìn)一步準(zhǔn)確,、實(shí)時(shí)監(jiān)測(cè)冬小麥長勢(shì)并估測(cè)其產(chǎn)量,，以陜西省關(guān)中平原為研究區(qū)域，選取冬小麥旬或生育時(shí)期尺度的條件植被溫度指數(shù)（VTCI）,、葉面積指數(shù)（LAI）和光合有效輻射吸收比率（FPAR）作為遙感特征參數(shù),，分別構(gòu)建不同時(shí)間尺度的單參數(shù)、雙參數(shù)和多參數(shù)的門控循環(huán)單元（GRU）神經(jīng)網(wǎng)絡(luò)模型,，并模擬得到冬小麥長勢(shì)綜合監(jiān)測(cè)指數(shù)I,，結(jié)果表明，旬尺度的模型精度總體高于生育時(shí)期尺度的模型精度,?；?折交叉驗(yàn)證法進(jìn)一步驗(yàn)證旬尺度多參數(shù)GRU模型的魯棒性，并構(gòu)建I與統(tǒng)計(jì)單產(chǎn)之間的線性回歸模型以估測(cè)冬小麥單產(chǎn),，結(jié)果顯示,，冬小麥估測(cè)單產(chǎn)與統(tǒng)計(jì)單產(chǎn)的決定系數(shù)（R2）為0.62,，均方根誤差（RMSE）為509.08kg/hm2，平均相對(duì)誤差（MRE）為9.01%,，相關(guān)性達(dá)到極顯著水平（P<0.01）,，表明旬尺度的多參數(shù)估產(chǎn)模型能夠較準(zhǔn)確地估測(cè)關(guān)中平原冬小麥產(chǎn)量，且產(chǎn)量分布呈現(xiàn)西高東低的空間特性和整體保持穩(wěn)定且平穩(wěn)增長的年際變化特征,。此外,，基于GRU模型捕獲冬小麥生長的累積效應(yīng),，分析在連續(xù)旬中逐步輸入?yún)?shù)對(duì)產(chǎn)量估測(cè)的影響,，結(jié)果顯示，模型具有識(shí)別冬小麥關(guān)鍵生長階段的能力,，3月下旬至4月下旬是冬小麥生長的關(guān)鍵時(shí)期,。

摘要:為了彌補(bǔ)一次性建模分析的缺陷,，提高小麥條銹病遙感監(jiān)測(cè)模型的運(yùn)行效率和精度，根據(jù)模型集群分析（Model population analysis,，MPA）算法的特點(diǎn),，綜合利用光譜區(qū)間選擇算法和光譜點(diǎn)選擇算法的優(yōu)勢(shì)，提出了一種聯(lián)合相關(guān)系數(shù)（Correlation coefficient,，CC）與MPA的特征變量優(yōu)選算法,。在利用CC算法對(duì)全波段光譜進(jìn)行特征變量選擇的基礎(chǔ)上，分別利用基于MPA思想開發(fā)的競爭性自適應(yīng)重加權(quán)采樣法（Competitive adaptive reweighted sampling,，CARS）和變量組合集群分析法（Variable combination population analysis,，VCPA）進(jìn)一步優(yōu)選對(duì)小麥條銹病敏感的特征變量，并利用偏最小二乘回歸（Partial least squares regression,，PLSR）算法構(gòu)建了小麥條銹病遙感監(jiān)測(cè)的CC-CARS和CC-VCPA模型,。結(jié)果表明：聯(lián)合CC-MPA算法優(yōu)選的特征變量構(gòu)建的CC-CARS和CC-VCPA模型精度均高于CC、CARS和VCPA算法,。3組驗(yàn)證集樣本中,，CC-CARS模型預(yù)測(cè)病情指數(shù)（Disease index，DI）與實(shí)測(cè)DI間的R2V較CC模型和CARS模型至少分別提高了6.78%和6.66%,，RMSEV至少分別降低了15.31%和10.98%,，RPD至少分別提高了18.08%和12.34%。CC-VCPA模型預(yù)測(cè)DI與實(shí)測(cè)DI間的R2V較CC模型和VCPA模型至少分別提高了9.58%和0.73%,，RMSEV至少分別降低了20.78%和3.86%,，RPD至少分別提高了26.22%和4.02%,。基于CC-MPA的光譜特征優(yōu)選算法是一種有效的特征選擇方法,，尤其是利用CC-VCPA方法選擇的特征變量數(shù)更少,，模型預(yù)測(cè)效果更好，研究結(jié)果對(duì)光譜特征優(yōu)選及提高作物病害遙感監(jiān)測(cè)精度具有重要的參考價(jià)值,。

摘要:利用無人機(jī)-衛(wèi)星遙感升尺度轉(zhuǎn)換方法可以有效提高土壤含鹽量監(jiān)測(cè)精度,。以內(nèi)蒙古河套灌區(qū)沙壕渠灌域?yàn)檠芯繀^(qū)，4月裸土期表層土壤為研究對(duì)象,，分別采用主導(dǎo)變異權(quán)重法,、局部平均法和最鄰近法將試驗(yàn)區(qū)無人機(jī)4波段影像(0.1m)升尺度至與GF-1衛(wèi)星(16m)同一尺度，引入3種變量組合作為模型輸入變量并利用多元線性回歸模型（Multivariable linear regression,，MLR）和BP神經(jīng)網(wǎng)絡(luò)模型（Back propagation neural networks,，BPNN）構(gòu)建不同數(shù)據(jù)源關(guān)于土壤含鹽量的定量監(jiān)測(cè)模型。在此基礎(chǔ)上,，采用波段比值均值法對(duì)GF-1衛(wèi)星數(shù)據(jù)進(jìn)行修正,，實(shí)現(xiàn)基于衛(wèi)星因子的研究區(qū)土壤鹽分升尺度反演。結(jié)果表明,，經(jīng)統(tǒng)計(jì)指標(biāo)評(píng)價(jià)后得出主導(dǎo)變異權(quán)重法在4塊試驗(yàn)區(qū)針對(duì)4波段影像的尺度轉(zhuǎn)換效果總體上優(yōu)于其他2種轉(zhuǎn)換方法,；3種無人機(jī)-衛(wèi)星遙感升尺度轉(zhuǎn)換方法中，主導(dǎo)變異權(quán)重法監(jiān)測(cè)效果最佳,，局部平均法次之,，最鄰近法效果最差；對(duì)篩選得到的2個(gè)模型進(jìn)行升尺度修正,，得到驗(yàn)證效果最佳的監(jiān)測(cè)模型為基于混合變量組的多元線性回歸模型,，其R2v為0.420，RMSEv為0.219%,，比直接采用GF-1衛(wèi)星數(shù)據(jù)得到的混合變量組多元線性回歸模型R2v高0.217,，RMSEv低0.013個(gè)百分點(diǎn)。本文研究結(jié)果可為衛(wèi)星,、無人機(jī)多光譜遙感一體化監(jiān)測(cè)裸土期農(nóng)田土壤含鹽量提供參考,。

