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:丘陵山區(qū)先進適用農(nóng)機裝備的研發(fā)是目前國內(nèi)農(nóng)機裝備研究的熱點和難點問題之一,。目前，我國丘陵山區(qū)農(nóng)業(yè)生產(chǎn)存在“無機可用,，無好機用”的現(xiàn)實問題,，并且先進適用丘陵山地農(nóng)機裝備（簡稱山地農(nóng)業(yè)裝備）的研發(fā)缺乏必要的理論支撐。本文重點綜述了國內(nèi)外山地農(nóng)業(yè)裝備尤其是山地拖拉機及山地農(nóng)機調(diào)平技術(shù),、山地拖拉機驅(qū)動與動力系統(tǒng),、山地農(nóng)機具及其作業(yè)性能的研究現(xiàn)狀，闡述了農(nóng)機土壤壓實與坡地土壤耕作侵蝕的研究進展,，總結(jié)歸納了山地農(nóng)機設(shè)計及山地農(nóng)機-土壤互作機理研究的計算機輔助方法,。展望丘陵山地農(nóng)機裝備及坡地作業(yè)技術(shù)的研究重點及發(fā)展方向：山地農(nóng)機-坡地土壤-作物（養(yǎng)分）互作機理研究；山地農(nóng)機總體設(shè)計與農(nóng)藝及坡地作業(yè)場景深度融合,；山地農(nóng)機姿態(tài)調(diào)平機構(gòu)與控制策略,；山地農(nóng)機動力高效傳遞與靈便轉(zhuǎn)向驅(qū)動；山地農(nóng)機作業(yè)機組的智能化監(jiān)測與精確自主導航,。以期為我國丘陵山區(qū)農(nóng)機裝備的研發(fā)設(shè)計提供借鑒參考,。

摘要:針對稻麥收獲無人作業(yè)的需求，提出了一種使用激光雷達檢測稻麥收獲邊界的算法,，并連接無人控制系統(tǒng)實現(xiàn)收獲邊界的自動對齊,。該算法首先對采集的收獲輪廓點云劃定感興趣角度范圍，根據(jù)雷達的安裝高度和位置將測量數(shù)據(jù)由極坐標轉(zhuǎn)換為三維直角坐標,，融合陀螺儀測量的激光雷達安裝姿態(tài)數(shù)據(jù)對測量點云進行校正,；通過中值濾波和Z向閾值濾波將點云中的噪點和非稻麥輪廓點濾除；對比了K-means聚類和Z向中心差分法檢測稻麥收獲邊界的精度,，并進行了誤差分析,；開發(fā)了感知系統(tǒng)并制定了感知與控制的CAN通信協(xié)議，采用預(yù)瞄點追蹤方法對實時檢測的邊界點進行對齊控制,；分析研究了稻麥收獲邊界自動對齊精度檢測方法,。2022年6月在北京小湯山國家精準農(nóng)業(yè)示范基地進行了收獲邊界檢測與自動對齊控制系統(tǒng)試驗，分別采用數(shù)據(jù)標注和GPS打點的方式進行了數(shù)據(jù)采集與分析,，試驗結(jié)果表明,，基于K-means聚類的收獲邊界檢測橫向偏差平均值為22.24cm，基于Z向中心差分法的收獲邊界檢測橫向偏差平均值為1.48cm,，Z向中心差分法的收獲邊界檢測優(yōu)于基于K-means聚類的檢測方法,，故采用Z向中心差分法進行自動對齊控制試驗，整體控制系統(tǒng)自動對齊橫向偏差平均值為9.18cm,，標準差為2.48cm,，該系統(tǒng)可用于稻麥收獲無人作業(yè)。

摘要:為減少果園機器人在定位與建圖過程中產(chǎn)生的累積漂移誤差,，本文提出一種基于密度二進制模式（Density binary pattern，DBP）描述子的激光回環(huán)檢測算法,。算法將點云空間分割為二進制單元塊,，提取包含點云高度與密度信息的全局描述子DBP。針對復雜果園的大尺度,、高度相似,、非結(jié)構(gòu)化特性，基于兩階段搜索算法實現(xiàn)高效回環(huán)檢測,?；跉v史幀DBP的環(huán)因子檢索K近鄰候選幀，確認與當前幀DBP描述子最相似的候選幀為最終目標回環(huán)索引,。在具有多個回環(huán)事件的復雜果園場景中,，DBP-LeGO-LOAM算法軌跡的均方根誤差與標準差分別為0.24m與0.09m,，相對LeGO-LOAM中基于距離的回環(huán)檢測算法分別減少81%與91%。實驗證明,，本文方法對多回環(huán)復雜果園環(huán)境具有更好的適應(yīng)性,，為提高果園機器人建圖與定位精度提供了有效解決方案。

摘要:為降低人工打頂?shù)膭趧訌姸龋瑴p少化學打頂?shù)沫h(huán)境污染,，改善“一刀切”式打頂機構(gòu)的過打頂情況,，通過分析手工打頂過程，設(shè)計了一種雙圓盤式打頂機構(gòu),，并基于機器視覺,，設(shè)計打頂裝置單行樣機，實現(xiàn)棉花打頂?shù)娜套詣踊刂?。該裝置主要由打頂機構(gòu),、視覺檢測機構(gòu)、運動機構(gòu)和棉花頂尖識別及控制系統(tǒng)組成,?；诿尢镎{(diào)研、結(jié)構(gòu)計算和預(yù)試驗,，確定了打頂裝置的整體結(jié)構(gòu)和關(guān)鍵部件尺寸,。結(jié)合視覺識別研究基礎(chǔ)與實際應(yīng)用，選用YOLO v3算法搭建棉花頂尖識別及控制系統(tǒng),，實現(xiàn)棉花頂尖的識別定位,，完成打頂機構(gòu)的運動控制。以打頂期棉花為研究對象,，進行棉花頂尖識別試驗,、打頂機構(gòu)性能試驗和田間試驗,，結(jié)果表明：棉花頂尖識別試驗平均識別率為93%,；打頂機構(gòu)性能試驗平均打頂率為94.67%,；田間試驗平均識別率為85.33%,，平均打頂率為78.22%。研究結(jié)果可為棉花精準化與智能化打頂?shù)难芯刻峁﹨⒖肌?/p>

摘要:針對長江中下游油菜適播期持續(xù)干旱或降雨導致土壤含水率波動大影響油菜成苗的實際情況,，探究油菜農(nóng)機農(nóng)藝融合模式,，提出一種旋耕碎土、兩側(cè)開畦溝,、廂面旋切微壟,、微壟表面播種的油菜微壟直播工藝，設(shè)計一種油菜直播機旋切式微壟種床制備裝置,。根據(jù)油菜直播株行距配置,、根系生長特點，結(jié)合壟作土壤水熱特性,，確定微壟幾何尺寸,；基于運動學解析腹板端點旋切土壤的運動規(guī)律和腹板滾動包絡(luò)線，從結(jié)構(gòu)角度定性分析被動旋轉(zhuǎn)過程并確定回轉(zhuǎn)半徑,、腹板數(shù)量,、腹板頂角范圍；利用DEM-MBD耦合仿真,，進行單因素試驗和正交旋轉(zhuǎn)回歸試驗,，從土壤角度定量研究了腹板數(shù)量、腹板頂角,、旋切深度,、前進速度對微壟成形的影響規(guī)律，并得到裝置腹板數(shù)量分別為6和8的較優(yōu)工作參數(shù)組合,；田間試驗使用Trimble TX8三維激光掃描儀重構(gòu)裝置作業(yè)后微壟廂面,，與仿真結(jié)果進行對比分析。結(jié)果表明,，腹板數(shù)量分別為6和8時較優(yōu)工作參數(shù)組合為：腹板頂角,、旋切深度、有效溝深分別為28.00°,、100mm,、83.59mm和26.50°、92mm,、64.26mm,，田間試驗微壟溝深和微壟距平均值為103.08、85.16mm和332.92,、266.88mm,，與仿真結(jié)果最大誤差為8.25%，微壟合格率分別為100%和90%。

