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:隨著信息感知,、機(jī)器人等技術(shù)的快速發(fā)展,，自動定向作業(yè)具有更多的需求和實現(xiàn)方法。自動定向技術(shù)為智慧農(nóng)業(yè)生產(chǎn)過程自動化,、智能化提供有利條件，是提高作業(yè)效率和品質(zhì)的重要環(huán)節(jié)之一,，已成為農(nóng)業(yè)生產(chǎn)自動化,、智能化作業(yè)技術(shù)的發(fā)展方向。本文首先闡述了自動定向技術(shù)的基本概念與內(nèi)涵,，綜述了在田間播種,、采后處理、畜產(chǎn)養(yǎng)殖加工等農(nóng)業(yè)領(lǐng)域自動定向技術(shù)的國內(nèi)外研究進(jìn)展,，并分析比較了不同應(yīng)用領(lǐng)域的特征和優(yōu)缺點,。然后對自動定向關(guān)鍵技術(shù)應(yīng)用研究進(jìn)行了系統(tǒng)分析，包括定向機(jī)理與方法,、定向機(jī)構(gòu)與裝置,、自動檢測與控制等多方面的共性關(guān)鍵問題，歸納了該領(lǐng)域技術(shù)的開放性問題。最后總結(jié)了當(dāng)前自動定向技術(shù)面臨的挑戰(zhàn)和機(jī)遇,，展望了農(nóng)機(jī)農(nóng)藝高度融合的自動定向,、專用與通用自動定向、多功能全面融合的自動定向和融合智能化技術(shù)的自動定向等農(nóng)業(yè)領(lǐng)域自動定向技術(shù)和裝備的未來研究方向,。

摘要:針對北方寒地稻田在秸稈還田作業(yè)時,，傳統(tǒng)單軸機(jī)具難以適應(yīng)覆有大量秸稈的濕黏土壤條件,，作業(yè)質(zhì)量難以滿足實際作業(yè)需求的問題，設(shè)計了一種前軸正旋,、后軸反旋的新型水稻秸稈雙軸深埋還田機(jī),。結(jié)合實際農(nóng)藝要求及土壤運(yùn)動過程確定前后刀軸中心水平距離650mm、豎直距離100mm,，并對整機(jī)進(jìn)行配置,。運(yùn)用EDEM仿真軟件模擬還田機(jī)工作過程，以前進(jìn)速度,、前軸轉(zhuǎn)速,、后軸轉(zhuǎn)速為試驗因素，以秸稈還田率和機(jī)具功耗為評價指標(biāo)進(jìn)行正交試驗,，建立秸稈還田率及機(jī)具功耗回歸方程,。利用Design-Expert分析軟件得到最優(yōu)參數(shù)組合，根據(jù)仿真優(yōu)化結(jié)果及實際加工需求確定最優(yōu)工作參數(shù)為：前進(jìn)速度1.5km/h,、前軸轉(zhuǎn)速274.2r/min,、后軸轉(zhuǎn)速219.4r/min，為后續(xù)田間試驗提供理論支撐,。田間試驗結(jié)果表明,，在留茬高度為15~20cm、地表秸稈覆蓋量為468~578g/m2,、拖拉機(jī)前進(jìn)作業(yè)速度為低速1擋（1.5km/h）時,，水稻秸稈雙軸深埋還田機(jī)還田率為88.7%~91.2%、地面平整度為1.8~2.4cm,、碎土率為97.7%~98.8%,、耕深為16.6~19.5cm，各項指標(biāo)均滿足農(nóng)藝要求,；與傳統(tǒng)單軸機(jī)具相比,，水稻秸稈雙軸深埋還田機(jī)提高了秸稈還田率、碎土率，同時未見機(jī)具前方壅土現(xiàn)象,。

摘要:針對傳統(tǒng)外槽輪式播量控制系統(tǒng)因流量-轉(zhuǎn)速標(biāo)定關(guān)系失偏而導(dǎo)致控制精度下降的問題,，提出了一種通過動態(tài)校正控制參數(shù)保持播量控制精度的方法,，該方法采用基于氮氣彈簧為支撐力、S型稱重傳感器為拉力的稱重式播量檢測系統(tǒng),，利用兩類傳感器加權(quán)信號與實際播量方程的線性組合實現(xiàn)原始傳感信號濾波的獨特測量特性,，構(gòu)建播量檢測算法，并根據(jù)播量動態(tài)檢測結(jié)果對基于流量-轉(zhuǎn)速標(biāo)定關(guān)系的控制參數(shù)作動態(tài)校正,，實現(xiàn)播量的本質(zhì)閉環(huán)控制,，保持控制精度的穩(wěn)定。利用搭建的播種機(jī)測試平臺,，開展了基于播量檢測的播量控制參數(shù)未校正和自校正動態(tài)試驗,。在所有的測試過程中，播量檢測結(jié)果與實際結(jié)果之間的絕對相對偏差最大值,、平均值和標(biāo)準(zhǔn)差分別為4.52%,、2.68%和1.14%；播量控制參數(shù)未校正時,，實際值與目標(biāo)值之間的絕對相對偏差最大值,、平均值和標(biāo)準(zhǔn)差分別為18.38%、17.06%和1.21%,，而引入控制參數(shù)自校正后，實際值和目標(biāo)值之間的絕對相對偏差的最大值和平均值分別下降至3.70%和2.61%,，標(biāo)準(zhǔn)差為0.67%,。試驗結(jié)果表明：基于加權(quán)信號的播量檢測方法能有效獲取播種機(jī)的實際播量信息，實現(xiàn)播量控制參數(shù)自校正,，有效維持播量控制系統(tǒng)的控制精度,。

摘要:針對玉米種子三軸尺寸差異大,，在取種過程中易造成漏取和重取的問題，設(shè)計了一種擺動夾取式玉米精量排種器，闡述其結(jié)構(gòu)組成及工作原理,，并對關(guān)鍵部件進(jìn)行設(shè)計,；通過建立的模型進(jìn)行力學(xué)和運(yùn)動學(xué)分析，得到了影響排種器取種性能的關(guān)鍵因素,；通過EDEM軟件建立仿真模型,，分析種群高度及排種器轉(zhuǎn)速對種群流轉(zhuǎn)速度的影響規(guī)律，得到了排種器取種性能曲線,；以取種塊開合角,、進(jìn)種筒安裝高度、排種器轉(zhuǎn)速為試驗因素,，取種單粒率,、漏取率、重取率為評價指標(biāo)進(jìn)行二次正交旋轉(zhuǎn)組合仿真試驗,，結(jié)果表明最優(yōu)參數(shù)組合為取種塊開合角43.87°,、進(jìn)種筒安裝高度37.84mm、排種器轉(zhuǎn)速0.41r/s,，在最優(yōu)參數(shù)組合下進(jìn)行排種性能臺架驗證試驗,，得到排種器排種合格指數(shù)為94.11%、漏播指數(shù)為2.52%,、重播指數(shù)為3.37%,，滿足行業(yè)標(biāo)準(zhǔn)及農(nóng)藝要求，研究結(jié)果為機(jī)械式玉米精量排種器關(guān)鍵部件的設(shè)計優(yōu)化提供了理論參考,。

摘要:針對腔道式雜交稻精少量穴直播排種器排種時易出現(xiàn)漏播空穴的問題,，基于腔道式排種原理,，采用組合脈沖方式，設(shè)計了腔道光幕掃描式排種漏播檢測方法及配套系統(tǒng),，闡述了組合脈沖的構(gòu)建方法,，建立了稻種在腔道檢測區(qū)運(yùn)動的動力學(xué)模型，明確了腔道檢測區(qū)的關(guān)鍵結(jié)構(gòu)參數(shù),，開展了排種器不同轉(zhuǎn)速,、變轉(zhuǎn)速及不同振動工況下漏播檢測系統(tǒng)的性能試驗。轉(zhuǎn)速適應(yīng)性試驗結(jié)果表明,，排種器不同轉(zhuǎn)速及變轉(zhuǎn)速下的檢測誤差不高于0.80%,；振動適應(yīng)性試驗結(jié)果表明,，中高頻振動工況對檢測系統(tǒng)的檢測性能基本無影響，而振幅相對較大的低頻振動工況下,，檢測誤差稍有增大,，但不高于1.20%。田間試驗結(jié)果表明,，檢測系統(tǒng)對播種機(jī)不同作業(yè)速度的播種工況均具有較好的適應(yīng)性,，檢測誤差均不高于2.13%。

摘要:針對傳統(tǒng)機(jī)械方式鱗芽扶正率低,、可靠性差等問題，提出了一種基于電容檢測技術(shù)的蒜種鱗芽定向方法,，搭建了相應(yīng)的鱗芽檢測與扶正裝置,，并對其結(jié)構(gòu)和運(yùn)行參數(shù)進(jìn)行了優(yōu)化?；贏NSYS電場分析驗證了方法的可行性,，基于EDEM仿真平臺進(jìn)行了接播裝置結(jié)構(gòu)的優(yōu)化。結(jié)果表明,，當(dāng)接播裝置底面夾角,、短軸半徑、長軸半徑分別為80°,、22.99mm和27.79mm時,，裝置性能最優(yōu)，理論直立率為96.6%,，物理試驗驗證了優(yōu)化結(jié)果的可靠性,。以極板參數(shù)為試驗因素，以信噪比為試驗指標(biāo),，開展極板尺寸優(yōu)化試驗,。結(jié)果表明，極板參數(shù)為45mm×8mm×0.10mm時,，裝置性能最優(yōu)。以金鄉(xiāng),、蒼山蒜種為試驗對象,，開展樣機(jī)試驗，正芽率為95.0%,，滿足大蒜播種要求,。