摘要:為探究植被覆蓋條件下GF-1衛(wèi)星反演農(nóng)田土壤含水率的可行性,，以河套灌區(qū)解放閘灌域沙壕渠為研究區(qū),，采用GF-1衛(wèi)星遙感影像作為數(shù)據(jù)源,，通過全子集篩選法確定不同土壤深度下光譜指數(shù)的最優(yōu)自變量組合，并分別采用多元線性回歸(MLR),、BP神經(jīng)網(wǎng)絡(luò)(BPNN),、支持向量機(jī)(SVM)3種算法,，構(gòu)建不同深度下土壤含水率反演模型,。結(jié)果表明,，全子集篩選后模型反演精度有較大提升，且過擬合現(xiàn)象減弱,；植被覆蓋條件下各深度土壤含水率敏感程度從大到小依次為0~40cm,、0~60cm,、20~40cm,、0~20cm、40~60cm,；植被覆蓋條件下各模型對(duì)土壤含水率反演能力由強(qiáng)到弱依次為BPNN,、SVM、MLR,；篩選后BPNN在深度0~40cm下的建模集和驗(yàn)證集R2adj均能達(dá)到0.50以上,，RMSE在0.02%以內(nèi)。研究結(jié)果可為植被覆蓋條件下利用GF-1衛(wèi)星監(jiān)測(cè)農(nóng)田土壤含水率提供參考,。

摘要:為及時(shí)準(zhǔn)確地提取小麥倒伏面積,，提出一種融合多尺度特征的倒伏面積分割模型Attention_U2-Net。該模型以U2-Net為架構(gòu),，利用非局部注意力（Non-local attention）機(jī)制替換步長較大的空洞卷積,，擴(kuò)大高層網(wǎng)絡(luò)感受野，提高不同尺寸地物識(shí)別準(zhǔn)確率,；使用通道注意力機(jī)制改進(jìn)級(jí)聯(lián)方式提升模型精度,；構(gòu)建多層級(jí)聯(lián)合加權(quán)損失函數(shù)，用于解決均衡難易度和正負(fù)樣本不均衡問題,。Attention_U2-Net在自建數(shù)據(jù)集上采用裁剪方式提取小麥倒伏面積,，查準(zhǔn)率為86.53%,，召回率為89.42%，F(xiàn)1值為87.95%,。與FastFCN,、U-Net、U2-Net,、FCN,、SegNet、DeepLabv3等模型相比,，Attention_U2-Net具有最高的F1值,。通過與標(biāo)注面積對(duì)比，Attention_U2-Net使用裁剪方式提取面積與標(biāo)注面積最為接近,，倒伏面積準(zhǔn)確率可達(dá)97.25%,，且誤檢面積最小。實(shí)驗(yàn)結(jié)果表明,，Attention_U2-Net對(duì)小麥倒伏面積提取具有較強(qiáng)的魯棒性和準(zhǔn)確率,，可為無人機(jī)遙感小麥?zhǔn)転?zāi)面積及評(píng)估損失提供參考。

摘要:以黃瓜穴盤幼苗為研究對(duì)象,，提出一種基于點(diǎn)云處理的穴盤晚出苗自動(dòng)檢測(cè)方法,。利用RGB-D相機(jī)搭建穴盤幼苗點(diǎn)云采集平臺(tái)，采集整盤幼苗的點(diǎn)云,，通過條件濾波,、統(tǒng)計(jì)濾波和歐氏聚類分割出穴盤幼苗葉片點(diǎn)云；采用基于α-shape算法和擬合的方法計(jì)算獲取穴盤幼苗葉面積,，擬合值和真實(shí)值平均誤差為0.75cm2,，平均相對(duì)誤差為8.51%；采用基于主曲率定位幼苗莖頂部位置的方法自動(dòng)獲取幼苗株高,，真實(shí)值與計(jì)算值平均誤差為0.359cm,，平均相對(duì)誤差為9.32%；以葉面積和株高的乘積作為分級(jí)系數(shù),，以整盤穴盤幼苗分級(jí)系數(shù)的均值與標(biāo)準(zhǔn)差差值作為該穴盤的晚出苗分級(jí)閾值,，實(shí)現(xiàn)對(duì)穴盤晚出苗的自動(dòng)檢測(cè)。將計(jì)算的分級(jí)系數(shù)與幼苗總鮮質(zhì)量進(jìn)行對(duì)比,，分級(jí)系數(shù)與幼苗總鮮質(zhì)量變化趨勢(shì)基本一致,，總鮮質(zhì)量較小的晚出苗其分級(jí)系數(shù)明顯小于其他正常苗，本文提出的分級(jí)系數(shù)能夠有效描述幼苗生長情況,。試驗(yàn)結(jié)果表明,，基于點(diǎn)云處理的穴盤晚出苗自動(dòng)檢測(cè)方法成功率達(dá)95%,，該方法可為工廠化育苗的幼苗檢測(cè)提供技術(shù)支撐。

摘要:為了實(shí)現(xiàn)對(duì)不同稻飛虱的快速準(zhǔn)確識(shí)別,，同時(shí)防止同一姿態(tài)下的同一只昆蟲被重復(fù)計(jì)數(shù),，提出一種將圖像消冗與CenterNet網(wǎng)絡(luò)相結(jié)合的識(shí)別分類方法。首先利用自主設(shè)計(jì)的田間昆蟲采集裝置,，自動(dòng)獲取昆蟲圖像并制作數(shù)據(jù)集,。其次，將CenterNet算法與圖像消冗算法相結(jié)合,，選用深層特征融合網(wǎng)絡(luò)(Deep layer aggregation, DLA)作為主干網(wǎng)絡(luò)來提取昆蟲的特征,，并進(jìn)行識(shí)別分類。將本文方法與經(jīng)典機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型進(jìn)行對(duì)比,，實(shí)驗(yàn)結(jié)果表明,，對(duì)于田間昆蟲采集裝置獲取到的相似度較高的活體圖像，本文方法不僅能夠快速處理昆蟲圖像,，而且能夠成功解決昆蟲重復(fù)檢測(cè)的問題,，平均精度均值為88.1%,，檢測(cè)速率為42.9f/s,，無論是精度還是處理速度本文方法都具有較明顯優(yōu)勢(shì)。該研究有效地完成了對(duì)3種主要稻飛虱的識(shí)別分類,，對(duì)不同時(shí)間段采集到的昆蟲表現(xiàn)出良好的泛化能力,，可用于后期水稻害蟲暴發(fā)的智能預(yù)警和測(cè)報(bào)。