摘要:針對現(xiàn)有氣吸式排種器在進行花生高速播種作業(yè)時重播,、漏播現(xiàn)象嚴重等問題,，設(shè)計了一款驅(qū)導組合槽輔助附種氣吸式高速精量排種器，在設(shè)計排種盤時將攪種凹槽,、取種槽口,、吸種型孔組合設(shè)計構(gòu)成組合槽，實現(xiàn)擾種,、驅(qū)種,、輔助附種作用，保證高速作業(yè)時的排種性能,。通過理論建模分析驗證了排種盤結(jié)構(gòu)設(shè)計的合理性并初步完成了關(guān)鍵參數(shù)的確定,，借助離散元仿真軟件對種群運移情況受關(guān)鍵參數(shù)的影響規(guī)律進行了分析，并進行了二因素五水平二次正交旋轉(zhuǎn)組合試驗,，對結(jié)構(gòu)參數(shù)進一步優(yōu)化,；得出攪種凹槽、取種槽口尺寸及作業(yè)速度均會對排種性能造成顯著影響,，并得出最優(yōu)排種器參數(shù)組合：攪種凹槽深度3mm,、基圓半徑70mm；取種槽口左右端面上沿距離24.0mm,、下沿距離19.1mm,、深度10.5mm、排種盤外周到取種槽口后端面距離24.0mm,。在該參數(shù)組合下,，當風壓為-6kPa、作業(yè)速度為6~12km/h時,，粒距合格指數(shù)不小于93.33%,，重播指數(shù)不大于3.52%，漏播指數(shù)不大于4.02%,，破損指數(shù)不大于0.32%,，具有良好的作業(yè)性能。

摘要:蔬菜移栽機在膜上移栽時,，只能在較小的范圍內(nèi)調(diào)整株距，以保證較小栽植穴口,，株距過大會造成栽植器前移撕膜,，過小會導致栽植器后移帶膜，形成較大穴口,，影響幼苗后期生長,，為此設(shè)計一套栽植靜軌跡無級可調(diào)的往復式鴨嘴栽植裝置,。在分析栽植裝置結(jié)構(gòu)特點,、工作過程及調(diào)整構(gòu)件尺寸參數(shù)和安裝參數(shù)以實現(xiàn)不同株距較小穴口栽植原理的基礎(chǔ)上，提出了一套栽植靜軌跡無級可調(diào)的栽植機構(gòu)及其栽植方法,。通過建立機構(gòu)的運動學模型,，開發(fā)了可視化輔助設(shè)計軟件，分析了各參數(shù)對栽植特性的影響,，使用逐步逼近法確定了一組滿足要求的參數(shù)：L1=35mm,、L2=350mm、L3=70mm,、L5=280mm,、dD=358mm、Φ4=15°,、xB=20mm,，標定了株距每間隔50mm對應(yīng)的支點B縱坐標yB的位置。根據(jù)機構(gòu)參數(shù)組合設(shè)計了鴨嘴栽植裝置并建立了三維模型,，進行了運動學仿真,，驗證了鴨嘴栽植裝置結(jié)構(gòu)設(shè)計的可行性。開展了實驗室樣機試驗,，試驗結(jié)果表明：栽植株距在100~600mm之間,，栽植合格率大于90%，株距變異系數(shù)小于6%,，穴口長度均小于100mm,，其中株距100mm時平均穴口長度為52.26mm，栽植效果良好,，可以滿足不同株距小穴口的栽植要求,。

摘要:溫室穴盤缽苗成苗后需要從穴盤移植到培養(yǎng)槽孔，但因人工作業(yè)效率低,，限制了其規(guī)?；a(chǎn)。為實現(xiàn)高效,、高質(zhì)量自動化移栽作業(yè),，本文設(shè)計一種用于溫室穴盤缽苗高速取、放苗移栽作業(yè)的爪片插入式成排移植手部件,，分析取苗作業(yè)過程移植手的受力及取放苗過程移植手的變形,，結(jié)合ADAMS剛?cè)狁詈戏抡嬖囼為_展植苗手優(yōu)化設(shè)計，確定爪片尖點擬合曲線及移植手抓取穴盤缽苗的運行軌跡,。以移植手取苗深度,、基質(zhì)含水率、升降速度和水平橫移速度為試驗因素,，開展成排移植手部件取,、放苗正交試驗，并確定最佳參數(shù)組合,。結(jié)果表明,，當取苗深度48mm、基質(zhì)含水率69.9%,、升降速度0.24m/s和水平橫移速度0.35m/s時,，取放苗成功率為97.9%，效率10322株/h,，滿足高速,、高效移栽要求。該研究為溫室穴盤缽苗高速移栽部件的國產(chǎn)化開發(fā)提供參考,。

摘要:針對目前牧草收獲,、粉碎加工設(shè)備輸送和切割等機構(gòu)研究過程中離散元仿真缺乏準確模型的問題，以含水率高,、物理力學特性較為復雜的苜?，F(xiàn)蕾期莖稈為研究對象，借助EDEM仿真軟件,，分別基于Hertz-Mindlin(no slip)和Hertz-Mindlin with bonding接觸模型對物理參數(shù)和粘結(jié)參數(shù)進行標定,。以休止角和剪切試驗為基礎(chǔ),，通過Plackett-Burman試驗、Steepest ascent試驗和Box-Behnken試驗確定了苜蓿莖稈的泊松比,、剪切模量,、碰撞恢復系數(shù)、靜摩擦因數(shù),、滾動摩擦因數(shù)等物理參數(shù)和法向接觸剛度,、切向接觸剛度、臨界法向應(yīng)力,、臨界切向應(yīng)力,、粘結(jié)半徑等粘結(jié)參數(shù)。以確定的物理參數(shù)進行休止角仿真試驗,，結(jié)果表明,，仿真休止角與物理試驗休止角相對誤差為0.52%；以確定的粘結(jié)參數(shù)進行剪切仿真試驗,，結(jié)果表明,，仿真剪切破壞力與物理試驗仿真破壞力相對誤差為0.86%,，說明所標定的參數(shù)能夠真實反映苜?，F(xiàn)蕾期莖稈的物理和力學特性。