摘要:針對油菜精量聯(lián)合直播機(jī)作業(yè)后,，田間作業(yè)廂面微地貌形狀特征參數(shù)測量困難,、傳統(tǒng)測量方法存在測量效率和誤差難以兼顧、現(xiàn)有測量裝置操作便捷性不夠的問題,，設(shè)計了一種自走遙控地表微地貌測量裝置,。該裝置主要由行走部件和微地貌測量系統(tǒng)組成，裝置可以通過遙控操作到達(dá)指定測量區(qū)域并通過手機(jī)APP控制激光雷達(dá)掃描作業(yè)高度和掃描作業(yè)速度及實時顯示測量裝置測量狀態(tài)信息,，實現(xiàn)農(nóng)田耕后地表微地貌特征高效測量,。對裝置行走部件懸掛避振機(jī)構(gòu)和驅(qū)動機(jī)構(gòu)行走驅(qū)動力進(jìn)行了設(shè)計和分析，確定了彈簧避振器中圓柱螺旋壓縮彈簧參數(shù)和驅(qū)動機(jī)構(gòu)驅(qū)動電機(jī)參數(shù),；對微地貌測量系統(tǒng)控制單元硬件和軟件進(jìn)行了設(shè)計,，確定了控制單元硬件電路和軟件工作流程；對裝置傾斜誤差和系統(tǒng)誤差進(jìn)行了分析,，消除了裝置傾斜誤差和系統(tǒng)誤差,。開展了裝置田間測量試驗，對地表廂面微地貌特征及畦溝溝型進(jìn)行了測量,，結(jié)果表明：相較于傳統(tǒng)針板法測量方式,，所開發(fā)的微地貌測量裝置測量油菜直播機(jī)作業(yè)后的地表微地貌特征，獲得的廂面平整度特征參數(shù)高度均方根,、表面相關(guān)長度,、畦溝平均溝寬、溝寬穩(wěn)定性系數(shù),、平均溝深和溝深穩(wěn)定性系數(shù)誤差分別為4.01%,、4.81%、3.70%,、1.34%,、2.09%和2.89%。研究為油菜精量聯(lián)合直播機(jī)等機(jī)具農(nóng)田作業(yè)后廂面地表微地貌特征測量提供參考,。

摘要:針對噴霧機(jī)預(yù)混裝置預(yù)混時間長,、預(yù)混效果及均勻性參差不齊等植保作業(yè)中存在的實際問題,，基于現(xiàn)有噴霧機(jī)預(yù)混裝置,，結(jié)合田間作業(yè)過程中1000L噴霧機(jī)農(nóng)藥制劑使用量和預(yù)混藥液輸送需求，確定了預(yù)混藥箱,、預(yù)混噴頭,、上藥閥等關(guān)鍵部件的基礎(chǔ)參數(shù)。采用ANSYS-Fluent對不同液面高度時預(yù)混動態(tài)流場特性進(jìn)行分析,，得到預(yù)混藥箱內(nèi)流場的動態(tài)分布規(guī)律,；采用二次回歸正交旋轉(zhuǎn)中心組合優(yōu)化試驗方法，以預(yù)混噴頭工作壓力和空間位置參數(shù)為影響因素,，藥液均勻度變異系數(shù)為評價指標(biāo),，利用多島遺傳算法優(yōu)化獲得預(yù)混效果較好的參數(shù)組合：預(yù)混噴頭工作壓力0.3MPa、與底部平面距離200mm,、與背部垂直平面的距離70mm,。針對粉劑農(nóng)藥進(jìn)行場地試驗，結(jié)果表明：預(yù)混藥液均勻度變異系數(shù)為32.99%,；上藥閥在壓力0.2~0.5MPa下穩(wěn)定送藥,，無回流現(xiàn)象。

摘要:振動式采收是一種高效的林果機(jī)械化采收形式,。在現(xiàn)有的激振形式中，非圓周激勵可以使果樹產(chǎn)生有效的振動,，實現(xiàn)整體采收效果,。為進(jìn)一步提高果實的采收效率，針對非圓周激勵中不同類型旋輪線軌跡進(jìn)行深入研究,。通過SolidWorks,、ANSYS、ADAMS等軟件建立果樹柔性體模型,。將不同軌跡參數(shù)的旋輪線位移載荷導(dǎo)入ADAMS,，施加于果樹模型激振點。比較不同軌跡的旋輪線位移載荷下果樹模型的振動響應(yīng),，確定3支線1號外旋輪線軌跡E為最優(yōu)激振軌跡,。根據(jù)最優(yōu)激振軌跡，設(shè)計了由平面5R并聯(lián)機(jī)構(gòu)驅(qū)動的二自由度樹冠振動裝置,。以油茶樹為激振對象,，確定頻率6Hz、振幅90mm為激振參數(shù),，設(shè)計并搭建樣機(jī)進(jìn)行試驗,。試驗結(jié)果表明，7×7交錯分布的激振桿布局方式的激振效果最優(yōu),，該布局下樹冠平均合成加速度響應(yīng)為22.38m/s2,，激振加速度傳遞效率為77.63%，驗證了二維激振軌跡的有效性,。

摘要:為解決現(xiàn)有對置斜盤有機(jī)肥側(cè)拋裝置在拋撒時存在的近處肥料堆積與局部起壟問題，結(jié)合側(cè)拋裝置各部件作用及工作原理,，在理論分析的基礎(chǔ)上設(shè)計一種對稱螺旋葉片輔助輥輪,，并優(yōu)化其關(guān)鍵結(jié)構(gòu)參數(shù)和作業(yè)參數(shù)，明確了其與主拋撒部件圓盤的空間位置關(guān)系,。利用EDEM軟件先后開展了單因素與響應(yīng)面仿真試驗,，研究了輥輪轉(zhuǎn)速、螺旋角和葉片數(shù)對均勻度變異系數(shù)和1m內(nèi)肥料占比的影響,，優(yōu)化后得到了最優(yōu)參數(shù)組合,。仿真結(jié)果表明，輔助輥輪工作時的最優(yōu)參數(shù)組合為輥輪轉(zhuǎn)速2238r/min,、螺旋角42.70°,、葉片數(shù)4，均勻度變異系數(shù)24.45%,、1m內(nèi)肥料占比24.96%,，且以該參數(shù)組合進(jìn)行仿真的結(jié)果優(yōu)于原輥輪最優(yōu)參數(shù)仿真結(jié)果；設(shè)計的輔助輥輪樣機(jī)試驗結(jié)果為均勻度變異系數(shù)25.46%,、1m內(nèi)肥料占比25.65%,，相較于原輔助輥輪的46.77%與65.94%有了很大改善，配合主盤共同作用時拋撒均勻性好,，無堆積和起壟現(xiàn)象,。研究表明：對稱螺旋葉片可有效修正肥料顆粒運(yùn)動方向，使主盤集中的非受控肥料向兩側(cè)分散,，與主盤及其他輔助部件聯(lián)合作用下大幅提高了拋撒性能,。

摘要:旋翼懸浮式噴桿分別融合了地面機(jī)械和空中無人機(jī)的優(yōu)點,，可簡化復(fù)雜的桁架結(jié)構(gòu)并通過旋翼下壓風(fēng)場能減小霧滴飄移造成的二次污染,，具有較好的應(yīng)用前景。傳統(tǒng)的收放方式難以收放旋翼懸浮式噴桿,，為此提出了一種以正四邊形滾筒為主體的噴桿自動收放裝置,，建立了噴桿收放過程的D-H坐標(biāo)系和正運(yùn)動學(xué)模型，通過牛頓-歐拉法構(gòu)建了動力學(xué)模型,，并采用三次均勻B樣條曲線軌跡規(guī)劃獲取了噴桿收放最優(yōu)軌跡,。以噴桿收放的運(yùn)動時間、關(guān)節(jié)沖擊和能量消耗為多目標(biāo)函數(shù),，通過NSGA-Ⅱ算法求解Pareto解集,，選取解集中噴桿展開時間為56、61,、66,、71、76,、81s,，噴桿收卷時間為54、59,、64,、69、74,、79s軌跡進(jìn)行噴桿收放試驗,。試驗結(jié)果表明：噴桿運(yùn)動時間與噴桿角度標(biāo)準(zhǔn)差存在顯著性關(guān)系，運(yùn)動時間越短,，噴桿穩(wěn)定性越差,、關(guān)節(jié)沖擊越大、能量消耗越多,。取噴桿收放時間59,、61s對應(yīng)軌跡為噴桿收放最優(yōu)軌跡時，滾筒轉(zhuǎn)速與規(guī)劃轉(zhuǎn)速的平均跟蹤誤差不超過0.201(°)/s,，關(guān)節(jié)3,、4、5實際運(yùn)動角度與規(guī)劃角度的平均跟蹤誤差不超過6.201°,，噴桿能較好地跟蹤最優(yōu)軌跡完成收放,。該研究驗證了噴桿自動收放裝置的有效性和噴桿收放最優(yōu)軌跡的準(zhǔn)確性。

摘要:為解決去皮率低,、蒜仁易損傷等問題,，設(shè)計了一款組合式大蒜柔性去皮裝置。通過浮動搓擦單元分離蒜皮,，振動機(jī)構(gòu)完成輸送,，蒜瓣經(jīng)過浮動搓擦、振動梳刷及氣吹等組合作用完成柔性去皮,。結(jié)合大蒜的物理機(jī)械特性，設(shè)計了搓擦機(jī)構(gòu),、振動機(jī)構(gòu),、梳刷機(jī)構(gòu)、氣吹機(jī)構(gòu)等關(guān)鍵部件,；通過對蒜瓣在浮動搓擦單元和振動篩內(nèi)的動力學(xué)分析,，確定了影響去皮性能試驗的主要因素和取值范圍。以搓擦筒軸轉(zhuǎn)速,、梳刷間距和曲柄轉(zhuǎn)速為試驗因素,，以去皮率和損傷率為試驗指標(biāo)，進(jìn)行三因素三水平響應(yīng)面試驗,，求得搓擦筒軸轉(zhuǎn)速,、梳刷間距和曲柄轉(zhuǎn)速的最優(yōu)參數(shù)組合并進(jìn)行了試驗驗證。試驗結(jié)果表明最優(yōu)參數(shù)組合為：搓擦輥軸轉(zhuǎn)速70.73r/min,、振動頻率6.68Hz,、梳刷間隙18.00mm；最優(yōu)參數(shù)組合下,，蒜瓣去皮率為93.68%,、損傷率4.40%，試驗驗證結(jié)果與優(yōu)化結(jié)果相對誤差均小于5%,，滿足大蒜去皮要求,。