摘要:針對(duì)稻田自然環(huán)境下害蟲移動(dòng),，難以近距離拍攝高質(zhì)量圖像，導(dǎo)致在現(xiàn)有識(shí)別模型檢測(cè)時(shí)無法達(dá)到滿意識(shí)別精度的問題,，提出了一種基于SCResNeSt的低分辨率水稻害蟲圖像識(shí)別方法,。首先，使用增強(qiáng)型超分辨率生成對(duì)抗網(wǎng)絡(luò)（ESRGAN）對(duì)低分辨率圖像進(jìn)行數(shù)據(jù)增強(qiáng),，解決低分辨率水稻害蟲有效信息少的問題,；其次構(gòu)建了SCResNeSt網(wǎng)絡(luò)，使用3個(gè)連續(xù)的3×3卷積層替換ResNet50中第1個(gè)7×7卷積,，以減少計(jì)算量,；使用自校準(zhǔn)卷積替代第2層卷積層中的3×3卷積,，通過內(nèi)部通信顯式地?cái)U(kuò)展每個(gè)卷積層的視場(chǎng)，獲取害蟲圖像的部分背景信息,，從而豐富輸出特征,；在主干網(wǎng)絡(luò)中使用ResNeSt block（Split-attention network block）進(jìn)一步提升圖像中害蟲信息獲取的準(zhǔn)確性。最終,，將優(yōu)選模型移植到手機(jī)端,，開發(fā)了輕量化的移動(dòng)端水稻害蟲識(shí)別系統(tǒng)。實(shí)驗(yàn)結(jié)果表明,，與現(xiàn)有方法對(duì)比,，ESRGAN數(shù)據(jù)增強(qiáng)方法可以恢復(fù)真實(shí)的作物害蟲信息，SCResNeSt模型有效提高了水稻害蟲的識(shí)別性能,，識(shí)別精度達(dá)到91.20%,，比原始ResNet50網(wǎng)絡(luò)提高3.2個(gè)百分點(diǎn)，滿足野外實(shí)際場(chǎng)景下的應(yīng)用需求,。本研究為水稻害蟲智能化識(shí)別和防治提供了技術(shù)基礎(chǔ),。

摘要:為高效地挖掘植物病害處方數(shù)據(jù)并輔助精準(zhǔn)診斷,，以番茄病毒病,、番茄晚疫病、番茄灰霉病3種病害為研究對(duì)象,，構(gòu)建基于貝葉斯優(yōu)化LightGBM的番茄病害智能診斷模型,，探索作物病害處方數(shù)據(jù)挖掘及其精準(zhǔn)診斷。重點(diǎn)對(duì)處方原數(shù)據(jù)（文本數(shù)據(jù)標(biāo)簽和One-hot編碼等）進(jìn)行預(yù)處理,，以基于Wrapper的遞歸特征消除法進(jìn)一步提取作物病害處方數(shù)據(jù)的特征,；利用基于LightGBM算法構(gòu)建番茄病害診斷模型，并與K近鄰（KNN）,、決策樹（DT）,、支持向量機(jī)（SVM）、隨機(jī)森林（RF）,、梯度提升決策樹（GDBT）,、AdaBoost和XGBoost常見機(jī)器學(xué)習(xí)模型運(yùn)行結(jié)果進(jìn)行比較分析并進(jìn)行優(yōu)化；設(shè)計(jì)基于LightGBM模型的Android手機(jī)端植物醫(yī)生病害診斷APP,。實(shí)驗(yàn)結(jié)果表明,，基于貝葉斯優(yōu)化的LightGBM模型綜合診斷準(zhǔn)確率可達(dá)到89.11%，比其他7種機(jī)器學(xué)習(xí)模型的診斷準(zhǔn)確率平均高3.65個(gè)百分點(diǎn)；同時(shí)特征選擇后的LightGBM模型在保證模型準(zhǔn)確率的基礎(chǔ)上降低了前期數(shù)據(jù)收集難度,，模型綜合準(zhǔn)確率提高至89.34%,，其中番茄病毒病的診斷精確度和F1值均達(dá)到96%以上，運(yùn)行時(shí)間減少了47.73%,；最后通過番茄葉霉病和番茄早疫病兩種病害對(duì)本文模型進(jìn)行了泛化能力測(cè)試,，實(shí)驗(yàn)結(jié)果表明該模型具有較強(qiáng)的泛化能力和實(shí)用性?；贚ightGBM模型設(shè)計(jì)的APP可以實(shí)現(xiàn)用戶人群友好的交互式可視化且滿足實(shí)際診斷需求,。

摘要:針對(duì)河豚供應(yīng)鏈環(huán)節(jié)復(fù)雜,、監(jiān)管要求高以及溯源系統(tǒng)信息傳遞繁雜,、數(shù)據(jù)查詢效率低的問題，以提高河豚溯源查詢效率和安全性為目的,，建立了基于區(qū)塊鏈技術(shù)的河豚供應(yīng)鏈溯源優(yōu)化模型,，并搭建相應(yīng)系統(tǒng)。首先,，對(duì)河豚供應(yīng)鏈業(yè)務(wù)供應(yīng)鏈信息進(jìn)行分析,，整理并提取供應(yīng)鏈各業(yè)務(wù)環(huán)節(jié)溯源碼信息和產(chǎn)品信息；然后,，基于區(qū)塊鏈技術(shù)建立河豚供應(yīng)鏈可信溯源優(yōu)化模型架構(gòu),，設(shè)計(jì)多鏈的存儲(chǔ)模式和快速查詢流程并制定相應(yīng)的智能合約；最后,，基于Hyperledger Fabric實(shí)現(xiàn)了一種河豚供應(yīng)鏈信息溯源系統(tǒng),，并使用Caliper性能測(cè)試工具測(cè)試。結(jié)果表明,，在數(shù)據(jù)記錄條數(shù)大于1000條后，本文模型查詢效率高于傳統(tǒng)單鏈模型,，在10000條數(shù)據(jù)記錄上鏈后,，本文模型較傳統(tǒng)單鏈模型查詢效率提高約92.9%。以江蘇省某河豚企業(yè)為例,，實(shí)現(xiàn)河豚供應(yīng)鏈信息安全傳遞和快速溯源,。所提出的模型可以應(yīng)用到河豚行業(yè)從而提高溯源效率和安全性，為河豚行業(yè)提供一個(gè)防篡改,、查詢效率高的模型,。