摘要:針對現(xiàn)有棉稈收獲機械拔斷率、漏拔率高,，作業(yè)時需對行等問題,，設(shè)計了一種夾持輥式棉稈拔取裝置。該裝置主要由棉稈拔取機構(gòu),、棉稈輸送機構(gòu)組成,，通過對棉稈拔取機構(gòu)作業(yè)過程進行運動學與動力學分析確定了各零部件的結(jié)構(gòu)參數(shù)與工作參數(shù)。為了驗證棉稈拔取裝置工作的可靠性與作業(yè)性能,，以機具前進速度,、上拔稈輥轉(zhuǎn)速、機具前進速度與撥稈輪線速度比值（簡稱速比）作為試驗因素,，棉稈拔斷率,、漏拔率為試驗指標進行了三因素三水平二次回歸響應(yīng)面試驗，建立了回歸模型,，分析了各因素對棉稈拔取裝置作業(yè)性能的影響,，并進行了參數(shù)優(yōu)化與試驗驗證,。試驗結(jié)果表明：影響棉稈拔斷率的因素主次順序為上拔稈輥轉(zhuǎn)速、機具前進速度,、速比,；影響棉稈漏拔率的因素主次順序為速比、機具前進速度,、上拔稈輥轉(zhuǎn)速,。優(yōu)化后的工作參數(shù)為：機具前進速度0.60m/s、上拔稈輥轉(zhuǎn)速46r/min,、速比0.50,，以此參數(shù)組合進行田間試驗，得到棉稈拔斷率為3.68%,，漏拔率為5.19%,，與理論優(yōu)化值相對誤差不超過5%，研究結(jié)果可為棉稈拔取裝置的設(shè)計提供參考

摘要:針對與油菜薹機械化收獲中的切割,、夾持輸送、打捆等關(guān)鍵環(huán)節(jié)密切相關(guān)的油菜薹莖稈離散元仿真模型缺乏準確粘結(jié)參數(shù)的問題,，以“油蔬兩用”雙低型油菜收獲期油菜薹機械化夾持段莖稈為研究對象,，利用EDEM仿真軟件提出三軸空間坐標法構(gòu)建油菜薹夾持中段莖稈雙層粘結(jié)離散元仿真模型。采用Design-Expert軟件依次設(shè)計了Plackett-Burman試驗,、最陡爬坡試驗和Box-Behnken試驗,，完成油菜薹夾持中段莖稈仿真粘結(jié)參數(shù)標定。利用標定的參數(shù)優(yōu)化解構(gòu)建剪切和徑向壓縮模型進行相應(yīng)仿真試驗,，通過與物理試驗對比分析,，對模型參數(shù)進一步優(yōu)化。結(jié)果表明,，內(nèi)芯-內(nèi)芯的法向/切向接觸剛度,、表皮-內(nèi)芯法向/切向接觸剛度，以及表皮-表皮法向接觸剛度對莖稈力學性能影響顯著,，分別為1.94×107,、9.56×108、6.28×109N/m,；所有力學模型的仿真值與實測值相對誤差不大于3%,，且莖稈受力變化趨勢基本一致，表明標定優(yōu)化后的參數(shù)具有可行性和準確性,。所構(gòu)建的油菜薹莖稈雙層粘結(jié)離散元模型能表征其內(nèi)部結(jié)構(gòu)的力學特性差異,，可為油菜薹莖稈相關(guān)系統(tǒng)的數(shù)值模擬研究提供模型基礎(chǔ),。

摘要:為提高離散元法對指導香蕉秸稈粉碎還田裝備設(shè)計與優(yōu)化的準確性與可靠性,，本文利用Hertz-Mindlin with bonding接觸模型建立香蕉秸稈離散元粘結(jié)模型并進行參數(shù)標定,。運用高速攝影技術(shù)開展碰撞恢復試驗、靜摩擦及滾動摩擦臺架試驗,，確定了香蕉秸稈碰撞恢復系數(shù),、靜摩擦因數(shù)和滾動摩擦因數(shù)等基本離散元模型接觸參數(shù)。開展香蕉秸稈物理與仿真剪切試驗,，獲得破壞香蕉秸稈外皮的力學特征曲線,，確定物理最大剪切力為122.41N；通過中心組合設(shè)計（Central composite design, CCD）響應(yīng)面法確定香蕉秸稈粘結(jié)模型的法向接觸剛度,、切向接觸剛度,、臨界法向應(yīng)力與臨界切向應(yīng)力的最佳參數(shù)組合為5.89×107N/m、2.49×106N/m,、1.39×105Pa,、1.34×105Pa。以參數(shù)標定結(jié)果進行仿真驗證,，結(jié)果表明,，仿真剪切力結(jié)果與物理剪切力相對誤差僅為2.34%，驗證了該粘結(jié)參數(shù)標定方法的可行性,，可為香蕉秸稈粉碎還田機設(shè)計與研究提供理論參考。

摘要:針對名優(yōu)茶選擇性采摘時，因茶葉附壁導致收集成功率低的問題,，根據(jù)一芽二葉的物理參數(shù)設(shè)計了一種螺紋管吸附式茶葉采收器,。通過預(yù)試驗得到了影響茶葉收集成功率的因素：負壓、螺紋線數(shù)和螺紋導程的參數(shù)范圍,；采用Fluent仿真和Box-Behnken響應(yīng)面分析法,，研究各因素對茶葉收集成功率的影響。試驗結(jié)果表明：3個因素改變管內(nèi)近壁面處的空氣切向速度,；各因素對收集成功率的影響顯著性主次排序為: 負壓,、螺紋導程,、螺紋線數(shù)；以茶葉收集成功率為優(yōu)化目標對各參數(shù)進行優(yōu)化并對優(yōu)化后的參數(shù)取整,，得到參數(shù)為：負壓H=120Pa,、螺紋線數(shù)N=9、螺紋導程S=95mm,。以優(yōu)化后的參數(shù)進行吸附式收集試驗,，結(jié)果表明收集成功率為98%，即優(yōu)化后收集成功率相較于優(yōu)化前提高26個百分點,，試驗值與預(yù)測值的相對誤差小于5%,，優(yōu)化模型結(jié)果可靠。

摘要:針對目前玉米籽粒直收機籽粒損失檢測系統(tǒng)缺乏檢測夾帶損失技術(shù)的問題，設(shè)計了基于嵌入式單片機的玉米籽粒直收機夾帶損失檢測系統(tǒng),。該檢測系統(tǒng)包括損失檢測傳感器,、數(shù)據(jù)采集器和數(shù)據(jù)顯示終端，可以同時監(jiān)測收獲機的清選損失和夾帶損失,，實時反饋收獲機的收獲損失速率以及損失量,。通過模態(tài)仿真軟件對不同材料、不同厚度的監(jiān)測板進行有限元分析,，選擇厚0.5mm的不銹鋼板作為監(jiān)測板,；運用Multisim對濾波器性能進行仿真分析；設(shè)計基于STM32系列單片機的自適應(yīng)限時濾波算法,，可以有效抑制谷物撞擊引起的的余振干擾,。在試驗臺架上，對不同大小的玉米籽粒,、雜余以及玉米穗進行標定試驗,，獲取信號特征；經(jīng)裝機試驗表明,，玉米籽粒夾帶損失檢測結(jié)果最大誤差為9.96%,，平均誤差約為6.52%，損失速率變化趨勢反饋及時,，能夠輔助工作人員進行作業(yè)決策,。