摘要:為提高裝置對大喂入量玉米脫出物的清選性能,，基于曲柄-雙搖桿設(shè)計了一種波浪篩機(jī)構(gòu)，通過多篩片組“下凹”與“近似展平”姿態(tài)的連續(xù)轉(zhuǎn)換,，實現(xiàn)了整個篩體的波浪式運(yùn)動,，通過理論分析確定了波浪篩結(jié)構(gòu)。采用CFD-DEM耦合仿真對波浪篩清選裝置內(nèi)氣固兩相運(yùn)動進(jìn)行了數(shù)值模擬，得出波浪篩清選裝置內(nèi)上部空間可形成一條高速氣流帶,，其有利于雜余吹散,，近篩層氣流速度沿波浪篩縱向呈先降低后升高趨勢，有利于配合篩片組的“下凹”與“近似展平”實現(xiàn)篩上物料運(yùn)移與暫時滯留,，在篩體波浪式運(yùn)動下篩上籽粒陸續(xù)完成撞篩,、滯留、拋起,、越篩,，此種篩分方式提高了籽粒的透篩效率。以清選裝置入口氣流速度,、篩體安裝傾角,、驅(qū)動軸轉(zhuǎn)速為試驗因素，以籽粒的清潔率和損失率為指標(biāo),，進(jìn)行了二次正交旋轉(zhuǎn)組合仿真試驗,，建立了各因素與指標(biāo)間的數(shù)學(xué)模型，優(yōu)化獲得了各參數(shù)的最優(yōu)組合為：清選裝置入口氣流速度為14.6m/s,，篩體安裝傾角為8.5°,，驅(qū)動軸轉(zhuǎn)速為240r/min。高速攝像臺架試驗結(jié)果表明：波浪篩上籽粒的實際運(yùn)動與仿真中籽粒運(yùn)動基本一致,，驗證了仿真結(jié)果的準(zhǔn)確性,；在玉米脫出物喂入量高達(dá)7kg/s時，波浪篩清選裝置籽粒的清潔率和損失率分別為99.12%和0.45%,，篩分21kg玉米脫出物時間為6.86s,，波浪篩機(jī)構(gòu)能夠滿足大喂入量玉米脫出物的清選要求。

摘要:為研究潛水貫流泵裝置葉片區(qū)壓力脈動特性,，采用動態(tài)壓力傳感器在模型泵裝置葉片前緣、中部和尾緣附近設(shè)置3個壓力監(jiān)測點,，對多個工況的壓力脈動進(jìn)行測量,。試驗結(jié)果表明，不同流量工況下,，葉頻及葉頻倍數(shù)是葉片區(qū)壓力脈動的主要頻率,，在大流量工況下，葉片前緣和尾緣處主頻為兩倍葉頻,，葉片中部為葉頻,，其余工況下各監(jiān)測點主頻均為葉頻,。空化對葉片前緣壓力脈動影響較為復(fù)雜,，大流量工況下臨界空化時主頻由兩倍葉頻變?yōu)橐槐度~頻,，達(dá)到深度空化時主頻幅值明顯減小，設(shè)計流量工況下空化使得諧波頻率上升,，頻域分布更廣,，小流量工況下主頻幅值隨空化的發(fā)展呈上升趨勢。葉片中部和尾緣主頻幅值表現(xiàn)出隨空化發(fā)展增大趨勢,。相同流量工況下,，壓力脈動強(qiáng)度從葉片中部、尾緣到前緣總體上呈減小趨勢,，且葉片區(qū)各監(jiān)測點壓力脈動強(qiáng)度隨流量增加總體呈下降趨勢,。

摘要:在水翼吸力面采用主動射流方法可以很好地控制繞水翼的空化流動,，減弱空化的發(fā)生和發(fā)展。為此,，基于主動控制方法,，采用密度修正的SST k-ω湍流模型和Zwart-Gerber-Belamri空化模型，數(shù)值研究射流參數(shù)對于繞NACA66（MOD）水翼云空化的流動特性影響規(guī)律,。根據(jù)正交設(shè)計方法,，在來流雷諾數(shù)Re為 5.07×105、攻角α為8°,、空化數(shù)σ為0.83工況下,，針對由不同射流參數(shù)組合而成的16組射流結(jié)構(gòu)，評估了射流位置,、射流角度和射流流量對繞水翼流場空化特性和水動力特性的影響,，并獲得最優(yōu)射流特征參數(shù)。結(jié)果表明,，射流位置對空化流動抑制影響最大,，而射流角度對水動力學(xué)性能影響最大。采用最佳射流特征參數(shù)將使水翼空化流場中的時均無量綱空穴面積降低46.57%,，時均升阻比提高5.59%,。此時，順來流方向的射流與向前緣發(fā)展的回射流碰撞并形成強(qiáng)烈的摻混,，消耗了回射流的動量,，從而阻礙了回射流繼續(xù)向水翼前緣移動，極大地削弱了附著型空化的失穩(wěn)脫落。

摘要:為進(jìn)一步提高陜西省關(guān)中平原冬小麥產(chǎn)量估測的精度,，利用集合卡爾曼濾波算法（EnKF）將CERES-Wheat模型模擬的0~20cm土壤含水率和葉面積指數(shù)（LAI）與遙感觀測的條件植被溫度指數(shù)（VTCI）和LAI進(jìn)行同化，同時利用交叉小波變換分析冬小麥各生育時期同化VTCI和LAI與產(chǎn)量之間的共振周期,，通過計算小波互相關(guān)度獲得各生育時期同化VTCI和LAI的權(quán)重,，進(jìn)而構(gòu)建基于加權(quán)VTCI和LAI的冬小麥單產(chǎn)估測模型。結(jié)果表明,，在樣點尺度,，經(jīng)過EnKF同化的VTCI和LAI能夠綜合表達(dá)模型模擬值和遙感觀測值的變化趨勢；在區(qū)域尺度,，無論是否同化,，經(jīng)過交叉小波變換的各生育時期VTCI和LAI分別與產(chǎn)量之間存在特定的共振周期，同時發(fā)現(xiàn),，同化有助于對關(guān)鍵生育時期的特征提?。幌噍^于未同化構(gòu)建的估產(chǎn)模型,，經(jīng)過同化構(gòu)建的估產(chǎn)模型的歸一化均方根誤差為13.23%,，決定系數(shù)為0.50，平均相對誤差為10.58%,，精度略有提升,，且估測產(chǎn)量的分布與統(tǒng)計產(chǎn)量的分布更為一致，因此認(rèn)為將同化與交叉小波相結(jié)合構(gòu)建的雙變量單產(chǎn)估測模型精度更高,，可為進(jìn)一步實現(xiàn)高精度的區(qū)域產(chǎn)量估測提供研究基礎(chǔ),。

摘要:植被覆蓋狀況及其響應(yīng)是當(dāng)前全球變化研究的重要議題，研究淮河流域植被覆蓋度（Fraction of vegetation coverage,，F(xiàn)VC）的時空變化趨勢,，對于揭示氣候過渡帶脆弱生態(tài)系統(tǒng)演化及驅(qū)動機(jī)制有重要意義。本文利用Google Earth Engine（GEE）平臺上的Landsat影像計算淮河流域的植被覆蓋度,，分析FVC時空變化特征,，并借助夜間燈光強(qiáng)度、氣溫,、降水量,、蒸散發(fā),、土壤和地形等數(shù)據(jù)，從年際尺度和空間尺度分析FVC的驅(qū)動因素,。結(jié)果表明：1987—2021年淮河流域FVC整體呈增加態(tài)勢,，F(xiàn)VC變化趨勢在空間上以穩(wěn)定和改善為主，面積占比分別為45.2%和39.7%,，改善區(qū)域集中在信陽,、駐馬店、南陽,、洛陽等地,，退化區(qū)域集中在南通、泰州,、鹽城,、臨沂、濰坊,、鄭州和阜陽等地,。在年際尺度，F(xiàn)VC變化與夜間燈光強(qiáng)度的顯著性高于氣溫和降水量,，淮北區(qū)域FVC增加趨勢不如淮南區(qū)域顯著,。在空間尺度，夜間燈光強(qiáng)度,、潛在蒸散發(fā),、降水量和地形是淮河流域FVC空間差異的主要影響因素,，夜間燈光數(shù)據(jù)表征的人類活動對FVC的影響最大,；夜間燈光數(shù)據(jù)對FVC變化的影響具有空間異質(zhì)性：正相關(guān)區(qū)域面積占比25.4%，主要為耕地和林地,；負(fù)相關(guān)區(qū)域面積占比14.7%,，主要為地級市乃至縣城的中心城區(qū)。人類活動和自然因素變化的共同作用是淮河流域近35年來植被變化的主要原因,，人類活動和自然因素對FVC變化的平均貢獻(xiàn)度分別為56.0%和44.0%,。研究成果可為我國綠色城鎮(zhèn)化道路及生態(tài)保護(hù)政策制定提供支撐。

摘要:芳樟（Cinnamomum camphora（Linn.）Presl）精油在林業(yè)經(jīng)濟(jì)發(fā)展中具有巨大市場潛力，多光譜遙感產(chǎn)量預(yù)測是高效反演芳樟精油產(chǎn)量的新方式,。本研究以矮林芳樟收獲期精油產(chǎn)量為研究對象,，利用無人機(jī)多光譜遙感技術(shù),，篩選敏感植被指數(shù)作為輸入變量，以地面同步觀測的精油產(chǎn)量作為輸出變量,，采用支持向量機(jī)（Support vector machine, SVM）,、隨機(jī)森林（Random forest, RF）和反向傳播神經(jīng)網(wǎng)絡(luò)（Back propagation neural network, BPNN）3種機(jī)器學(xué)習(xí)方法構(gòu)建矮林芳樟精油產(chǎn)量預(yù)測模型。結(jié)果表明,，修改型土壤調(diào)節(jié)植被指數(shù)（MSAVI）,、優(yōu)化土壤調(diào)節(jié)植被指數(shù)（OSAVI）、重歸一化植被指數(shù)（RDVI）,、土壤調(diào)整植被指數(shù)（SAVI）和非線性植被指數(shù)（NLI）對矮林芳樟精油產(chǎn)量呈現(xiàn)較高敏感性,，其相關(guān)系數(shù)R分別為0.7651、0.8131,、0.7711,、0.7794、0.8183,。SVM,、RF、BPNN 3種機(jī)器學(xué)習(xí)方法構(gòu)建的矮林芳樟精油產(chǎn)量預(yù)測模型訓(xùn)練集的決定系數(shù)R2分別為0.723,、0.853,、0.770，均方根誤差（RMSE）分別為11.649,、9.179,、10.484kg/hm2，平均相對誤差（MRE）分別為7.204%,、10.808%,、7.181%；驗證集的R2分別為0.688,、0.869,、0.732，RMSE分別為7.951,、5.809,、8.483kg/hm2，MRE分別為6.914%,、5.545%,、7.999%。經(jīng)過綜合比較,，以MSAVI,、OSAVI、RDVI,、SAVI,、NLI作為輸入數(shù)據(jù),，基于RF方法構(gòu)建的矮林芳樟精油產(chǎn)量預(yù)測模型，模擬結(jié)果精度最高,。研究可為提高基于無人機(jī)多光譜遙感的矮林芳樟葉片精油產(chǎn)量預(yù)測精度提供理論依據(jù),，為快速監(jiān)測大面積經(jīng)濟(jì)植物生長狀況提供技術(shù)支撐。