摘要:為探究東北黑土區(qū)不同灌溉模式下稻田溫室氣體排放和土壤礦質(zhì)氮特征,，于2019年在黑龍江省慶安國家灌溉試驗(yàn)重點(diǎn)站測(cè)坑內(nèi)進(jìn)行了試驗(yàn)觀測(cè)，按照不同的灌溉模式設(shè)置了控制灌溉（KG）,、間歇灌溉（JG）和濕潤灌溉（CI）3個(gè)試驗(yàn)處理,，以當(dāng)?shù)爻Ｒ?guī)的插秧淹灌（CK）為對(duì)照，研究了不同處理的稻田溫室氣體甲烷（CH4）和氧化亞氮（N2O）排放量,、全球增溫潛勢(shì)值,、以產(chǎn)量為基準(zhǔn)的全球變暖潛勢(shì)值及0～60cm土壤NH+4N含量和NO-3N含量的變化過程，以及0～20cm土層土壤溫度和礦質(zhì)氮含量與CH4和N2O排放量的相關(guān)關(guān)系,。結(jié)果表明,，隨著水稻生長發(fā)育進(jìn)程的推進(jìn)，各處理稻田土壤各土層溫度均呈先升高后降低的變化趨勢(shì),；各處理CH4和N2O排放量均呈先增加后減少的倒“V”形變化趨勢(shì),，CH4和N2O的排放峰值分別出現(xiàn)在拔節(jié)孕穗期和抽穗開花期。從時(shí)間上來看,，CK,、JG、CI處理的稻田土壤NH+4N含量拐點(diǎn)在分蘗中期和抽穗開花期,，KG處理拐點(diǎn)在拔節(jié)孕穗期和乳熟期,，而所有處理的土壤NO-3N含量最大值均出現(xiàn)在分蘗前期；從空間上來看,，不同處理稻田土壤NH+4N平均含量隨著土層深度增加而逐漸減少,，而NO-3N平均含量CK處理隨土層深度逐步增加，其余各處理為先減少再增加變化趨勢(shì),。土壤溫度與CH4排放量有顯著相關(guān)性,，而與N2O排放量相關(guān)性不顯著；各處理土壤NH+4N含量與CH4和N2O排放量呈正相關(guān),，而土壤NO-3N含量與CH4和N2O排放量呈負(fù)相關(guān),。各處理稻田CH4累積排放量由大到小依次為CK、JG,、KG,、CI，N2O累積排放量由大到小依次為CI,、KG,、JG、CK，各處理CH4和N2O累積排放量均與CK處理差異顯著（P＜0.05）,，從單位產(chǎn)量溫室效應(yīng)(GWPy)來看,，KG、JG,、CI處理分別較CK處理降低24.98%,、27.69%和24.06%。研究結(jié)果可為東北黑土區(qū)稻田減排和提高土壤礦質(zhì)氮利用率提供理論依據(jù)和技術(shù)支撐,。

摘要:目前關(guān)于膜下滴灌棉花的灌水定額制定仍以田間灌溉試驗(yàn)為主,，而考慮播期土壤含水率及采用模型的方法確定膜下滴灌棉花灌水定額的研究較少。本文通過2017,、2018年兩季的新疆南疆地區(qū)棉花大田試驗(yàn),，利用2017、2018年棉花開花期,、成熟期的土壤含水率,、葉面積指數(shù)、生物量和籽棉產(chǎn)量實(shí)測(cè)數(shù)據(jù)對(duì)DSSAT-CROPGRO-Cotton模型進(jìn)行參數(shù)校正和驗(yàn)證,。試驗(yàn)共設(shè)計(jì)了24,、30、36mm 3個(gè)膜下滴灌棉花灌水定額水平,，并采用驗(yàn)證的DSSAT-CROPGRO-Cotton模型對(duì)1.2θFC,、1.1θFC、θFC,、0.9θFC,、0.8θFC、0.7θFC,、0.6θFC和0.5θFC（θFC為田間持水率）8個(gè)不同初始土壤含水率條件下的膜下滴灌棉花的生長及產(chǎn)量進(jìn)行了模擬,。結(jié)果表明，模型經(jīng)過參數(shù)校正和驗(yàn)證后對(duì)土壤含水率,、棉花物候期,、葉面積指數(shù)和籽棉產(chǎn)量的模擬值與實(shí)測(cè)值吻合度較好，能夠滿足大田膜下滴灌棉花的模擬精度要求,，但對(duì)生物量的模擬與實(shí)測(cè)值偏差較大。同時(shí),，基于驗(yàn)證的DSSAT-CROPGRO-Cotton模型對(duì)不同初始土壤含水率及灌水定額條件下的棉花籽棉產(chǎn)量和生物量進(jìn)行了模擬,。結(jié)果表明，棉花籽棉產(chǎn)量和生物量模擬值達(dá)到最大值的初始土壤含水率為0.8θFC~θFC。同時(shí),，要保證棉花生育期灌溉定額在330～396mm之間,。模擬結(jié)果在南疆地區(qū)的棉花播期及生育期灌溉管理中可供借鑒使用。

摘要:為了提高Y型網(wǎng)式過濾器水力性能和抗堵塞性能，以出口與筒體間夾角,、入口縮小比,、導(dǎo)流片高度和導(dǎo)流片圓心角為試驗(yàn)因素，采用CFD-DEM耦合和物理試驗(yàn)相結(jié)合的方法對(duì)過濾器內(nèi)部的過濾過程進(jìn)行探究,。通過系列數(shù)值模擬正交試驗(yàn)結(jié)果的極差分析探索各因素對(duì)水頭損失,、中速過流量區(qū)域面積占比、顆粒分布相對(duì)標(biāo)準(zhǔn)偏差及攔截率4個(gè)指標(biāo)影響的敏感度,，結(jié)果表明：中,、高速過流量區(qū)域均集中在出口側(cè)，當(dāng)出口與筒體間夾角越小時(shí),，出口截面積與其呈正相關(guān),，且對(duì)應(yīng)中速過流區(qū)面積越大，水力性能越好,。顆粒集中通過區(qū)域與中速過流量區(qū)域相對(duì)應(yīng),，入口縮小比的增大使顆粒分布越均勻，抗堵塞性能越好,。結(jié)構(gòu)優(yōu)化參數(shù)組合為：出口與筒體間夾角35°,、入口縮小比22/26、導(dǎo)流片高度10mm,、導(dǎo)流片圓心角90°,，其中夾角對(duì)綜合指標(biāo)影響最為顯著，是結(jié)構(gòu)設(shè)計(jì)的關(guān)鍵參數(shù),。與改進(jìn)前相比,，水頭損失減小了36.6%，相對(duì)標(biāo)準(zhǔn)偏差減小了43.26%,，攔截率提高了3.93個(gè)百分點(diǎn),，中速過流量區(qū)域面積占比增加了15.77個(gè)百分點(diǎn)，表明了優(yōu)化方案的有效性,。研究結(jié)果可為網(wǎng)式過濾器的優(yōu)化設(shè)計(jì)提供參考,。