摘要:聯(lián)合收獲機知識庫系統(tǒng)使用SQL Server數(shù)據(jù)庫，數(shù)據(jù)庫中的眾多數(shù)據(jù)表具有獨立性,，便于構(gòu)建和管理,。但當知識庫數(shù)據(jù)量達到一定規(guī)模后，對數(shù)據(jù)表逐一查詢不具有可操作性,，將全部數(shù)據(jù)表融合又會導致數(shù)據(jù)結(jié)構(gòu)混亂,、內(nèi)容表述不清、技術(shù)無法實現(xiàn),。針對這一問題,，提出聯(lián)合收獲機知識庫數(shù)據(jù)多表聯(lián)合查詢方法。從多角度劃分數(shù)據(jù)表類型,，分析聯(lián)合收獲機知識庫數(shù)據(jù)存儲結(jié)構(gòu),，設(shè)置多表聯(lián)合數(shù)據(jù)管理范圍；應(yīng)用SQL（Structured query language）語言將多表信息融合為數(shù)據(jù)集并存入臨時表中,，實現(xiàn)多表聯(lián)合運行,；利用人機交互界面將用戶查詢需求轉(zhuǎn)換成多表聯(lián)合查詢語句，生成查詢結(jié)果,，實現(xiàn)多表近似范圍查詢和多表精確定位查詢,。多表聯(lián)合查詢與傳統(tǒng)單表知識查詢之間的測試結(jié)果表明，多表近似范圍查詢比系統(tǒng)原有的單表近似范圍查詢節(jié)約用戶操作時間50%及以上,，最高達到90.4%,；多表精準定位查詢比系統(tǒng)原有的單表精準定位查詢節(jié)約用戶操作時間48.1%及以上，最高達到89.6%,。多表聯(lián)合查詢的實現(xiàn)使聯(lián)合收獲機知識庫系統(tǒng)具有實用性與可行性,，可為同類知識庫系統(tǒng)數(shù)據(jù)管理提供可借鑒的思路和方法。

摘要:高標準農(nóng)田是國家糧食安全的重要保障,，作為其中的重要工程，田間道路的快速準確獲取可為高標準農(nóng)田建設(shè)質(zhì)量評估和效果評價提供基礎(chǔ)數(shù)據(jù)支撐,。針對傳統(tǒng)方法對細窄田間道路識別精度低,、泛化能力不強的問題，本文提出了基于U-Net網(wǎng)絡(luò)的高標準農(nóng)田道路識別方法,。首先,，在分析田間道路基本特征的基礎(chǔ)上,，選取GF-2影像作為試驗數(shù)據(jù)，采用面向?qū)ο蠓椒▽τ跋襁M行分割并根據(jù)對象特征進行分類,，剔除光譜特征與田間道路相似的建筑物等非道路要素,，減少道路識別干擾；然后,，對影像進行裁剪,、標簽制作和數(shù)據(jù)增強等操作，并使用U-Net網(wǎng)絡(luò)挖掘影像的深淺層特征,，通過不斷調(diào)整參數(shù)對網(wǎng)絡(luò)進行訓練,，實現(xiàn)田間道路的快速識別；最后,，依據(jù)道路斷點特征,，采用局部連接法對道路斷點進行修復，并以河北省定州市東亭鎮(zhèn)為試驗區(qū)進行方法測算與精度驗證,。結(jié)果表明：通過挖掘622幅田間道路樣本的影像特征,，U-Net網(wǎng)絡(luò)可以有效識別各類場景下的高標準農(nóng)田道路，通過對道路斷點進行修復后,，研究區(qū)田間道路識別精確率達96%,，召回率和F1值分別為62%、75%,，該識別精度能夠滿足高標準農(nóng)田建設(shè)質(zhì)量快速評估要求,。相比傳統(tǒng)識別方法，結(jié)合面向?qū)ο蠛蜕疃葘W習的方法可以在減少建筑物干擾的基礎(chǔ)上快速地識別出田間道路,，能更好解決田間道路材質(zhì)差異大,、植被遮擋等造成識別結(jié)果噪聲多、誤識別問題,，該方法可為細窄地物的識別提供方法參考,。

摘要:人類活動和氣候影響土地利用變化,，而土地利用變化是影響生境質(zhì)量變化最基本因素之一,，探究不同氣候情景下生境質(zhì)量對區(qū)域土地資源可持續(xù)利用和生態(tài)保護具有重要意義。本文以南昌市為例,，基于耦合SD(System dynamics)-PLUS(Patch-generating land use simulation)模型模擬預(yù)測共享社會經(jīng)濟發(fā)展路徑(Shared socioeconomic pathways, SSPs)與典型濃度路徑(Representative concentration pathways, RCPs)組合情景下南昌市2035年土地利用格局,，InVEST (Integrated valuation of ecosystem services and trade-offs)模型評估2000—2020年以及3種不同氣候情景下南昌市2035年生境質(zhì)量并進行時空變化分析，結(jié)果表明：3種情景下，2035年南昌市耕地,、林地,、草地面積下降，建設(shè)用地擴張迅速,，水域和未利用地變化幅度較小,。2000—2020年生境質(zhì)量持續(xù)下降且空間分布差異較大，優(yōu)等生境質(zhì)量分布于山地丘陵以及湖泊水域,，中,、差等則分布于耕作區(qū)和城鎮(zhèn)地區(qū)。3種氣候情景下,，2035年南昌市生境質(zhì)量呈減速下降趨勢,，主要表現(xiàn)出中等向差等生境轉(zhuǎn)換，退化程度由大到小依次為SSP585,、SSP245,、SSP119。研究結(jié)果可為南昌市高質(zhì)量發(fā)展和生物多樣性保護提供科學依據(jù),。

摘要:為探究無人機多源遙感影像估算玉米葉面積指數(shù)（Leaf area index,，LAI）垂直分布，在田間設(shè)置了密度和播期試驗,，在7個生育時期利用無人機采集了可見光,、多光譜和熱紅外影像并同步獲取玉米LAI垂直分布數(shù)據(jù)。同時,，為合理制定無人機飛行任務(wù),，分析了不同飛行高度和不同太陽高度角下獲取的無人機影像對估算玉米LAI的影響?；跓o人機影像提取的與玉米LAI相關(guān)性較高的植被指數(shù),、紋理信息和冠層溫度等特征，利用7種機器學習方法分別構(gòu)建了玉米冠層不同高度LAI估算模型,，從中選取魯棒性強的2個模型用于分析在不同飛行高度和不同太陽高度角下估算LAI的差異,。研究結(jié)果表明，MLPR和RFR模型對玉米LAI估算魯棒性最強,，全生育期下模型rRMSE為11.31%（MLPR）和11.42%（RFR）。玉米冠層LAI垂直分布估算誤差，所有模型的平均rRMSE分別為9.1%（LAI-1）,、14.19%（LAI-2）,、18.62%（LAI-3）、23.29%（LAI-4）和26.7%（LAI-5）,。對于玉米穗位葉及以下部位的LAI估算誤差均在20%以下,，得到了較好精度。同時,，在不同飛行高度和太陽高度角試驗中可以得出,，當飛行高度為30m時LAI估算精度最高，R2為0.73,，rRMSE為10.97%,，在09：00—10：00觀測的玉米LAI估算精度最高。無人機多源遙感影像數(shù)據(jù)可以準確估算玉米冠層LAI垂直分布,，及時掌握玉米功能葉片LAI長勢差異,，可為玉米品種篩選提供輔助。