摘要:葉綠素是一種反映植物生長水平和健康狀況的重要生理生化指標(biāo)，為快速,、無損地大規(guī)模獲取柑橘冠層的葉綠素含量以精確指導(dǎo)果園管理,，利用多旋翼無人機(jī)搭載多光譜傳感器獲取多波段反射率數(shù)據(jù)，使用多光譜陰影指數(shù)對冠層陰影和土壤背景進(jìn)行剔除,，計算得到植被指數(shù)與紋理特征,，將地面實測的葉綠素含量作為驗證，綜合對比了全子集回歸,、偏最小二乘回歸和深層神經(jīng)網(wǎng)絡(luò)的反演精度以選取最優(yōu)模型,。結(jié)果表明，植被指數(shù)與葉綠素含量的相關(guān)性良好,；將僅使用植被指數(shù)與僅使用紋理特征的建模結(jié)果進(jìn)行對比,，僅使用紋理特征的模型在全子集回歸和偏最小二乘回歸的反演精度均有明顯提升；結(jié)合植被指數(shù)與紋理特征共同建模后,，全子集回歸和偏最小二乘回歸的反演精度相比僅使用紋理特征的模型均能獲得提升,；深層神經(jīng)網(wǎng)絡(luò)因其良好的非線性擬合能力，獲得了最高的反演精度,，R2,、MAE、RMSE分別為0.665,、7.69mg/m2,、9.49mg/m2,，成為本文最優(yōu)模型,。本研究利用無人機(jī)多光譜影像反演得到柑橘冠層葉綠素含量，為實現(xiàn)柑橘生長監(jiān)測提供指導(dǎo)作用,。

摘要:高溫干旱是影響作物生長及最終生產(chǎn)力的主要脅迫源,。當(dāng)前,，無人機(jī)遙感技術(shù)已在作物倒伏和病蟲害的分級監(jiān)測研究中取得重大進(jìn)展,，但有關(guān)利用無人機(jī)遙感進(jìn)行作物抗旱等級監(jiān)測的研究卻鮮有報道。因此,，以苧麻種質(zhì)資源為研究對象,，提出了苧麻抗旱性量化標(biāo)準(zhǔn)，并提供了一種利用無人機(jī)多光譜遙感鑒定苧麻種質(zhì)資源抗旱性的方法,。首先,，由專家對36份苧麻種質(zhì)資源進(jìn)行抗旱性分級；然后,，結(jié)合無人機(jī)多光譜遙感獲取的植被指數(shù),，采用隨機(jī)森林（Random forest，RF）,、支持向量機(jī)（Support vector machine,，SVM）、決策樹（Decision tree,，DT）3種機(jī)器學(xué)習(xí)方法分別構(gòu)建苧麻抗旱性鑒定模型,，并通過苧麻在高溫干旱脅迫下的表型響應(yīng)檢驗鑒定結(jié)果；最后,，基于無人機(jī)獲取的遙感表型,，篩選高溫干旱脅迫下優(yōu)質(zhì)苧麻種質(zhì)資源。結(jié)果表明,，利用SVM構(gòu)建的苧麻抗旱性鑒定模型正確率達(dá)到0.74,，不同抗旱級分類F1得分范圍為0.69~0.79，說明該方法能用于苧麻種質(zhì)資源抗旱性評估,。利用無人機(jī)遙感數(shù)據(jù)反演得到的3項苧麻表型性狀（葉綠素相對含量,、葉面積指數(shù)、株高）均與人工測量值具有較強(qiáng)的相關(guān)性,，在此基礎(chǔ)上,，研究從高溫干旱脅迫中篩選出了3個優(yōu)質(zhì)苧麻種質(zhì)資源PJ-CD、WS-XM,、湘苧7號,。

摘要:為提高果園噴霧機(jī)器人在果園行間行走的自主性和安全性,，提出一種基于三維激光雷達(dá)與優(yōu)化DBSCAN算法的果樹定位方法,。首先，采用三維激光雷達(dá)獲取果園的環(huán)境信息,，通過感興趣區(qū)域提取,、地面點云分割和體素濾波降采樣對原始點云數(shù)據(jù)進(jìn)行預(yù)處理,；然后，對DBSCAN算法進(jìn)行優(yōu)化,，構(gòu)建KD樹索引有序化實時點云數(shù)據(jù),，并使用KD樹最近鄰搜索替代傳統(tǒng)DBSCAN算法的遍歷搜索方式，最后根據(jù)數(shù)據(jù)點到激光雷達(dá)的距離自適應(yīng)確定聚類密度閾值,，實現(xiàn)行間不同距離的果樹檢測,；最后，以果樹聚類結(jié)果的冠層邊緣點為果樹的定位參考點,，得到果樹定位參考點的坐標(biāo),，計算果園噴霧機(jī)器人與果樹的相對位置。試驗結(jié)果表明：優(yōu)化的DBSCAN算法相較于傳統(tǒng)DBSCAN算法檢測的準(zhǔn)確性和實時性均有明顯提升,，果樹的橫向定位平均誤差為2.6%,，縱向定位平均誤差為1.6%。該方法能夠滿足果園噴霧機(jī)器人在行間果樹定位的準(zhǔn)確性和實時性要求,，為精準(zhǔn)農(nóng)業(yè)裝備在林果園環(huán)境下的自主導(dǎo)航和作業(yè)提供有效參考,。

摘要:為提高果園內(nèi)小型雙電機(jī)驅(qū)動履帶式割草機(jī)惡劣路面下路徑跟蹤精度，提出了一種基于虛擬雷達(dá)路徑感知和兩級深度神經(jīng)網(wǎng)絡(luò)的路徑跟蹤控制算法,。首先搭建了兩級串聯(lián)的人工深度神經(jīng)網(wǎng)絡(luò),，一級深度神經(jīng)網(wǎng)絡(luò)通過虛擬雷達(dá)路徑感知算法，計算得到履帶式割草機(jī)與目標(biāo)路徑的相對位置關(guān)系,。二級深度神經(jīng)網(wǎng)絡(luò)根據(jù)履帶式割草機(jī)跟蹤偏差,、航向角、橫向偏差影響因子,、折算履帶滑轉(zhuǎn)率以及履帶式割草機(jī)與目標(biāo)路徑的相對位置關(guān)系,，計算得到兩側(cè)驅(qū)動電機(jī)的控制轉(zhuǎn)速，實現(xiàn)路徑跟蹤控制,。在灌溉翻漿的果園路面,，開展了履帶式割草機(jī)U形路徑跟蹤實車試驗,，當(dāng)車速分別為0.4,、0.8m/s時，該算法路徑跟蹤的最大橫向偏差分別為0.064,、0.072m,，平均橫向偏差分別為0.026,、0.033m。與傳統(tǒng)的純追蹤控制算法相比,，最大橫向偏差分別減小31.18%,、20.88%，平均橫向偏差減小35.00%,、29.79%,。基于虛擬雷達(dá)和兩級深度神經(jīng)網(wǎng)絡(luò)的路徑跟蹤控制算法可有效提升履帶式割草機(jī)在惡劣路面下的路徑跟蹤精度,。

摘要:農(nóng)田障礙物檢測是農(nóng)機(jī)自動駕駛的前提,，針對毫米波雷達(dá)的農(nóng)田障礙物檢測,，本文提出一種無效目標(biāo)濾除的算法。首先對毫米波雷達(dá)所輸出的目標(biāo)信息進(jìn)行解析并提取農(nóng)田目標(biāo)障礙物信息,，然后使用無效目標(biāo)濾除算法對解析后的空目標(biāo),、偽目標(biāo)、非威脅數(shù)據(jù)進(jìn)行濾除,。對雷達(dá)數(shù)據(jù)中目標(biāo)距離為零的空目標(biāo)直接濾除,；對因雷達(dá)工作性能或回波信號不穩(wěn)定而產(chǎn)生的偽目標(biāo)通過雷達(dá)有效目標(biāo)生命周期法進(jìn)行過濾；對超出橫向距離閾值和縱向距離閾值的非威脅目標(biāo)直接濾除,。試驗結(jié)果表明,，所提算法在靜止?fàn)顟B(tài)，平均濾除率達(dá)到85%以上,。當(dāng)速度為3km/h時,，未作業(yè)狀態(tài)的平均濾除率為85.24%，旋耕為84.23%,；當(dāng)速度為5km/h時,，未作業(yè)為84.22%，旋耕為84.18%,；當(dāng)速度為7km/h時,，未作業(yè)為84.19%，旋耕為84.16%,。盡管在行駛狀態(tài)下,，隨著速度的提升或懸掛旋耕機(jī)，濾除率有一定的下降，但本文所提算法在各種狀態(tài)下的平均濾除率均可達(dá)到84%以上,。

摘要:針對無人機(jī)搭建可見光傳感器進(jìn)行茶葉長勢、病害等監(jiān)測中因飛行高度影響圖像分辨率的問題,，本文提出了一種改進(jìn)的殘差密集網(wǎng)絡(luò)（Residual dense network,，RDN）用于無人機(jī)茶葉圖像超分辨率重建。針對無人機(jī)茶葉圖像紋理復(fù)雜的特點,，以RDN為基線網(wǎng)絡(luò),，在其結(jié)構(gòu)中引入了殘差組（Residual group，RG）模塊,，將多個殘差通道注意力模塊（Residual channel attention block,，RCAB）組合在一起，通過引入注意力機(jī)制來區(qū)別對待不同的通道,，關(guān)注無人機(jī)茶葉圖像高頻細(xì)節(jié)信息,，從而提高網(wǎng)絡(luò)的表征能力；同時設(shè)計了一個卷積長跳躍結(jié)構(gòu),，利用帶有卷積的遠(yuǎn)程跳躍連接,，動態(tài)調(diào)整經(jīng)過殘差密集塊（Residual dense block，RDB）后特征的權(quán)重,，更好地利用無人機(jī)茶葉圖像的分層特征信息,，從而提升超分辨率重建圖像的質(zhì)量。實驗結(jié)果表明,，本文改進(jìn)的RDN網(wǎng)絡(luò)在無人機(jī)茶葉圖像測試集上相較于其他算法表現(xiàn)更優(yōu),，超分辨率重建后的圖像具有更高的峰值信噪比和結(jié)構(gòu)相似度，在4倍超分的情況下分別達(dá)到36.03dB和0.9132,，能夠為茶葉智能化監(jiān)測研究提供支持,。