摘要:溫室環(huán)境調(diào)控能有效改善作物生產(chǎn)條件,，為有效針對(duì)溫室溫度相對(duì)濕度進(jìn)行精準(zhǔn)調(diào)控,，設(shè)計(jì)了一種基于物聯(lián)網(wǎng)的溫室智能監(jiān)控系統(tǒng)，分別進(jìn)行了降溫,、除濕,、增濕和無設(shè)備運(yùn)行4種處理下的試驗(yàn)，構(gòu)建了溫室無設(shè)備運(yùn)行狀態(tài)下溫度和相對(duì)濕度變化的數(shù)學(xué)模型,，通過對(duì)比同一條件下無設(shè)備運(yùn)行狀態(tài)的模擬值與設(shè)備調(diào)控后的實(shí)測(cè)值,，定量分析出不同設(shè)備的調(diào)控能力。提出了根據(jù)作物需求分時(shí)間段,、根據(jù)設(shè)備調(diào)控能力分溫度區(qū)間的分段多區(qū)間溫濕度調(diào)控方法,，并進(jìn)行了試驗(yàn)驗(yàn)證。結(jié)果表明：分段多區(qū)間控制策略可以有效地調(diào)控溫度和相對(duì)濕度,，全天59.46%時(shí)間內(nèi)的溫度處于適宜區(qū)間中,，全天6680%時(shí)間內(nèi)的相對(duì)濕度處于適宜區(qū)間中；設(shè)備運(yùn)行穩(wěn)定且未造成設(shè)備頻繁啟閉,。分時(shí)間段多溫度區(qū)間控制策略結(jié)合智能控制系統(tǒng)可實(shí)現(xiàn)遠(yuǎn)程自動(dòng)控制,。

摘要:集流器是軸流風(fēng)機(jī)的主要部件之一,，對(duì)軸流風(fēng)機(jī)運(yùn)行性能產(chǎn)生較大的影響,。為此，針對(duì)農(nóng)用軸流風(fēng)機(jī)集流器普遍存在結(jié)構(gòu)設(shè)計(jì)不合理,、能耗高,、風(fēng)量損失多的問題，以典型的24英寸負(fù)壓玻璃鋼風(fēng)機(jī)為研究對(duì)象,，采用風(fēng)室試驗(yàn),、逆向建模和CFD數(shù)值模擬相結(jié)合的方式，依托單因素分析和響應(yīng)面分析的方法,，研究集流器的進(jìn)口段長度L,、圓角半徑R、出口直徑D對(duì)風(fēng)機(jī)性能和流場(chǎng)的影響,。結(jié)果表明：對(duì)集流器參數(shù)進(jìn)行無量綱處理后,，集流器各參數(shù)適宜的取值區(qū)間為：1.00≤EL≤1.46,、2.95≤ER≤3.22,、0.9898≤ED≤0.9971,；經(jīng)過響應(yīng)面模型得出各影響因素對(duì)風(fēng)機(jī)性能的影響，當(dāng)L=149.27mm,、R=321.68mm,、D=678.00mm時(shí)風(fēng)機(jī)性能較優(yōu)。經(jīng)數(shù)值模擬驗(yàn)證,，相比原型風(fēng)機(jī),，優(yōu)化后通風(fēng)量Q提高5.86%，能效比N提高6.79%,，此時(shí)通風(fēng)量Q為9900.54m3/h,，能效比N為20.03m3/(h·W)。本研究為此類農(nóng)用軸流風(fēng)機(jī)集流器提高通風(fēng)量及能效比提供了參數(shù)優(yōu)化方法,。

摘要:日光溫室冬季反季節(jié)生產(chǎn)中光照時(shí)長與溫度普遍無法滿足作物的生長需求,，本文基于作物生長對(duì)溫度與光照的需求,，以維持溫室溫度平穩(wěn)的光平衡點(diǎn)、夜間最低溫預(yù)測(cè)模型,、經(jīng)驗(yàn)揭蓋被時(shí)間為約束條件,，提出了以作物低溫限制點(diǎn)、光補(bǔ)償點(diǎn),、光平衡點(diǎn)與經(jīng)驗(yàn)揭蓋被時(shí)間為約束的揭被決策方法,，以及以夜間最低溫預(yù)測(cè)模型、作物低溫限制點(diǎn),、光補(bǔ)償點(diǎn)與經(jīng)驗(yàn)揭蓋被時(shí)間為約束的蓋被決策方法,，在此基礎(chǔ)上，基于無線傳感器網(wǎng)絡(luò)構(gòu)建了卷簾機(jī)決策控制系統(tǒng),。試驗(yàn)結(jié)果表明,，本文卷簾機(jī)揭蓋被決策方法及控制系統(tǒng)能有效減少43%的低溫發(fā)生率，與經(jīng)驗(yàn)揭蓋被相比,，試驗(yàn)溫室日光照時(shí)長平均延長1.25h,，試驗(yàn)期間累計(jì)增加光照時(shí)間75.16h，輻熱積增加61.41MJ/m2,，有效積溫增加22.28℃,，有效提升了溫室熱量積累,；試驗(yàn)溫室番茄植株矮、莖粗大,，表現(xiàn)更為健壯,，葉長與葉寬的生長速率顯著高于對(duì)照溫室，對(duì)試驗(yàn)期間影響較大的第1穗果產(chǎn)量進(jìn)行統(tǒng)計(jì)分析,，試驗(yàn)溫室產(chǎn)量提升30.74%,，且第1次收獲時(shí)間提前，證明了本文卷簾機(jī)揭蓋被決策方法與控制系統(tǒng)能促進(jìn)作物生長,，有效增加番茄的物質(zhì)積累,，為日光溫室卷簾機(jī)揭蓋被決策提供了思路。

摘要:羊舍濕度過高或過低都會(huì)直接威脅肉羊健康生長,，及時(shí)掌握濕度變化趨勢(shì)并提前調(diào)控是確保規(guī)?；庋驘o應(yīng)激環(huán)境下健康養(yǎng)殖的關(guān)鍵。為提高濕度預(yù)測(cè)精度,，提出了基于奇異譜分析（SSA）,、粒子群優(yōu)化算法（PSO）、長短時(shí)記憶網(wǎng)絡(luò)（LSTM）的羊舍濕度非線性組合預(yù)測(cè)模型,。利用SSA分離出正常序列和噪聲序列,，將原始序列轉(zhuǎn)換為平滑序列；其次通過PSO不斷迭代優(yōu)化確定LSTM的最優(yōu)參數(shù)組合,，降低LSTM的訓(xùn)練成本,；最終依據(jù)優(yōu)化參數(shù)建立組合預(yù)測(cè)模型分別對(duì)兩序列進(jìn)行預(yù)測(cè)，模型結(jié)果之和為最終預(yù)測(cè)結(jié)果,。利用該模型對(duì)新疆維吾爾自治區(qū)2021年3月17—27日期間的羊舍空氣相對(duì)濕度進(jìn)行預(yù)測(cè),，結(jié)果表明，該組合預(yù)測(cè)模型具有良好的泛化性,、穩(wěn)定性和收斂性,。與標(biāo)準(zhǔn)的ELM、SVR,、LSTM,、PSO-LSTM、EMD-PSO-LSTM等模型相比,，本文提出的SSA-PSO-LSTM組合模型具有更高的預(yù)測(cè)精度,，其均方誤差,、平均絕對(duì)誤差和決定系數(shù)分別為1.127%2、0.803%和0.988,。