摘要:苧麻生理生化性狀是其遺傳基礎(chǔ)和環(huán)境條件綜合影響的結(jié)果,，能夠反映特定脅迫環(huán)境下苧麻的生長發(fā)育狀況,。無人機遙感技術(shù)為大規(guī)模田間作物長勢監(jiān)測提供了有效手段，利用無人機搭載多光譜相機對苧麻理化性狀進行綜合評價具有實際意義,。因此,，以苧麻種質(zhì)資源為研究對象，采用無人機多光譜遙感獲取苧麻冠層的光譜參數(shù)和紋理參數(shù),，運用相關(guān)性分析法（Pearson correlation analysis,，PCA）、遞歸特征消除法（Recursive feature elimination,，RFE）2種最優(yōu)特征篩選方法和線性回歸（Linear regression,，LR）、決策樹（Decision tree, DT）,、隨機森林回歸（Random forest,，RF）、支持向量機（Support vector machines,，SVM）,、偏最小二乘回歸分析（Partial least squares regression analysis,，PLSR）5種機器學習算法分別構(gòu)建了苧麻葉綠素相對含量（SPAD值）、葉面積指數(shù)（Leaf area index,，LAI）和葉片相對含水量（Relative water content,，RWC）的估測模型。結(jié)果表明,，苧麻理化性狀與冠層光譜偏態(tài)參數(shù)存在顯著相關(guān)性,，基于偏態(tài)參數(shù)構(gòu)建的苧麻理化性狀估測模型能包含更多信息輸入。對比PCA方法,，RFE能更有效地篩選敏感特征參數(shù),，從而提高估測模型精度?；诙鄷r序融合數(shù)據(jù)的苧麻理化性狀估測模型精度較高,，LR-SAPD估測模型的R2為0.662，RMSE為2.088,；LR-RWC估測模型的R2為0.793,，RMSE為2.213%，SVR-LAI模型能較好估測苧麻葉面積指數(shù),，R2為0.737,，RMSE為0.630。提出的準確高效,、性價比高,、普適性高的田間苧麻理化性狀動態(tài)監(jiān)測方法，可用于作物理化含量的快速,、無損估測,。

摘要:為實現(xiàn)利用多光譜技術(shù)開展芳樟葉綠素相對含量（SPAD）監(jiān)測,，及時快速診斷芳樟矮林生長狀況，為田間管理決策提供信息支持,，以紅壤區(qū)芳樟矮林為研究對象,，利用無人機多光譜遙感影像，提取波段反射率,，篩選植被指數(shù),，分別以波段反射率和植被指數(shù)為模型輸入量，采用偏最小二乘回歸,、支持向量回歸,、反向傳播（Back propagation,，BP）神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)（Radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)4種方法構(gòu)建芳樟矮林SPAD反演模型,，并對比不同輸入量,、不同模型模擬結(jié)果的反演精度。研究結(jié)果表明：對比兩種不同的輸入量,，在同一模型反演的精度相差不大；其中,，基于偏最小二乘回歸法,，以植被指數(shù)為模型自變量估測芳樟矮林SPAD效果略優(yōu)；基于支持向量回歸,、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò),，以波段反射率為模型自變量估測芳樟矮林SPAD效果略優(yōu)；對比4種建模方法,，不同方法建模預(yù)測精度不同,，與偏最小二乘回歸、支持向量回歸和BP神經(jīng)網(wǎng)絡(luò)相比,，基于RBF神經(jīng)網(wǎng)絡(luò)反演芳樟SPAD的精度最高,，以波段反射率和植被指數(shù)為模型輸入量的測試集為例，其決定系數(shù)R2分別為0.788,、0.751,，均方根誤差（RMSE）分別為1.838、2.457,，表明RBF神經(jīng)網(wǎng)絡(luò)在芳樟矮林SPAD預(yù)測過程中具有明顯優(yōu)勢,。

摘要:田埂精確提取是數(shù)字化農(nóng)業(yè)管理的重要前提,。針對由于遮擋,、斑禿等因素干擾，給基于語義分割方法提取田埂帶來困難問題,，提出一種基于注意力機制和邊緣感知模塊的U-Net網(wǎng)絡(luò)實現(xiàn)田埂提取,。首先，將多信息注意力引入U型分割網(wǎng)絡(luò)的下采樣中,，增強相鄰層之間的上下文信息,，提升對田埂區(qū)域語義特征的表示能力。其次,，將邊緣感知分割模塊應(yīng)用至U-Net解碼部分的每一層,，在不同語義特征層提取田埂邊緣信息,，提高田埂區(qū)域語義分割精度。最后,，聯(lián)合邊緣感知損失與語義分割損失構(gòu)建聯(lián)合損失函數(shù),，用于整體網(wǎng)絡(luò)優(yōu)化。通過對安徽省淮北市濉溪縣小麥基地采集的無人機麥田數(shù)據(jù)集進行訓練和模型驗證,，實驗結(jié)果表明,，本文模型語義分割像素準確率高達95.57%，平均交并比達到77.48%,。

摘要:樣本點權(quán)重調(diào)整是遙感分類精度評價中樣本點空間分配的關(guān)鍵環(huán)節(jié),。以北京市順義區(qū)精度評價樣本點為例,，提出了一種兼顧面積屬性與不確定性信息的樣本點權(quán)重調(diào)整方法——模糊調(diào)整權(quán)重法，用于布設(shè)精度評價樣本點,。首先,，構(gòu)建用于表達不確定性信息的模糊中和指數(shù)及其權(quán)重，融合模糊中和指數(shù)權(quán)重和面積權(quán)重構(gòu)建模糊調(diào)整權(quán)重,，并計算各個分層的模糊調(diào)整權(quán)重結(jié)果,，完成樣本點特征空間分配；其次,，設(shè)置不同梯度樣本點集,，結(jié)合平均最短距離最小化準則和空間模擬退火算法實現(xiàn)樣本點地理空間優(yōu)化布設(shè)；最后,，構(gòu)建權(quán)重調(diào)整效果評價指標,，進行模糊調(diào)整權(quán)重效果評價，并與其他權(quán)重調(diào)整方法和未進行權(quán)重調(diào)整的布點方法進行對比分析,。結(jié)果表明：順義區(qū)不確定性大,、中、小的層模糊調(diào)整權(quán)重分別為0.45,、0.37,、0.18，與面積權(quán)重相比,，不確定性大的層權(quán)重顯著增加,、中層權(quán)重稍微增加、小層權(quán)重明顯降低,；5個不同數(shù)據(jù)集樣本點權(quán)重調(diào)整的精度評價總體精度,、相對精度,、均方根誤差和標準偏差結(jié)果分別為69.90%~73.48%、96.28%~99.82%,、0.01和0.01,；模糊調(diào)整權(quán)重布點方法評價效果優(yōu)于面積權(quán)重、模糊中和指數(shù)權(quán)重,、不確定性空間分層權(quán)重布點方法,，以及空間均勻抽樣和簡單隨機抽樣方法，樣本點權(quán)重調(diào)整更加準確可靠,。設(shè)計的模糊調(diào)整權(quán)重法布設(shè)精度評價樣本點,，能夠兼顧面積屬性和不確定性信息，又可以避免權(quán)重調(diào)整過度,，提高了各個分層樣本點空間分配的合理性。