摘要:水稻真菌病害主要依賴真菌孢子在空氣中進(jìn)行傳播,。然而各種水稻病害孢子的形態(tài)相近，傳統(tǒng)孢子捕捉儀和顯微圖像法難以對其進(jìn)行區(qū)分,。為了能夠準(zhǔn)確識別目標(biāo)病害孢子并進(jìn)行病害源定位,，提出了一種水稻病害孢子多光譜衍射識別與病害源定位方法,。為了解決傳統(tǒng)衍射方法無法識別形態(tài)相似的缺點，設(shè)計了一種大視場,、無透鏡的多光譜衍射成像傳感器,。通過分析病害孢子衍射指紋圖譜,，解析稻瘟病菌,、稻曲病菌孢子多光譜衍射成像特征規(guī)律。融合孢子的形態(tài)特征和吸收特性,，提出指紋分離強(qiáng)度和相對峰差兩個特征參數(shù),，建立孢子的多光譜衍射識別模型。通過仿真計算實驗分析孢子傳播規(guī)律,，耦合環(huán)境信息建立孢子傳播過程中的擴(kuò)散模型,。在無定向風(fēng)及有定向風(fēng)條件下分析孢子的空間分布情況，提出病害爆發(fā)源迭代質(zhì)心定位算法,。實驗結(jié)果表明,，本文方法對水稻病害孢子的識別率達(dá)到98.5%，對無定向風(fēng)條件下的定位誤差最低為4.9%,，對有定向風(fēng)條件下的定位誤差最低為7.1%,。

摘要:針對甘蔗葉片早期輪斑病與銹病發(fā)病癥狀相似,，難以區(qū)分，導(dǎo)致在實際生產(chǎn)中不便對癥施藥的問題,，以甘蔗早期輪斑病和銹病葉片為研究對象,，探究利用高光譜成像技術(shù)來識別甘蔗葉片早期輪斑病與銹病的可行性。首先,，利用高光譜成像系統(tǒng)在406~1014nm光譜范圍內(nèi)采集甘蔗健康葉片,、早期輪斑病葉片和銹病葉片的高光譜圖像，提取圖像的感興趣區(qū)域(Region of interest, ROI)并計算其平均光譜作為原始光譜數(shù)據(jù),，采用一階導(dǎo)數(shù)(First derivative, FD),、Savitzky-Golay卷積平滑(Savitzky-Golay convolutional smoothing, SG)和標(biāo)準(zhǔn)正態(tài)變換(Standard normal variate, SNV)分別對原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。然后,，在預(yù)處理的基礎(chǔ)上采用主成分分析(Principal component analysis, PCA)算法,、蟻群優(yōu)化(Ant colony optimization, ACO)算法進(jìn)行特征降維，并將降維后的特征作為后期建模的輸入變量,。最后,，結(jié)合降維和不降維2種方式使用支持向量機(jī)(SVM)和隨機(jī)森林(RF)進(jìn)行識別,。為了確定最優(yōu)的識別模型，對不同的預(yù)處理方法,、降維方法和分類器共18個組合模型進(jìn)行了試驗,。經(jīng)對比發(fā)現(xiàn)，SG-SVM識別模型效果最佳,，測試集準(zhǔn)確率為99.65%,。試驗結(jié)果表明，利用高光譜成像技術(shù)進(jìn)行甘蔗葉片早期輪斑病和銹病的識別可行且有效,，可為植保無人機(jī)超低空遙感病害監(jiān)測提供參考,。

摘要:針對卷積神經(jīng)網(wǎng)絡(luò)模型巨大的參數(shù)量和計算量導(dǎo)致其實際應(yīng)用時難度較大的問題,，提出了一種基于注意力機(jī)制與動態(tài)稀疏約束的模型壓縮方法。該算法首先借助SENet（Squeeze and excitation networks,，SENet）模塊（可稱為SE模塊）評估出網(wǎng)絡(luò)中各個通道的重要性,，并施加稀疏正則化；然后提出一種網(wǎng)絡(luò)稀疏度的自適應(yīng)懲罰權(quán)重設(shè)計方法,，根據(jù)模型學(xué)習(xí)效果,，動態(tài)調(diào)整權(quán)重，將其添加到最終的訓(xùn)練目標(biāo)上,，實現(xiàn)模型動態(tài)壓縮,。最后，通過實驗驗證所提出的模型壓縮方法,，在經(jīng)典的多分類數(shù)據(jù)集CIFAR-10上進(jìn)行實驗,，證明了本文所提出的基于注意力機(jī)制與動態(tài)稀疏約束的模型壓縮方法可降低網(wǎng)絡(luò)的冗余度，使網(wǎng)絡(luò)模型參數(shù)量減少43.97%,，計算量減少82.94%,，而分類準(zhǔn)確率只比原始VGG16模型下降0.04個百分點。隨后又將提出的模型壓縮方法應(yīng)用到雜草檢測任務(wù)中,，在甜菜與雜草數(shù)據(jù)集上進(jìn)行實驗,，實驗結(jié)果表明，剪枝模型相較于未剪枝模型的模型參數(shù)量減少41.26%,，計算量減少45.77%,，而平均檢測精度均值只減少0.91個百分點，證明了該方法在雜草檢測方面效果較好,。

摘要:為了解決果園因農(nóng)藥過量使用導(dǎo)致的環(huán)境污染與農(nóng)藥浪費(fèi)問題，提出了一種基于改進(jìn)YOLACT的果樹葉墻區(qū)域（Leaf wall area,，LWA）實時檢測方法,，用于計算深度-彩色雙目相機(jī)采集視頻中的葉墻區(qū)域距離及密度，為果園農(nóng)藥智慧噴施作業(yè)中農(nóng)藥噴灑劑量與噴灑距離的實時調(diào)整提供依據(jù),。首先,，使用ConvNeXt主干網(wǎng)絡(luò)改進(jìn)了YOLACT模型，并引入NAM通道注意力機(jī)制對模型進(jìn)行了優(yōu)化,；其次,，提出了基于深度學(xué)習(xí)的果樹葉墻密度檢測方法,；最后,，通過閾值法排除深度圖像中的干擾信息，簡化了果樹葉墻平均距離計算方法的處理流程,。實驗結(jié)果表明,，改進(jìn)YOLACT模型分割的APall為91.6%，相較于原始模型上升3.0個百分點,，與YOLACT++,、Mask R-CNN和QueryInst模型相比分別高2.9、1.2,、4.1個百分點,；葉墻密度估計算法在葉墻頂部、中部和底部的均方根誤差（Root mean square error,，RMSE）分別為1.49%,、0.82%、2.20%,；葉墻區(qū)域?qū)崟r檢測方法的處理速度可達(dá)29.96f/s,。

摘要:田間害蟲圖像數(shù)據(jù)采集困難,，并且傳統(tǒng)的檢測模型大多使用復(fù)雜的特征金字塔（Feature pyramid network，F(xiàn)PN）結(jié)構(gòu)提升精度,，這在一定程度上影響了檢測的實時性,。為此，本研究通過設(shè)計誘蟲燈裝置構(gòu)建害蟲數(shù)據(jù)集FieldPest5,，并且對無FPN結(jié)構(gòu)的檢測器YOLOF進(jìn)行改進(jìn),，提出兼顧檢測精度和效率的害蟲檢測模型YOLOF_PD,。首先，增加Cutout數(shù)據(jù)增強(qiáng)方法緩解害蟲圖像中的遮擋問題,，并且使用CIoU損失函數(shù)獲得更好的框回歸位置,；其次，在原有坐標(biāo)注意力機(jī)制（Coordinate attention,，CA）的全局平均池化（Global average pooling,，GAP）路徑中增加全局最大池化（Global max pooling，GMP）路徑,，并且使用可學(xué)習(xí)參數(shù)自適應(yīng)更新不同路徑的權(quán)重,，提出自適應(yīng)坐標(biāo)注意力機(jī)制（Adaptive coordinate attention，ACA）,，增強(qiáng)模型的信息表征能力,；最后，對YOLOF膨脹編碼器中的Projector和Residual模塊進(jìn)行改進(jìn),，在Projector模塊的3×3卷積后引入ACA注意力機(jī)制,，在Residual模塊中融合3×3的深度可分離卷積和1×1的逐點卷積，提出Dilated_Dwise_ACA編碼器,，提高YOLOF對小尺度害蟲的檢測性能,。實驗結(jié)果表明：改進(jìn)后的YOLOF_PD模型在FieldPest5測試集上的平均精度均值（Mean average precision，mAP）為 93.7%,，較改進(jìn)前提升2.1個百分點,，并且檢測時圖像傳輸速率為42.4f/s，能夠滿足害蟲快速檢測的要求,。對比Cascade R-CNN,、RetinaNet、ATSS等模型,，YOLOF_PD模型在檢測效果和檢測速度方面均取得了良好性能,。

摘要:針對傳統(tǒng)蘋果葉部病害分類方法精準(zhǔn)性差,、效率低等問題，提出了一種基于改進(jìn)ResNet18的蘋果葉部病害多分類算法,。通過在原始ResNet18網(wǎng)絡(luò)的基礎(chǔ)上增加通道與空間注意力機(jī)制分支,，強(qiáng)化網(wǎng)絡(luò)對葉部病害區(qū)域的特征提取能力，提高病害的識別精度和實時性,。為更好地引導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)到零散分布的病害斑點的特征,，引入特征圖隨機(jī)裁剪分支,，不僅實現(xiàn)有限樣本空間的擴(kuò)充，還進(jìn)一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),，提高訓(xùn)練速度,。試驗以蘋果5類常見的葉部病害（黑星病、黑腐病,、雪松銹病,、灰斑病、白粉?。橹饕芯繉ο?，并與主流分類算法模型進(jìn)行對比。試驗結(jié)果表明,，所提ResNet18-CBAM-RC1模型病害分類準(zhǔn)確率可達(dá)98.25%,，高于ResNet18(93.19%)和VGG16(96.13%)，能夠有效提取葉片病害特征,，增強(qiáng)對多類病害的識別,，提高識別準(zhǔn)確率,。此外,，模型內(nèi)存占用量僅為37.44MB，單幅圖像推理時間為9.11ms,，可滿足嵌入式設(shè)備上果園病害識別的實時性要求,。