摘要:基于水生,、陸生動(dòng)物源肉骨粉骨顆粒顯微腔隙形態(tài)結(jié)構(gòu)的不同，提出了一種不同種屬骨顆粒腔隙形態(tài)結(jié)構(gòu)的Micro-CT原位三維可視化表征方法,。以魚,、牛、豬和雞骨顆粒為研究對(duì)象,，利用Bruker Skyscan 1275型Micro-CT,，在掃描條件優(yōu)化的基礎(chǔ)上，對(duì)各樣品進(jìn)行了掃描和重構(gòu)條件優(yōu)化,，比較了全局（Global）,、全局自適應(yīng)（Otsu）、K-means全局聚類（K-means）,、局部自適應(yīng)均值（Adaptive mean-C）和局部自適應(yīng)中值（Adaptive median-C）等圖像閾值分割算法對(duì)骨顆粒顯微腔隙成像的分割效果,。優(yōu)化的Micro-CT掃描條件為電壓80kV、電流125μA,，圖像分辨率8μm,、旋轉(zhuǎn)步長0.20°、曝光時(shí)間46ms和360°掃描,；圖像三維重構(gòu)條件為Smoothing 1,、Post-Alignment 0、Ring-Artifacts 3和Beam-hardening 30%,；采用局部自適應(yīng)均值法的骨顆粒成像效果最佳,，其最優(yōu)參數(shù)確定為WS為5，C為0,。不同動(dòng)物源骨顆粒腔隙結(jié)構(gòu)的Micro-CT原位三維可視化表征結(jié)果與其顯微鏡標(biāo)準(zhǔn)方法的結(jié)果較為一致,。研究結(jié)果為水生和陸生動(dòng)物源飼料快速、無損判別提供了技術(shù)支撐,。

摘要:我國玉米產(chǎn)量高，高效,、便攜,、低成本的玉米成分檢測(cè)技術(shù)及其裝置對(duì)于玉米品質(zhì)的檢測(cè)至關(guān)重要，基于可見/近紅外光譜技術(shù),，設(shè)計(jì)了一款玉米主要品質(zhì)便攜式檢測(cè)裝置,。為探究所設(shè)計(jì)方案的可行性，自行搭建了可見/近紅外光譜采集系統(tǒng),，對(duì)不同品種共72份玉米樣本進(jìn)行光譜采集,，分別建立了玉米籽粒蛋白質(zhì)、脂肪和淀粉含量的偏最小二乘（PLS）預(yù)測(cè)模型以及結(jié)合競爭性自適應(yīng)重加權(quán)算法（CARS）的CARS-PLS預(yù)測(cè)模型,。結(jié)果表明,，CARS方法可以有效篩選出各組分的相關(guān)變量，提升模型效果,，各組分質(zhì)量分?jǐn)?shù)的預(yù)測(cè)集均方根誤差（RMSEP）均有所下降, 蛋白質(zhì)質(zhì)量分?jǐn)?shù)的RMSEP由0.4866%降至0.4068%,；脂肪質(zhì)量分?jǐn)?shù)的RMSEP由0.1549%降至0.0989%；淀粉質(zhì)量分?jǐn)?shù)的RMSEP由0.4714%降至0.4675%,。預(yù)測(cè)集相關(guān)系數(shù)Rp均有所提高,，蛋白質(zhì)質(zhì)量分?jǐn)?shù)的Rp由0.9309提升至0.9603；脂肪質(zhì)量分?jǐn)?shù)的Rp由0.9497提升至0.9770,；淀粉質(zhì)量分?jǐn)?shù)的Rp由0.9520提升至0.9605,。基于CARS方法所篩選的各組分特征變量,，選擇了合適的近紅外光譜傳感器,，在此基礎(chǔ)上設(shè)計(jì)了檢測(cè)裝置的光譜采集單元、控制單元,、顯示單元,、電源單元以及散熱單元，并基于NodeMCU開發(fā)板和Arduino IDE開發(fā)工具,，采用Arduino語言對(duì)裝置控制程序進(jìn)行開發(fā),，實(shí)現(xiàn)“一鍵式”快速檢測(cè)。試驗(yàn)驗(yàn)證了該裝置的檢測(cè)精度和穩(wěn)定性,，結(jié)果表明,，預(yù)測(cè)玉米籽粒蛋白質(zhì)、脂肪和淀粉質(zhì)量分?jǐn)?shù)的相關(guān)系數(shù)分別為0.8431,、0.8243,、0.8154，預(yù)測(cè)均方根誤差分別為0.3576%、0.2318%,、0.2333%,，相對(duì)分析誤差分別為1.8577、1.7761,、1.5735,。對(duì)同一樣本多次重復(fù)預(yù)測(cè)，各組分預(yù)測(cè)值的變異系數(shù)分別為0.235%,、0.241%和0.028%,。

摘要:以產(chǎn)于江蘇省東臺(tái)市的南粳9108為研究對(duì)象,，測(cè)定了3種含水率（12.10%,、14.16%和16.34%）的稻谷和糙米，在低溫（8℃）,、準(zhǔn)低溫（15℃）及室溫（20~25℃）3種儲(chǔ)藏條件下的含水率、脂肪酸含量,、食味值和直鏈淀粉含量4個(gè)食用品質(zhì)指標(biāo)的變化,，分析比較了在245d的儲(chǔ)藏期內(nèi)，稻谷和糙米食用品質(zhì)指標(biāo)的變化規(guī)律,。結(jié)果表明,，在儲(chǔ)藏前，偏高含水率樣品的食用品質(zhì)優(yōu)于正常和偏低的樣品,。但隨著儲(chǔ)藏時(shí)間的延長,，稻谷和糙米的含水率和食味值均逐步降低，而脂肪酸含量和直鏈淀粉含量則出現(xiàn)不同程度的上升,，初始含水率,、儲(chǔ)藏溫度和時(shí)間對(duì)脂肪酸含量、食味值和直鏈淀粉含量均有極顯著的影響（P＜0.01）,。在不同的儲(chǔ)藏溫度下,，不同含水率稻谷和糙米的食用品質(zhì)都隨著儲(chǔ)藏時(shí)間的延長而逐步降低。其中,，較高含水率的樣品在較高儲(chǔ)藏溫度下品質(zhì)下降的程度更高,，而且糙米食用品質(zhì)下降的程度高于稻谷。另外,，試驗(yàn)結(jié)果還顯示,，在低含水率條件下（12.1%），在不同儲(chǔ)藏溫度下稻谷和糙米食用品質(zhì)變化都很小，表明在較低含水率下將水稻以稻谷的形式進(jìn)行儲(chǔ)藏,，有利于保持食用品質(zhì),。