摘要:為實時準確地檢測到自然環(huán)境下背景復雜的荔枝病蟲害，本研究構(gòu)建荔枝病蟲害圖像數(shù)據(jù)集并提出荔枝病蟲害檢測模型以提供診斷防治,。以YOLO v4為基礎(chǔ),，使用更輕、更快的輕量化網(wǎng)絡(luò)GhostNet作為主干網(wǎng)絡(luò)提取特征,，并結(jié)合GhostNet中的核心設(shè)計引入更低成本的卷積Ghost Module代替頸部結(jié)構(gòu)中的傳統(tǒng)卷積,，得到輕量化后的YOLO v4-G模型。在此基礎(chǔ)上使用新特征融合方法和注意力機制CBAM對YOLO v4-G進行改進,，在不失檢測速度和模型輕量化程度的情況下提高檢測精度,，提出YOLO v4-GCF荔枝病蟲害檢測模型。構(gòu)建的數(shù)據(jù)集包含荔枝病蟲害圖像3725幅,，其中病害種類包括煤煙病,、炭疽病和藻斑病3種，蟲害種類包括毛氈病和葉癭蚊2種,。試驗結(jié)果表明,，基于YOLO v4-GCF的荔枝病蟲害檢測模型，對于5種病蟲害目標在訓練集,、驗證集和測試集上的平均精度分別為95.31%,、90.42%和89.76%，單幅圖像檢測用時0.1671s,，模型內(nèi)存占用量為39.574MB,，相比改進前的YOLO v4模型縮小84%,，檢測速度提升38%，在測試集中檢測平均精度提升4.13個百分點,，同時平均精度比常用模型YOLO v4-tiny,、EfficientDet-d2和Faster R-CNN分別高17.67、12.78,、25.94個百分點,。所提出的YOLO v4-GCF荔枝病蟲害檢測模型能夠有效抑制復雜背景的干擾，準確且快速檢測圖像中荔枝病蟲害目標,，可為自然環(huán)境下復雜,、非結(jié)構(gòu)背景的農(nóng)作物病蟲害實時檢測研究提供參考。

摘要:為了實現(xiàn)復雜環(huán)境下農(nóng)業(yè)機器人對番茄果實的快速準確識別，提出了一種基于注意力機制與改進YOLO v5s的溫室番茄目標快速檢測方法,。根據(jù)YOLO v5s模型小,、速度快等特點，在骨干網(wǎng)絡(luò)中加入卷積注意力模塊（CBAM）,，通過串聯(lián)空間注意力模塊和通道注意力模塊,，對綠色番茄目標特征給予更多的關(guān)注，提高識別精度,，解決綠色番茄在相似顏色背景中難識別問題,；通過將CIoU Loss替換GIoU Loss作為算法的損失函數(shù)，在提高邊界框回歸速率的同時提高果實目標定位精度,。試驗結(jié)果表明,，CB-YOLO網(wǎng)絡(luò)模型對溫室環(huán)境下紅色番茄檢測精度、綠色番茄檢測精度,、平均精度均值分別為99.88%,、99.18%和99.53%，果實檢測精度和平均精度均值高于Faster R-CNN模型,、YOLO v4-tiny模型和YOLO v5模型,。將CB-YOLO模型部署到安卓手機端，通過不同型號手機測試,，驗證了模型在移動終端設(shè)備上運行的穩(wěn)定性,，可為設(shè)施環(huán)境下基于移動邊緣計算的機器人目標識別及采收作業(yè)提供技術(shù)支持。

摘要:針對番茄病害識別模型參數(shù)量大,、計算成本高、準確率低等問題,，本文提出一種基于多尺度特征融合和坐標注意力機制的輕量級網(wǎng)絡(luò)（Multiscale feature fusion and coordinate attention MobileNet, MCA-MobileNet）模型,。采集10類番茄葉片圖像，采用基于Wasserstein距離的生成對抗網(wǎng)絡(luò)（Wasserstein generative adversarial networks, WGAN）進行數(shù)據(jù)增強,，解決了樣本數(shù)據(jù)不足和不均衡的問題,，提高模型的泛化能力。在原始模型MobileNet-V2的基礎(chǔ)上,，引入改進后的多尺度特征融合模塊對不同尺度的特征圖進行特征提取,，提高模型對不同尺度的適應(yīng)性；將輕量型的坐標注意力機制模塊（Coordinate attention, CA）嵌入倒置殘差結(jié)構(gòu)中,，使模型更加關(guān)注葉片中的病害特征,，提高對病害種類的識別準確率。試驗結(jié)果表明,，MCA-MobileNet對番茄葉片病害的識別準確率達到94.11%，較原始模型提高2.84個百分點,，且參數(shù)量僅為原始模型的1/6,。該方法較好地平衡了模型的識別準確率和計算成本，為番茄葉片病害的現(xiàn)場部署和實時檢測提供了思路和技術(shù)支撐,。

摘要:針對密集分布的荔枝花遮擋嚴重導致檢測困難，現(xiàn)有研究方法忽略了非極大抑制過程中密集建議框之間的相互作用的問題,，為提升檢測精度,、降低漏檢率，提出了一種基于polyphyletic損失函數(shù)的檢測方法,。該方法在損失函數(shù)中包含一個聚合損失項,，以迫使建議框接近并緊湊定位相應(yīng)目標，同時增加專門為密集作物場景設(shè)計的邊界框排斥損失,，使預(yù)測框遠離周圍對象,，提高密集荔枝花檢測魯棒性。與Faster R-CNN、Focus Loss,、AdaptiveNMS和Mask R-CNN進行對比,，實驗表明，該方法在標準蘋果花數(shù)據(jù)集上識別精度比其他方法高2個百分點,，驗證了該方法檢測的通用性,，同時，該方法在自建荔枝花數(shù)據(jù)集的平均精度均值達到87.94%,，F(xiàn)1值為87.07%,，缺失率為13.29%，相比Faster R-CNN,、Focus Loss,、AdaptiveNMS和Mask R-CNN分別提高20.09、14.10,、8.35,、4.86個百分點，具有較高檢測性能,。因此,，本文提出的方法能夠高效地對密集荔枝花進行檢測，為復雜場景下的密集作物檢測提供參考,。

摘要:準確,、高效的奶牛行為識別有助于疾病檢測,、發(fā)現(xiàn)異常，是感知奶牛健康的關(guān)鍵,。通過分析奶牛在牛場中各時段的行為,，提出一種基于時空特征的奶牛行為識別模型, 該模型在時域段網(wǎng)絡(luò)（TSN）的基礎(chǔ)上融合了時態(tài)移位模塊（TSM）、特征注意單元（FAU）和長短期記憶（LSTM）網(wǎng)絡(luò),。首先,，利用TSM融合時間信息以提高時序建模能力，并將時序建模后的視頻幀輸入TSN,。其次,，利用FAU融合高分辨率空間信息和低分辨率語義信息，增強模型空間特征的學習能力,。最后,，由LSTM聚合過去和當前信息進行奶牛行為分類,。實驗表明，該方法對進食,、行走,、躺臥、站立行為識別準確率分別為76.7%,、90.0%,、68.0%、96.0%,，平均行為識別準確率為82.6%,，和C3D、I3D,、CNN-LSTM網(wǎng)絡(luò)相比,，本文模型平均行為識別準確率分別提升7.9、9.2,、9.6個百分點,。光照變化會對奶牛行為識別準確率產(chǎn)生一定影響，但本文模型受光照影響相對較小,。研究成果可為感知奶牛健康和疾病預(yù)防提供技術(shù)支持,。