摘要:針對two-stage網(wǎng)絡(luò)模型訓(xùn)練成本高,，無人機(jī)搭載的邊緣計算設(shè)備檢測速度低等問題，提出一種基于改進(jìn)YOLO v4模型的受災(zāi)樹木實時檢測方法,，以提高對落葉松毛蟲蟲害樹木的識別精度與檢測速度,。以黑龍江省大興安嶺地區(qū)呼瑪縣白銀納鄉(xiāng)受落葉松毛蟲侵害的落葉松無人機(jī)圖像為數(shù)據(jù)，利用LabelImg軟件標(biāo)注75~100m的無人機(jī)圖像,，構(gòu)建落葉松毛蟲蟲害樹木圖像數(shù)據(jù)集,。將CSPNet應(yīng)用于YOLO v4模型的Neck架構(gòu)，重新設(shè)計Backbone的特征提取網(wǎng)絡(luò)——CSPDarknet53模型結(jié)構(gòu),，并在CSPNet進(jìn)行優(yōu)化計算前的卷積中加入SENet以增加感受野信息,，使其改變網(wǎng)絡(luò)的深度、寬度,、分辨率及網(wǎng)絡(luò)結(jié)構(gòu),，實現(xiàn)模型縮放，提高檢測精度,。同時,，在PANet中使用CSPConvs卷積代替原有卷積Conv×5,，最后經(jīng)過YOLO Head檢測輸出預(yù)測結(jié)果。將YOLO v4-CSP網(wǎng)絡(luò)模型部署至GPU進(jìn)行訓(xùn)練,，訓(xùn)練過程的內(nèi)存降低至改進(jìn)前的82.7%,。再搭載至工作站進(jìn)行測試，結(jié)果表明：改進(jìn)的YOLO v4-CSP網(wǎng)絡(luò)模型在測試階段對蟲害樹木檢測的正確率為97.50%,，相比于YOLO v4的平均正確率提高3.4個百分點,，模型精度接近目前主流two-stage框架Faster R-CNN的98.75%；將改進(jìn)的YOLO v4-CSP網(wǎng)絡(luò)模型搭載至Jetson nano邊緣計算設(shè)備,，檢測速度達(dá)到4.17f/s,，高于YOLO v4模型的1.72f/s?；赮OLO v4-CSP的檢測模型可實現(xiàn)對受災(zāi)樹木檢測速度與精度的平衡,，降低模型的應(yīng)用成本，搭載至無人機(jī)可實現(xiàn)對森林蟲害的實時監(jiān)測,。

摘要:正確識別西蘭花田間位置是實現(xiàn)西蘭花自動化采收的基礎(chǔ)，西蘭花花球顏色與植株的葉片,、莖稈相似,，僅通過顏色特征無法對西蘭花進(jìn)行識別,本文以成熟期的田間西蘭花為研究對象，提出了一種基于紋理特征與顏色特征的西蘭花識別算法,。首先通過預(yù)處理以及Laws濾波對圖像進(jìn)行邊界紋理強(qiáng)化,，再通過Gabor濾波對圖像進(jìn)行紋理特征向量提取，并對提取后的紋理特征向量進(jìn)行z-score標(biāo)準(zhǔn)化,，隨后對標(biāo)準(zhǔn)化后的紋理特征向量進(jìn)行K-means聚類與開運(yùn)算,，獲取花球潛在存在區(qū)域。同時對RGB圖像進(jìn)行HSV轉(zhuǎn)換,，通過對圖像的H分量進(jìn)行閾值分割達(dá)到濾除地面像素的效果,。最終對紋理特征識別與顏色特征識別的結(jié)果進(jìn)行融合，實現(xiàn)對田間西蘭花的識別,。算法通過結(jié)合紋理與顏色特征,，對田間西蘭花進(jìn)行了識別，解決了西蘭花的花球與莖葉等背景顏色相近難以識別的問題,。本文共使用792幅圖像進(jìn)行試驗,，試驗結(jié)果表明，本方法可以準(zhǔn)確地對西蘭花田間圖像進(jìn)行識別，其精確率為96.96%,，召回率為94.41%,，F(xiàn)1值為95.67%。通過對3組不同拍攝環(huán)境的數(shù)據(jù)集進(jìn)行算法識別,，3組數(shù)據(jù)集的F1值始終保持在94%以上,，具有良好的拍攝環(huán)境適應(yīng)性，為農(nóng)業(yè)機(jī)器人進(jìn)行西蘭花自動化采收奠定了基礎(chǔ),。

摘要:目前豬群圖像檢測均為基于水平框的目標(biāo)檢測算法,，對于圖像中豬體粘連和相互遮擋情況檢測率較低，針對圖像中的豬只長寬比例較大和可能發(fā)生任意角度旋轉(zhuǎn)的特點,，提出了一種基于雙擴(kuò)張層和旋轉(zhuǎn)框定位的群豬目標(biāo)檢測算法(Dual dilated layer and rotary box location network, DR-Net),。采集3個豬場的群豬圖像，利用數(shù)據(jù)增強(qiáng)保留9600幅圖像制作數(shù)據(jù)集,；基于膨脹卷積搭建提取圖像全局信息的雙擴(kuò)張層,，借鑒Res2Net模塊改進(jìn)CSP層融合多尺度特征，豬只目標(biāo)以旋轉(zhuǎn)框定位并采用五參數(shù)表示法在模型訓(xùn)練中利用Gaussian Wasserstein distance計算旋轉(zhuǎn)框的回歸損失,。試驗結(jié)果表明,，DR-Net對豬只目標(biāo)識別的精確率、召回率,、平均精確率,、MAE、RMSE分別為 98.57%,、97.27%、96.94%,、0.21,、0.54，其檢測效果優(yōu)于YOLO v5,，提高了遮擋與粘連場景下的識別精度和計數(shù)精度,。利用可視化特征圖分析算法在遮擋和粘連場景下能夠利用豬只頭頸部、背部或尾部特征準(zhǔn)確定位目標(biāo),。該研究有助于智能化豬場建設(shè),，可為后續(xù)豬只行為識別研究提供參考。

摘要:為準(zhǔn)確高效地實現(xiàn)無接觸式奶山羊個體識別,，以圈養(yǎng)環(huán)境下奶山羊面部圖像為研究對象,，提出一種基于改進(jìn)YOLO v5s的奶山羊個體識別方法。首先,，從網(wǎng)絡(luò)上隨機(jī)采集350幅羊臉圖像構(gòu)成羊臉面部檢測數(shù)據(jù)集,，使用遷移學(xué)習(xí)思想預(yù)訓(xùn)練YOLO v5s模型，使其能夠檢測羊臉位置,。其次,，構(gòu)建包含31頭奶山羊3844幅不同生長期的面部圖像數(shù)據(jù)集，基于預(yù)訓(xùn)練的YOLO v5s,，在特征提取層中引入SimAM注意力模塊,，增強(qiáng)模型的學(xué)習(xí)能力，并在特征融合層引入CARAFE上采樣模塊以更好地恢復(fù)面部細(xì)節(jié),，提升模型對奶山羊個體面部的識別精度,。實驗結(jié)果表明，改進(jìn)YOLO v5s模型平均精度均值為97.41%,，比Faster R-CNN,、SSD、YOLO v4模型分別提高6.33,、8.22,、15.95個百分點，比YOLO v5s模型高2.21個百分點,，改進(jìn)模型檢測速度為56.00f/s,，模型內(nèi)存占用量為14.45MB。本文方法能夠準(zhǔn)確識別具有相似面部特征的奶山羊個體,，為智慧養(yǎng)殖中的家畜個體識別提供了一種方法支持,。

摘要:針對奶牛產(chǎn)犢過程中自動化監(jiān)測和預(yù)報設(shè)備缺乏的問題,，設(shè)計了基于翹尾特征的奶牛產(chǎn)犢預(yù)報設(shè)備,。設(shè)備包括記錄待產(chǎn)奶牛尾部加速度數(shù)據(jù)采集節(jié)點，數(shù)據(jù)上傳無線組網(wǎng)和云端數(shù)據(jù)存儲平臺,，并開發(fā)了基于機(jī)器學(xué)習(xí)模型的產(chǎn)犢預(yù)報算法,，實現(xiàn)了奶牛產(chǎn)犢的自動預(yù)報。尾部數(shù)據(jù)采集節(jié)點采用STM32L151CBT6A單片機(jī)控制ICM42605傳感器實現(xiàn)加速度數(shù)據(jù)采集,，在完成數(shù)據(jù)整理與本地存儲后,，通過LoRa網(wǎng)絡(luò)將數(shù)據(jù)上傳至網(wǎng)關(guān)。網(wǎng)關(guān)通過WiFi網(wǎng)絡(luò)，按照MQTT協(xié)議將數(shù)據(jù)傳輸至騰訊云物聯(lián)網(wǎng)開發(fā)平臺,，并將數(shù)據(jù)同步存儲在騰訊云數(shù)據(jù)庫中,。在算法開發(fā)試驗中，本文基于25頭奶牛產(chǎn)犢前的尾部加速度數(shù)據(jù),，開發(fā)了基于Man-Kendall趨勢檢驗和基于集成學(xué)習(xí)思想的多SVM產(chǎn)犢預(yù)報模型,，完成算法性能驗證后，將開發(fā)好的模型部署在騰訊云服務(wù)器,。驗證試驗表明：牛尾節(jié)點測量的加速度信號與振動傳感器校準(zhǔn)儀設(shè)定的輸出信號相關(guān)性良好(r=0.938,，P＜0.01)，節(jié)點監(jiān)測模塊可連續(xù)工作24d,，無線傳輸網(wǎng)絡(luò)最大丟包率為1.3%,，滿足應(yīng)用需求。設(shè)備進(jìn)行部署后,，完成了11頭奶牛產(chǎn)犢過程的監(jiān)測,，結(jié)果表明設(shè)備對9頭牛(81.82%)在產(chǎn)前12h內(nèi)成功進(jìn)行了預(yù)報。本文設(shè)計的基于翹尾特征的奶牛產(chǎn)犢預(yù)報設(shè)備可以應(yīng)用于實際的奶牛產(chǎn)犢過程監(jiān)測和預(yù)報,。

摘要:肉鴿行為表現(xiàn)與鴿舍環(huán)境舒適度和肉鴿健康狀況密切相關(guān),。為實現(xiàn)肉鴿行為精準(zhǔn)檢測,、及時掌握肉鴿健康狀況，提出了基于改進(jìn)YOLO v4模型的肉鴿行為檢測方法,。由于肉鴿社交等行為特征相似性程度高,，為了在復(fù)雜環(huán)境下準(zhǔn)確識別肉鴿行為，本文采用自適應(yīng)空間特征融合（Adaptively spatial feature fusion,，ASFF）模塊改進(jìn)YOLO v4模型,，在特征金字塔網(wǎng)絡(luò)中增加ASFF模塊，根據(jù)特征權(quán)值自適應(yīng)融合多層特征,，充分利用不同尺度特征信息，并且ASFF模塊能有效過濾空間沖突信息,、抑制反向梯度不一致問題,、改善特征比例不變性以及降低推理開銷?；诙鄷r段的肉鴿清潔和社交行為數(shù)據(jù)集,，自制5類肉鴿行為圖像數(shù)據(jù)庫，采用OpenCV工具進(jìn)行模糊、亮度,、水霧和噪聲等處理擴(kuò)充圖像數(shù)據(jù)集（共10320幅圖像）,，增加數(shù)據(jù)多樣性和模擬不同識別場景，提升模型泛化能力,。本文按照比例8∶2劃分訓(xùn)練集和驗證集,，訓(xùn)練總共迭代300個周期，對不同時段,、角度,、尺寸的肉鴿數(shù)據(jù)集進(jìn)行檢測。檢測結(jié)果表明,，在閾值0.50和0.75時YOLO v4-ASFF檢測精度比YOLO v4的mAP50和mAP75提高14.73,、14.97個百分點。對比Faster R-CNN,、SSD,、YOLO v3、YOLO v5和CenterNet模型驗證本文模型檢測性能,，在測試集中mAP50分別提高13.98,、14.00、18.63,、14.16,、10.87個百分點。視頻檢測速度為8.1f/s,，在推理速度相當(dāng)情況下,，本文改進(jìn)模型識別準(zhǔn)確率更高，復(fù)雜環(huán)境泛化能力更強(qiáng),，且對相似度高的行為誤檢和漏檢情況更少,，可為智能化肉鴿養(yǎng)殖和科學(xué)管理提供技術(shù)參考。