摘要:相較于人工感官評(píng)審法，基于深度學(xué)習(xí)和計(jì)算機(jī)技術(shù)進(jìn)行茶葉嫩芽分級(jí)可以降低時(shí)間成本并大幅提高精度,，但常用的識(shí)別模型存在著冗余計(jì)算量多和模型規(guī)格大的問題,。為此以采摘自貴州紅楓山韻茶場(chǎng)的茶葉嫩芽為研究對(duì)象，根據(jù)人工經(jīng)驗(yàn)將茶樣劃分為3個(gè)等級(jí),；在ShuffleNet-V2 0.5x基本單元中嵌入多尺度卷積塊注意力模塊(MCBAM)與多尺度深度捷徑(MDS),，提出一種茶葉嫩芽分級(jí)模型(ShuffleNet-V2 0.5x-SMAU)，聚焦茶樣中有利于分級(jí)的特征信息,；以在兩個(gè)不同源域上預(yù)訓(xùn)練后的模型作為教師和學(xué)生模型,，提出一種結(jié)合雙遷移和知識(shí)蒸餾的茶葉嫩芽分級(jí)方法，借助暗知識(shí)的傳授進(jìn)一步增強(qiáng)分級(jí)模型分類性能與抵抗過擬合的能力,。結(jié)果表明,，本文方法能在保證模型輕量性的條件下，對(duì)測(cè)試集各級(jí)樣本的分級(jí)準(zhǔn)確率達(dá)到100%,、92.70%,、89.89%，表現(xiàn)出優(yōu)于采用復(fù)雜網(wǎng)絡(luò)模型的綜合性能,，在儲(chǔ)存資源有限和硬件水平低的生產(chǎn)場(chǎng)景中應(yīng)用具有優(yōu)越性,。

摘要:大功率動(dòng)力換擋拖拉機(jī)作業(yè)環(huán)境復(fù)雜多變,，密集布置的擋位和田間載荷波動(dòng)極易導(dǎo)致頻繁隨機(jī)換擋，破壞拖拉機(jī)工況穩(wěn)定性,，影響其性能和作業(yè)質(zhì)量,。為解決拖拉機(jī)作業(yè)過程中隨機(jī)載荷波動(dòng)引發(fā)的頻繁換擋問題，本文提出一種考慮隨機(jī)載荷自適應(yīng)修正的換擋控制策略,。首先,，以油門開度、滑轉(zhuǎn)率和車速為換擋參數(shù)，制定變速箱理論換擋規(guī)律,；然后,，引入隨機(jī)載荷變異系數(shù)、油門開度變化量及穩(wěn)態(tài)載荷變化量等3個(gè)修正參數(shù),，通過模糊規(guī)則計(jì)算隨機(jī)載荷波動(dòng)下的換擋修正量,。同時(shí)，結(jié)合收斂型換擋延遲策略,，輕負(fù)荷或運(yùn)輸工況采用理論降擋,，重負(fù)荷作業(yè)采用自適應(yīng)升擋延遲，載荷波動(dòng)越大,，升擋延遲量越大,；基于AMESim和Simulink建立了拖拉機(jī)傳動(dòng)系統(tǒng)模型，并搭建了大功率拖拉機(jī)變速箱控制系統(tǒng)硬件在環(huán)仿真平臺(tái),，開展了不同作業(yè)工況下的換擋控制仿真驗(yàn)證,。結(jié)果表明，所提換擋策略在道路運(yùn)輸工況和犁耕工況下的換擋次數(shù)較傳統(tǒng)換擋策略分別低63.16%,、45%,，且燃油消耗量分別為0.76、0.47kg,，較傳統(tǒng)換擋策略分別低0.51%,、1.03%。在保證作業(yè)牽引力的同時(shí),，該控制策略可有效抑制隨機(jī)載荷波動(dòng)引發(fā)的頻繁隨機(jī)換擋，同時(shí)兼顧了整車動(dòng)力性和燃油經(jīng)濟(jì)性,。

摘要:提出一種具有高精度,、高剛度的3-PUS-PU柔順并聯(lián)機(jī)構(gòu)，并對(duì)該機(jī)構(gòu)進(jìn)行運(yùn)動(dòng)學(xué)分析及優(yōu)化設(shè)計(jì),。根據(jù)柔性鉸鏈結(jié)構(gòu)與機(jī)構(gòu)間幾何關(guān)系,，對(duì)3-PUS-PU柔順并聯(lián)機(jī)構(gòu)的運(yùn)動(dòng)原理進(jìn)行闡述，并分析了該機(jī)構(gòu)運(yùn)動(dòng)特性,。采用空間閉環(huán)矢量法建立機(jī)構(gòu)的運(yùn)動(dòng)學(xué)模型,，對(duì)機(jī)構(gòu)的輸入-輸出關(guān)系和速度特性進(jìn)行了分析?；诹W(xué)理論,，通過求解柔性鉸鏈的極限轉(zhuǎn)角，對(duì)機(jī)構(gòu)的工作空間進(jìn)行分析。根據(jù)機(jī)構(gòu)的工作要求,，提出定位精度指標(biāo)和緊湊性指標(biāo),，并進(jìn)一步分析機(jī)構(gòu)幾何尺寸參數(shù)對(duì)其性能指標(biāo)的影響?；谔岢龅男阅苤笜?biāo),，采用粒子群優(yōu)化算法對(duì)機(jī)構(gòu)的結(jié)構(gòu)尺寸參數(shù)進(jìn)行優(yōu)化設(shè)計(jì)。結(jié)果表明,，相比優(yōu)化前,，優(yōu)化后的柔順并聯(lián)機(jī)構(gòu)的定位精度提高25%，緊湊性提高81%,，機(jī)構(gòu)整體運(yùn)動(dòng)性能有了較大的提升,，為后續(xù)樣機(jī)研制提供了參考依據(jù)。