摘要:針對目前蛋雞啄羽異常行為（包括啄和被啄）識別精度比較低的問題,，提出了一種基于改進YOLO v6-tiny模型進行啄羽異常行為識別的方法,。該方法通過在YOLO v6-tiny模型中引入DenseBlock結(jié)構(gòu)并融入CSP結(jié)構(gòu)的SPP模塊（SPPCSPC）的方式，增強了YOLO v6-tiny模型的特征提取能力,，擴大了模型的感受野，提升了模型的檢測精度,。在識別出啄羽異常行為的基礎(chǔ)上,，對如何基于異常行為發(fā)生次數(shù)，進行蛋雞個體分類進行了研究,。提出了基于YOLO v6-tiny模型進行蛋雞個體識別,，并將啄羽異常行為識別結(jié)果輸入個體識別網(wǎng)絡(luò)，進行蛋雞個體分類的方法,。同時,，本文還分別對2種不同的養(yǎng)殖密度、一天當中3個不同的時間段,，異常行為發(fā)生次數(shù)的變化規(guī)律進行了分析,。實驗結(jié)果表明，優(yōu)化后的模型對啄和被啄異常行為的識別平均精度（AP）分別為92.86%和92.93%，分別比YOLO v6-tiny模型高1.61,、1.08個百分點,，比Faster R-CNN模型高3.28、4.00個百分點,，比YOLO v4-tiny模型高6.15,、6.63個百分點，比YOLO v5s模型高2.04,、4.27個百分點,，比YOLO v7-tiny模型高5.39、3.92個百分點,。本文方法可以識別出啄和被啄羽異常行為,，為蛋雞異常行為的智能檢測提供了技術(shù)支撐。

摘要:為解決養(yǎng)殖場條件下羊只的個體識別問題,，本文基于小波變換與卷積神經(jīng)網(wǎng)絡(luò)，提出一種融合頻域特征與空間域特征的羊臉識別模型DWT-GoatNet,。首先采集總計30只高相似度西農(nóng)薩能奶山羊日間,、夜間兩種不同光照環(huán)境下的面部圖像，基于SSIM指標剔除其中相似度過高的樣本,，接著進行圖像裁剪,，并通過模糊、調(diào)整亮度,、平移,、旋轉(zhuǎn)、加入噪聲,、縮放等方法完成數(shù)據(jù)增強,；然后，設(shè)計基于二維離散小波變換（2D-DWT）與卷積運算的羊臉特征提取模塊,，完成特征融合,；之后，以前述羊臉特征提取模塊為基礎(chǔ),，添加分類模塊,，進行卷積神經(jīng)網(wǎng)絡(luò)搭建；最后,，進行超參數(shù)組合尋優(yōu),，形成羊臉識別模型,。試驗結(jié)果表明，本文所構(gòu)建的羊臉識別模型在日間,、夜間兩種不同光照環(huán)境下測試集上識別準確率分別可達99.74%和99.89%,，高于AlexNet、VGGNet-16,、GoogLeNet,、ResNet-50、DenseNet-121等經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型,，說明所構(gòu)建模型適用于羊只的個體識別,，為精準養(yǎng)殖、農(nóng)險理賠領(lǐng)域相關(guān)工作提供了有效解決方案,。

摘要:針對柔性pH芯片復合結(jié)構(gòu)多層打印制備過程的配準偏差嚴重,，限制其農(nóng)用pH值在線監(jiān)測精度及穩(wěn)定性問題，比較分析了MSER仿射變換模型對“疊層復合結(jié)構(gòu)”柔性pH芯片性能的影響,，分析了配準后柔性pH芯片在基質(zhì)培番茄根系pH值在線監(jiān)測應(yīng)用中的可行性,。試驗結(jié)果表明：MSER仿射變換模型配準后,，農(nóng)用柔性芯片加工最小線寬和線間距分別為90、500μm,，芯片加工平均相對誤差可控制在25%以內(nèi),；配準后，農(nóng)用柔性pH傳感器靈敏度達到了每單位pH值-61.9mV,，響應(yīng)范圍為2.0~10.0,，與商用玻璃pH電極的測量絕對誤差小于0.15，相對誤差小于4.1%,；基質(zhì)培番茄根系pH值監(jiān)測試驗中,，自制柔性芯片與商用pH電極的測量結(jié)果具有較好一致性，同步測定結(jié)果的絕對誤差小于0.09,，相對誤差小于1.5%，RMSE僅為0.05,。MSER仿射變換配準方法可有效提高“疊層復合結(jié)構(gòu)”農(nóng)用打印柔性傳感芯片的制備精度及傳感檢測準確性,。

摘要:在全球變化背景下,，揭示土壤養(yǎng)分系統(tǒng)對氣候和人類耕地利用活動變化的響應(yīng)對于農(nóng)業(yè)可持續(xù)發(fā)展至關(guān)重要,。基于焉耆盆地的氣候,、耕地利用強度（LUI）和土壤養(yǎng)分數(shù)據(jù),，采用敏感性、貢獻率和GIS方法分析了土壤養(yǎng)分系統(tǒng)對氣候和人類耕地利用活動變化的敏感性及其空間分異特征,。結(jié)果表明：焉耆盆地氣候暖濕化趨勢明顯（氣溫傾向率為3℃/(10a),，降水量傾向率為39mm/(10a)），LUI微幅上升,；土壤養(yǎng)分系統(tǒng)對氣候和LUI變化的敏感性存在顯著的空間差異和響應(yīng)差異,。土壤養(yǎng)分系統(tǒng)對氣溫變化敏感性的空間異質(zhì)性更高，對LUI變化敏感性更具有響應(yīng)深度,；氣候和LUI對土壤養(yǎng)分系統(tǒng)變化的貢獻率空間分異明顯,，并且LUI的貢獻率大于氣候；土壤養(yǎng)分系統(tǒng)的敏感性及其空間布局是自然環(huán)境和人類耕地利用活動相互調(diào)節(jié)和空間分異的綜合結(jié)果,。研究結(jié)果可為提高區(qū)域土壤養(yǎng)分系統(tǒng)應(yīng)對氣候變化的能力和耕地精準高效管理提供科學依據(jù),。

摘要:以江蘇省沿海地區(qū)不同圍墾區(qū)剖面土層原狀土樣為研究對象,，基于CT掃描技術(shù)，通過構(gòu)建孔隙網(wǎng)絡(luò)模型,，對土壤孔隙分布及其拓撲關(guān)系進行定量表征,，統(tǒng)計分析了土壤孔喉參數(shù)，包括孔徑分布,、配位數(shù),、喉道半徑及喉道長度；運用提取的孔隙網(wǎng)絡(luò)實現(xiàn)土壤中單相水的滲流模擬,，分析土壤的絕對滲透系數(shù)（飽和導水率）及其主要影響因素,。結(jié)果表明，圍墾活動對改良土壤孔隙活動起到積極作用,，隨圍墾年限的增加,，連通孔隙的半徑范圍、平均配位數(shù),、喉道半徑趨于增大,，喉道長度趨于減小,；淺層土壤的孔隙結(jié)構(gòu)較為良好,。單相水模擬中,，模擬計算的土壤絕對滲透系數(shù)和試驗測定的飽和導水率結(jié)果吻合度較好，呈現(xiàn)出一致的變化規(guī)律,?；疑P(guān)聯(lián)度顯示喉道半徑對土壤滲透性能的影響最大。