摘要:葉片濕潤時間是植物病害模型的重要輸入變量之一,，它與許多葉部病原菌的侵染有關(guān)，影響病原侵染和發(fā)育速率,。葉片濕潤傳感器可以實現(xiàn)對其實時,、自動化監(jiān)測，而由于葉片濕潤時間受到環(huán)境和植物交互效應(yīng)的影響,，需要在灌溉環(huán)境下的柑橘園中進(jìn)行校準(zhǔn),。以生長季的柑橘為試驗材料研究校準(zhǔn)方法,。葉片濕潤傳感器角度為30°，采用移液槍向傳感器滴水和使用灌溉設(shè)施向傳感器噴灌2種方法來確定傳感器的干濕閾值,；比較了柑橘冠層不同位置的傳感器監(jiān)測效果,，并研究了有雨和無雨條件下對傳感器監(jiān)測效果的影響，最后通過神經(jīng)網(wǎng)絡(luò)模型驗證閾值的合理性,。結(jié)果表明：葉片濕潤傳感器在灌溉環(huán)境下干濕閾值為270mV,，此時傳感器的監(jiān)測效果最好，誤差在2h以內(nèi),，通過與神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果對比,，證實此閾值下傳感器監(jiān)測效果良好；位于柑橘冠層底部位置的傳感器監(jiān)測準(zhǔn)確率最高,，可達(dá)0.95,；傳感器在無雨條件下監(jiān)測效果優(yōu)于有雨條件。該葉片濕潤傳感器校準(zhǔn)方法可以用于灌溉柑橘園葉片濕潤時間監(jiān)測,，符合柑橘病害預(yù)警系統(tǒng)的要求,。

摘要:為探尋不同水氮管理模式對黑土稻田碳固定與碳減排效應(yīng)的影響,，進(jìn)行了田間試驗研究。設(shè)置常規(guī)淹灌(F)與控制灌溉(C)兩種灌溉模式,，選用110kg/hm2(N),、99kg/hm2(N1,減氮10%)、88kg/hm2(N2,，減氮20%)3種施氮量,，測定了6種水氮管理模式下的水稻土壤呼吸CO2排放強(qiáng)度和CH4排放強(qiáng)度，水稻收獲后各器官干物質(zhì)量,、碳含量及固碳量,，并計算了凈土壤碳收支情況。結(jié)果表明,，不同水氮管理模式下,，各處理土壤呼吸CO2排放量呈現(xiàn)單峰值變化，并在分蘗期達(dá)到峰值,；各處理甲烷排放量呈現(xiàn)雙峰值變化且在分蘗期與穗肥施入后達(dá)到峰值,。相同灌溉方式下，隨著施氮量的減少,，土壤呼吸CO2排放強(qiáng)度與甲烷排放強(qiáng)度也顯著減少(P<0.05),。相同施氮量下，控制灌溉相比常規(guī)淹灌有效地降低了甲烷排放強(qiáng)度,，但提高了土壤呼吸CO2排放強(qiáng)度,。不同水氮管理模式下，水稻收獲后總固碳量為319.37~489.00g/m2,，水稻收獲后各器官固碳量由小到大依次為葉,、根、莖,、穗,，分別為植株總固碳量的5.16%~6.72%、5.71%~10.78%,、28.62%~36.66%,、49.53%~58.70%?？刂乒喔认噍^常規(guī)淹灌有效提高了植株固碳能力,。在不同水氮管理模式下，水稻的凈初級生產(chǎn)力(NPP)與總初級生產(chǎn)力(GPP)均在減氮量10%處理達(dá)到最高,，相同灌溉方式下,，隨著施氮量的增大均呈現(xiàn)先增大后減小的變化趨勢；相同施氮量下,，控制灌溉下NPP,、GPP均高于常規(guī)淹灌?？刂乒喔认啾瘸Ｒ?guī)淹灌具有更高的生產(chǎn)潛力,。除CN處理凈土壤碳收支數(shù)值呈負(fù)值外其余處理均為正值，即除CN處理外其余處理均為土壤凈碳增益效果,，相同施氮量常規(guī)淹灌下土壤凈碳增益高于控制灌溉,，但差異不顯著(P>0.05)；隨著施氮量的減少相同灌溉制度下各處理土壤碳收支呈先增大后減小的變化趨勢,。綜合考慮,，CN1處理可以在保證較高生產(chǎn)能力下提高土壤固碳能力，減少土壤碳損失與稻田溫室氣體排放,。

摘要:干法厭氧發(fā)酵是提高農(nóng)業(yè)農(nóng)村廢棄物處理效率及資源高效循環(huán)的重要技術(shù)之一,。先前圍繞該技術(shù)產(chǎn)甲烷效率低,、傳質(zhì)傳熱不均勻等問題,，提出了微好氧同步預(yù)升溫干發(fā)酵技術(shù)，設(shè)計了配套裝備,，開展了小試和中試試驗,，產(chǎn)甲烷效率得到改善。為進(jìn)一步提高放大裝備的實際應(yīng)用質(zhì)量,，在對發(fā)酵裝置密封,、進(jìn)出料、噴淋循環(huán)系統(tǒng)等關(guān)鍵部件優(yōu)化的基礎(chǔ)上,，探明了最優(yōu)曝氣量及實際應(yīng)用中微好氧預(yù)升溫階段物質(zhì)轉(zhuǎn)化特性,，揭示了微生物生態(tài)網(wǎng)絡(luò)關(guān)系，評價了實際運(yùn)行效果,。結(jié)果表明：對關(guān)鍵部件的優(yōu)化顯著提升裝備運(yùn)行穩(wěn)定性,，微好氧同步預(yù)升溫階段最優(yōu)曝氣量為10L/min，容積產(chǎn)氣率達(dá)到1.20m3/(m3·d),。物料在第40小時升溫至42℃,，曝氣組各層物料溫度較未曝氣組均提高45.54%、32.46%和52.06%,。同步預(yù)升溫促進(jìn)了物料各層纖維素和半纖維素的降解,，提高了酸化效率，有機(jī)酸質(zhì)量濃度分別提高59.83%,、50.69%和20.85%,，物料產(chǎn)氣潛力提高34.9%。探明了微生物網(wǎng)絡(luò)關(guān)系以及與發(fā)酵環(huán)境因子變化的相關(guān)性,，發(fā)現(xiàn)微好氧預(yù)升溫階段具有協(xié)同作用的功能微生物SBR1031,、Synergistales和Gaiellales，豐度提高57.67%,、15.88%和68.59%,。

摘要:設(shè)計并制備了一種基于噴墨打印的納米銀/單壁碳納米管柔性電導(dǎo)率傳感芯片,。通過交流阻抗法對傳感芯片進(jìn)行建模標(biāo)定，系統(tǒng)測試了該傳感芯片的響應(yīng)時間,、穩(wěn)定性,、重復(fù)性、彎折及封裝影響等性能,，并與商用EC電極進(jìn)行了性能對比,，驗證了該柔性芯片在無土栽培生菜營養(yǎng)液EC在線監(jiān)測中的可行性,。試驗結(jié)果表明，叉指柔性EC芯片的電導(dǎo)率測定范圍為25.8~3098μS/cm,，標(biāo)準(zhǔn)電導(dǎo)率溶液的測定相對誤差小于8.02%,，芯片響應(yīng)時間為10s，12h測定數(shù)據(jù)漂移小于3.91μS/(cm·h),，穩(wěn)定性和重復(fù)性與商用EC電極相當(dāng)，0°~90°范圍內(nèi)彎折,、PDMS封裝對其性能無影響,。水培生菜EC監(jiān)測中，柔性EC傳感芯片可準(zhǔn)確獲取營養(yǎng)液EC波動,，檢測結(jié)果與商用EC電極的最大絕對誤差小于46μS/cm,，最大相對誤差小于3.2%，兩種傳感器測量結(jié)果均方根誤差為28.29μS/cm,。自制柔性電導(dǎo)率傳感芯片與商用EC電極的性能相近,，具有微小且可彎折等獨特農(nóng)業(yè)應(yīng)用優(yōu)勢。

摘要:不同種屬動物源肉骨粉的快速鑒別分析技術(shù)是加強(qiáng)飼料監(jiān)管,、防范瘋牛病傳播的重要保障,。為了探索使用顯微X射線計算機(jī)斷層成像技術(shù)（Micro-computed tomography, Micro-CT）快速鑒別分析不同種屬動物源肉骨粉的可行性，本研究以制備的哺乳動物源牛骨顆粒和非哺乳動物源雞骨顆粒各100個作為樣品集,，以不同相對位置雞,、牛骨顆粒以及雞骨顆粒中牛骨顆粒質(zhì)量分?jǐn)?shù)約0.97%分別制備驗證集，使用Bruker Skyscan 1275 Micro-CT對所有樣品進(jìn)行掃描和圖像重構(gòu)（管電壓80kV,、管電流125μA,，圖像分辨率10μm，重構(gòu)灰度圖像灰度階為0~255,，對應(yīng)X射線吸收系數(shù)為0~0.035）,；提取不同骨顆粒樣品的感興趣區(qū)域進(jìn)行圖像分割，并結(jié)合PLS-DA和SVM-DA機(jī)器學(xué)習(xí)算法分別構(gòu)建雞和牛骨顆粒分割模型,。研究結(jié)果表明,，雞、牛骨顆粒圖像分割感興趣區(qū)域灰度區(qū)間為165~255,，基于PLS-DA和SVM-DA模型的雞,、牛骨顆粒鑒別交互驗證總準(zhǔn)確率均為94%,，驗證集樣品的Micro-CT三維原位可視化表征結(jié)果經(jīng)驗證與樣品實際結(jié)果一致。結(jié)果表明,，Micro-CT結(jié)合PLS-DA和SVM-DA機(jī)器學(xué)習(xí)算法進(jìn)行哺乳和非哺乳動物源骨顆粒的鑒別分析是可行的,。本研究為不同種屬動物源飼料的快速、無損鑒別提供了新的三維原位可視化表征手段,。