摘要:基于子運(yùn)動(dòng)鏈生成子工作空間和基于疊加原理的并聯(lián)機(jī)構(gòu)拓?fù)湓O(shè)計(jì)方法，設(shè)計(jì)一種具有符號(hào)位置正解且運(yùn)動(dòng)解耦的純?nèi)揭撇⒙?lián)機(jī)構(gòu),，并對(duì)該機(jī)構(gòu)進(jìn)行拓?fù)浞治?；運(yùn)用基于拓?fù)涮卣鞯臋C(jī)構(gòu)位置分析方法求解該機(jī)構(gòu)位置正逆解并進(jìn)行驗(yàn)算；基于SKC單元的奇異分析方法對(duì)該并聯(lián)機(jī)構(gòu)的奇異位形進(jìn)行分析,，并求解該并聯(lián)機(jī)構(gòu)規(guī)則無奇異的長方體工作空間,。研究結(jié)果為一類具有規(guī)則工作空間并聯(lián)機(jī)構(gòu)的設(shè)計(jì)提供了理論基礎(chǔ)。

摘要:軟體機(jī)械手在易損物品抓取方面具有其獨(dú)特的優(yōu)勢(shì)，近年來成為機(jī)器人領(lǐng)域的研究熱點(diǎn),。為便于評(píng)價(jià)軟體機(jī)械手的整體性能,，實(shí)現(xiàn)其精確抓取控制，需要對(duì)軟體機(jī)械手進(jìn)行建模分析與試驗(yàn)研究,。本文設(shè)計(jì)了四指軟體機(jī)械手,，每個(gè)手指單元內(nèi)置用于實(shí)時(shí)檢測(cè)機(jī)械手彎曲角的柔性應(yīng)變傳感器；建立了不同氣壓作用下的彎曲角和末端輸出力特性的數(shù)學(xué)模型,，并分析限制層剛度變化對(duì)軟體手指輸出特性的影響,；設(shè)計(jì)了軟體機(jī)械手控制系統(tǒng),，在此基礎(chǔ)上開展軟體手指的彎曲角和末端輸出力特性試驗(yàn)，試驗(yàn)結(jié)果表明調(diào)節(jié)限制層剛度可有效改善輸出力,，理論分析與試驗(yàn)結(jié)果吻合,，驗(yàn)證了數(shù)學(xué)模型的正確性。對(duì)幾種不同質(zhì)量的常用水果（如草莓,、橘子,、梨、蘋果）的抓取試驗(yàn)結(jié)果表明,，軟體機(jī)械手能夠?qū)崿F(xiàn)對(duì)易損物體的無損抓取,，其包絡(luò)抓取力最大為11.89N，指尖抓取力最大為2.81N,。

摘要:數(shù)控機(jī)床運(yùn)動(dòng)精度衰退是一個(gè)動(dòng)態(tài)的演化過程。為盡早發(fā)現(xiàn)數(shù)控機(jī)床潛在的失效風(fēng)險(xiǎn),，挖掘蘊(yùn)含在各類監(jiān)測(cè)數(shù)據(jù)序列中的運(yùn)動(dòng)精度演化特征,，在深度門控循環(huán)網(wǎng)絡(luò)（Gated recurrent unit，GRU）框架下,，提出了一種融合注意機(jī)制的數(shù)控機(jī)床運(yùn)動(dòng)精度劣化預(yù)示方法,。為了克服傳統(tǒng)深度卷積神經(jīng)網(wǎng)絡(luò)不能學(xué)習(xí)時(shí)序特征的缺陷，采用深度編碼器-解碼器框架,，提出基于深度GRU的運(yùn)動(dòng)精度深度學(xué)習(xí)建模方法,，以數(shù)據(jù)驅(qū)動(dòng)，自動(dòng)挖掘運(yùn)動(dòng)精度與振動(dòng),、溫度,、電流等狀態(tài)信號(hào)時(shí)間序列的時(shí)空特征，預(yù)測(cè)運(yùn)動(dòng)精度,，根據(jù)預(yù)測(cè)曲線對(duì)機(jī)床劣化趨勢(shì)進(jìn)行預(yù)示,。為了增強(qiáng)主要狀態(tài)信號(hào)和關(guān)鍵時(shí)間點(diǎn)的信息表達(dá)，提高精度劣化預(yù)測(cè)的準(zhǔn)確性,，提出一種在深度學(xué)習(xí)框架中融合注意機(jī)制的方法，建立狀態(tài)參量的注意網(wǎng)絡(luò),，計(jì)算振動(dòng),、溫度等狀態(tài)信號(hào)與機(jī)床精度間關(guān)聯(lián)程度，自動(dòng)調(diào)整各信號(hào)的權(quán)值,；進(jìn)一步,，建立時(shí)序注意網(wǎng)絡(luò)自主選取精度劣化歷史信息關(guān)鍵時(shí)間點(diǎn)，以提升較長時(shí)間段預(yù)示的準(zhǔn)確性,。實(shí)驗(yàn)結(jié)果表明,，基于深度學(xué)習(xí)網(wǎng)絡(luò)與注意機(jī)制的預(yù)示模型可以很好地追蹤數(shù)控機(jī)床運(yùn)動(dòng)精度的劣化趨勢(shì)和規(guī)律,，有較高的預(yù)測(cè)精度，優(yōu)于傳統(tǒng)方法,。

摘要:為使液壓動(dòng)力源在負(fù)載多變條件下降低能耗提高效率,，實(shí)現(xiàn)靈活多變的輸出流量、壓力和功率控制,，提出采用變頻V/F控制模式下,，控制三相異步電機(jī)，驅(qū)動(dòng)恒壓泵作為液壓動(dòng)力源,，實(shí)現(xiàn)壓力,、流量和功率復(fù)合控制的高能效電液動(dòng)力源。針對(duì)變頻啟動(dòng)慢的問題,，在主回路上并聯(lián)可控蓄能器,，采用蓄能器輔助啟動(dòng)。確立了恒壓泵,、變頻器,、電機(jī)各部分的計(jì)算模型以及AMESim軟件下的仿真模型和試驗(yàn)原理。進(jìn)行了動(dòng)力源壓力恒壓特性仿真與試驗(yàn),，結(jié)果表明恒壓仿真模型較準(zhǔn)確,。P-Q試驗(yàn)表明，利用先導(dǎo)壓力閥控制壓力動(dòng)態(tài)響應(yīng)時(shí)間不超0.2s,，超調(diào)不高于15%,；流量動(dòng)態(tài)特性差，利用蓄能器輔助啟動(dòng),，帶載80MPa轉(zhuǎn)速達(dá)到1500r/min,，啟動(dòng)時(shí)間不超0.2s。功率試驗(yàn)結(jié)果表明,，高壓小流量和非工作周期壓力卸荷工況,，電機(jī)轉(zhuǎn)速由1500r/min降至450r/min，電機(jī)功率分別降低70.3%和64.8%,；恒壓模式下大排量,、低轉(zhuǎn)速可以使該試驗(yàn)系統(tǒng)能耗降低約3.8kW。