摘要:顏色是紅葡萄酒重要的感官特征和質(zhì)量評價指標(biāo),，花色苷是紅葡萄酒呈色、穩(wěn)定和營養(yǎng)功能的重要物質(zhì)基礎(chǔ),。既往研究極少探討外源添加天然色素對紅葡萄酒顏色質(zhì)量和花色苷的影響,。選取赤霞珠干紅葡萄酒為研究對象，于酒精發(fā)酵前和發(fā)酵后分別添加天然色素Ⅰ和天然色素Ⅱ 2種色素,，并以添加黃岑苷,、綠原酸和沒食子酸3種多酚為對照，探究對葡萄酒顏色特征,、花色苷種類與含量的影響,。結(jié)果發(fā)現(xiàn)：在發(fā)酵前添加天然色素Ⅰ和Ⅱ使得酒體顏色加深、紅色色調(diào)加強(qiáng),、花色苷含量增加,。在發(fā)酵后添加以上多酚對葡萄酒顏色和花色苷的影響弱于發(fā)酵前添加，但添加天然色素Ⅰ仍然有利于花色苷含量的保持,，只是效果弱于發(fā)酵前添加,。其余多酚物質(zhì)處理對供試酒樣顏色品質(zhì)影響較小。研究結(jié)果表明發(fā)酵前添加多酚物質(zhì)更有利于紅葡萄酒顏色品質(zhì)的提升和穩(wěn)定,、花色苷含量的保持和穩(wěn)定,，天然色素Ⅰ是相對最優(yōu)質(zhì)的輔色劑。

摘要:針對現(xiàn)有夾心海苔生產(chǎn)采用單張海苔片逐張加工導(dǎo)致兩張海苔片難以準(zhǔn)確對齊,、夾心料浪費(fèi)嚴(yán)重、生產(chǎn)效率低等問題,，提出一種采用熱壓粘合將單張海苔片粘合成帶狀海苔片的加工方法,，對這種海苔片熱壓粘合工藝進(jìn)行試驗研究及參數(shù)優(yōu)化。首先研究了熱壓溫度、熱壓時間和酒精體積分?jǐn)?shù)對粘合后海苔片韌性和粘附力的影響,；然后通過二次回歸正交試驗及響應(yīng)面分析,，研究了各因素對評價指標(biāo)的影響規(guī)律并建立了各影響因素與評價指標(biāo)間的數(shù)學(xué)模型；最后通過對數(shù)學(xué)模型的求解,，進(jìn)行了海苔片熱壓粘合工藝參數(shù)優(yōu)化,，并對優(yōu)化結(jié)果進(jìn)行了試驗驗證。結(jié)果表明,，熱壓溫度,、熱壓時間和酒精體積分?jǐn)?shù)均對海苔片的韌性和粘附力有極顯著的影響（P<0.01），隨著熱壓溫度的升高,，海苔片韌性降低,，粘附力增大；增長熱壓時間,，粘附力增大，但韌性呈現(xiàn)先降后升的趨勢,；隨著酒精體積分?jǐn)?shù)的增加,，海苔片韌性逐漸降低，粘附力先升高后降低,。優(yōu)化結(jié)果表明,，熱壓粘合的最佳參數(shù)組合為：熱壓溫度208.39℃、熱壓時間2.91s,、酒精體積分?jǐn)?shù)61.52%,，此時海苔片韌性可達(dá)8.86N·mm，粘附力為1.36N,。驗證試驗顯示,，試驗結(jié)果與優(yōu)化結(jié)果基本一致，說明所建參數(shù)優(yōu)化模型可靠,，優(yōu)化后的參數(shù)滿足海苔片的加工要求,。

摘要:面向全供應(yīng)鏈環(huán)節(jié)建立的農(nóng)產(chǎn)品區(qū)塊鏈溯源系統(tǒng),，追溯鏈中存儲面向多個追溯主體的追溯數(shù)據(jù)，由于各主體追溯數(shù)據(jù)的差異化,，跨供應(yīng)鏈環(huán)節(jié)的數(shù)據(jù)難以實現(xiàn)共享和訪問控制,，敏感數(shù)據(jù)無法差異化保護(hù)和驗證，風(fēng)險數(shù)據(jù)不能針對性監(jiān)管。因此,，面向不同追溯主體的追溯數(shù)據(jù)并不適合由同一條區(qū)塊鏈賬本存儲,。通過分析果蔬全供應(yīng)鏈各追溯主體的需求，建立了面向追溯主體的區(qū)塊鏈多鏈追溯架構(gòu),，利用溯源鏈實現(xiàn)消費(fèi)者的溯源需求,，通過共享鏈實現(xiàn)上下游企業(yè)間的數(shù)據(jù)流轉(zhuǎn)，基于隱私鏈實現(xiàn)企業(yè)隱私數(shù)據(jù)的安全保護(hù)與授權(quán)共享,，利用監(jiān)管鏈實現(xiàn)監(jiān)管部門對所有環(huán)節(jié)風(fēng)險數(shù)據(jù)的管控,。本文基于Hyperledger Fabric設(shè)計面向追溯主體的果蔬供應(yīng)鏈區(qū)塊鏈模型并實現(xiàn)了主體鏈果蔬溯源系統(tǒng)，測試結(jié)果表明,，溯源鏈中追溯數(shù)據(jù)平均查詢時間為38.86ms,，獲取共享鏈中已驗證的共享數(shù)據(jù)平均耗時806.80ms，獲取隱私鏈中已驗證的隱私數(shù)據(jù)平均耗時910.35ms,，獲取監(jiān)管鏈中已驗證的監(jiān)管數(shù)據(jù)平均耗時675.90ms,。面向追溯主體建鏈的追溯系統(tǒng)在滿足消費(fèi)者需求的基礎(chǔ)上，實現(xiàn)了供應(yīng)鏈各環(huán)節(jié)追溯數(shù)據(jù)的數(shù)據(jù)共享與控制訪問,，解決了異構(gòu)數(shù)據(jù)的存儲保護(hù)和驗證問題,，滿足了風(fēng)險追溯數(shù)據(jù)針對性的監(jiān)管需求，為果蔬區(qū)塊鏈溯源模型設(shè)計提供了參考和借鑒,。

摘要:以雙電機(jī)獨立電驅(qū)動增程式電動拖拉機(jī)旋耕機(jī)組為對象,，提出一種適用于旋耕作業(yè)的雙輸入變量后向建模方法,，即在模型中將行駛速度和動力輸出軸旋耕轉(zhuǎn)矩作為輸入量，設(shè)計了雙電機(jī)獨立驅(qū)動增程式電動拖拉機(jī)動力系統(tǒng)能量管理模型,。針對旋耕作業(yè)特性,，提出一種基于實測數(shù)據(jù)與經(jīng)驗公式相結(jié)合的設(shè)計方法，建立了旋耕工況周期模型,?；趧討B(tài)規(guī)劃算法，分別對其進(jìn)行旋耕作業(yè)仿真試驗和臺架試驗,，結(jié)果表明：仿真試驗結(jié)果與臺架試驗結(jié)果吻合度較高,，能量管理模型能夠很好地描述增程式電動拖拉機(jī)在給定旋耕工況下各電機(jī)功率、發(fā)電機(jī)組功率和動力電池組荷電狀態(tài)的變化情況,，且仿真試驗和臺架試驗中燃油消耗量分別為4065.5g和3994.7g,，其相對誤差為1.77%，驗證了建立的增程式電動拖拉機(jī)旋耕機(jī)組能量管理模型的合理性和準(zhǔn)確性,。

摘要:針對車輛自身加工、裝配誤差及輪胎側(cè)滑等因素導(dǎo)致理論轉(zhuǎn)向運(yùn)動模型與實際轉(zhuǎn)向運(yùn)動模型不一致的情況,，基于最小二乘法對車輛進(jìn)行了轉(zhuǎn)向運(yùn)動模型辨識,，得到了不同設(shè)定線速度下的轉(zhuǎn)向運(yùn)動模型。同時,，為解決常規(guī)純追蹤算法計算得出的部分控制量無法使車輛轉(zhuǎn)向系統(tǒng)作出響應(yīng),，造成路徑跟蹤精度下降問題，提出了一種考慮橫向偏差和橫偏角的兩階段純追蹤算法,，并針對兩個階段的切換提出了設(shè)置過渡區(qū)滯后切換策略,。模擬環(huán)境S形路徑跟蹤實驗表明，在行駛速度為0.6m/s時,，固定前視距離的純追蹤算法平均橫向偏差為0.5238m,，兩階段純追蹤算法為0.3616m，其跟蹤精度提高30.9%,，較固定前視距離的純追蹤算法具有更好的路徑跟蹤性能,。采用滯后切換策略將兩階段的切換跳變率從2.18%減至1.16%，抑制效果提升46.8%,。

摘要:提出一種具有運(yùn)動分岔特性的并聯(lián)機(jī)構(gòu),，利用螺旋理論分析了其自由度和運(yùn)動分岔特性，結(jié)果表明當(dāng)機(jī)構(gòu)處于運(yùn)動分岔點時,，動平臺擁有5個自由度,，通過驅(qū)使不同驅(qū)動副，機(jī)構(gòu)可以演變成具有不同運(yùn)動分岔特性的構(gòu)型,，包括三移動一轉(zhuǎn)動,，兩移動兩轉(zhuǎn)動。為實現(xiàn)兩種構(gòu)型合理切換,，采用剛化驅(qū)動的方法,，選取合理的驅(qū)動副。分析并聯(lián)機(jī)構(gòu)在不同構(gòu)型下的運(yùn)動學(xué)正反解,，得出在兩種構(gòu)型下運(yùn)動反解方程與正解方程的解析解,，機(jī)構(gòu)具有較好的運(yùn)動解耦性，利用ADAMS驗證了運(yùn)動正反解的正確性。通過雅可比矩陣分析了機(jī)構(gòu)的奇異位形,，結(jié)果表明在合理的工作范圍下兩種運(yùn)動模式均沒有奇異位形,。繪制了機(jī)構(gòu)的工作空間?；谶\(yùn)動/力傳遞性能方法分析了機(jī)構(gòu)性能指標(biāo),，得到了工作空間內(nèi)的性能分布圖，結(jié)果顯示兩種構(gòu)型都具有較好的運(yùn)動/力傳遞特性,，優(yōu)質(zhì)工作空間大,。