摘要:構(gòu)建了基于梯形模糊數(shù)和分布式作物模擬模型的空間分布式農(nóng)業(yè)生產(chǎn)預(yù)警模型來實現(xiàn)作物產(chǎn)量和水分生產(chǎn)力綜合警情預(yù)警預(yù)報,。模型采用空間分布式作物產(chǎn)量和水分生產(chǎn)力作為警情指標來計算系統(tǒng)警級，引入梯形模糊數(shù)來表征目標產(chǎn)量和水分生產(chǎn)力的不確定性,，采用空間分布式作物模擬模型來模擬常規(guī)灌溉,、0.8倍常規(guī)灌溉和0.6倍常規(guī)灌溉下的作物產(chǎn)量和水分生產(chǎn)力，進而對現(xiàn)狀1976—2012年和未來RCP4.5情景下2026—2045年不同灌溉水平下進行農(nóng)業(yè)生產(chǎn)風險預(yù)報預(yù)警,，并衡量了未來20年產(chǎn)量和水分生產(chǎn)力的靜態(tài)協(xié)調(diào)度和每5年4個周期的動態(tài)協(xié)調(diào)度,。結(jié)果表明，同一作物在不同土壤類型和不同灌溉水平下預(yù)警等級不同,，警級隨著灌溉水平的降低呈現(xiàn)不規(guī)則變化規(guī)律,，協(xié)調(diào)性隨著灌溉水平的降低而減小。模型能夠識別出未來氣候變化不同節(jié)水灌溉水平下的空間異質(zhì)性作物產(chǎn)量和水分生產(chǎn)力的警級,，實現(xiàn)精準化農(nóng)業(yè)生產(chǎn)風險預(yù)警預(yù)報,，有利于實現(xiàn)高效率降警處理。

摘要:土壤水動力參數(shù)是模擬田間土壤物質(zhì)傳輸過程的基本參數(shù)，準確確定土壤水動力參數(shù)對實現(xiàn)農(nóng)田生境精準調(diào)控具有重要意義,?；谝痪S垂直入滲試驗數(shù)據(jù)，采用代數(shù)方法和數(shù)值方法,，構(gòu)造3個不同的目標函數(shù),，并分析鯨魚優(yōu)化算法和灰狼優(yōu)化算法反演Brooks-Corey-Mualem模型參數(shù)的適用性。結(jié)果表明：通過選擇合適的目標函數(shù),，兩種群智能優(yōu)化算法均可用于反演土壤水動力參數(shù),。在代數(shù)方法中，鯨魚優(yōu)化算法在目標函數(shù)2下（由累積入滲量、入滲時間,、含水率構(gòu)成的相對誤差）固定參數(shù)θr、θs優(yōu)化得到的土壤水動力參數(shù)誤差最小,，反演參數(shù)得到的累積入滲量,、入滲率、含水率的相對誤差都在9.74%以下,，決定系數(shù)都在0.9040以上,，反演時間為70s；在數(shù)值方法中,，灰狼優(yōu)化算法在目標函數(shù)3下（由累積入滲量,、濕潤鋒深度、含水率構(gòu)成的相對誤差）固定參數(shù)θr,、θs優(yōu)化得到的參數(shù)誤差最小,，反演參數(shù)得到的累積入滲量、入滲率,、含水率的相對誤差都在2.53%以下,，決定系數(shù)都在0.9917以上，反演時間為115s,。因此,，代數(shù)方法所用時間短、精度相對較低,，數(shù)值方法所用時間較長,、精度相對較高，在反演土壤水動力參數(shù)時,，可根據(jù)誤差精度需求,，選擇合適的優(yōu)化方法。

摘要:農(nóng)田干燥收縮產(chǎn)生的裂隙影響土壤水力-物理結(jié)構(gòu)特征，并為農(nóng)田灌溉水或污染物運移產(chǎn)生優(yōu)先通道,。為揭示農(nóng)田裂隙形態(tài)和基質(zhì)收縮等演化特征,，并對土壤裂隙率進行預(yù)測，基于室內(nèi)土壤收縮及裂隙發(fā)育模擬試驗,，采用圖像處理及形態(tài)學算法分析了裂隙幾何特征,，選取非侵入性局部收縮分析方法量化基質(zhì)域收縮特性；根據(jù)脫濕過程中土壤孔隙由基質(zhì)域向沉降域和裂隙域中的轉(zhuǎn)換機理,，結(jié)合收縮特征曲線VG-PENG模型,、收縮幾何因子Logistic函數(shù)2個子模型,，提出土壤裂隙率預(yù)測模型，并對不同厚度土壤試樣的裂隙率進行驗證,。結(jié)果表明,，厚度在土壤開裂過程中對裂隙形態(tài)影響顯著，表現(xiàn)為隨著土壤厚度加大,，土壤表面大裂隙寬度總體加大,，且裂隙骨架密度減小，土壤收縮開裂進程放緩,；土壤在干燥過程中,，基質(zhì)收縮呈現(xiàn)非均勻特征，并向塊區(qū)型芯聚集,，裂隙邊壁區(qū)域呈現(xiàn)出局部集中變形區(qū),，且收縮量隨土壤厚度增加而增大。裂隙率預(yù)測模型結(jié)合土壤收縮非均勻性特征,，從土壤物理角度預(yù)測了裂隙率關(guān)于含水率的演化過程,，有效模擬了裂隙率隨含水率演化規(guī)律(模型決定系數(shù)R2>0.91)。模型彌補了以往裂隙模型未考慮收縮各向異性的不足,，可為裂隙流模型構(gòu)建及其土壤基質(zhì)水力特征提供參數(shù)基礎(chǔ),，有助于制定膨縮土壤修復及水分管理方案。

摘要:前屋面是實現(xiàn)日光溫室內(nèi)外環(huán)境溝通的重要構(gòu)建部分，通過控制前屋面覆蓋物狀態(tài)即可達到控制日光溫室內(nèi)部環(huán)境的目的,。保溫卷簾,、通風卷膜以及遮陽網(wǎng)布作為日光溫室常見的3種主要覆蓋功能材料，在依靠共同前屋面構(gòu)造面實現(xiàn)鋪卷動作時,，存在作業(yè)機械結(jié)構(gòu)難以協(xié)調(diào),、自動化程度低等問題。結(jié)合3種覆蓋物鋪卷的功能需求,，設(shè)計其彼此相協(xié)調(diào)的鋪卷裝置,，包括外側(cè)鋪卷結(jié)構(gòu)和內(nèi)側(cè)鋪卷結(jié)構(gòu)兩個主要部分以及相配套的覆蓋物協(xié)調(diào)鋪卷控制方法。通過比例縮放的實體模型和實地試驗相結(jié)合的方法驗證了所設(shè)計日光溫室前屋面覆蓋物協(xié)調(diào)鋪卷裝置可以有效實現(xiàn)卷簾,、卷膜和遮陽網(wǎng)布3種覆蓋物的協(xié)調(diào)鋪卷,，且具有較好的控制精度和穩(wěn)定性。模型試驗結(jié)果表明：覆蓋物開度控制的平均相對誤差均小于3.5%，均方根誤差均小于2.0%,。覆蓋物鋪卷控制在各個開度下的變異系數(shù)均小于3.0%,。而卷簾鋪卷控制裝置在實地試驗中，其開度控制試驗結(jié)果的平均相對誤差均小于2.5%,，均方根誤差小于1.26%,，測試數(shù)據(jù)的變異系數(shù)小于1.0%，也表現(xiàn)出較好的作業(yè)控制精度和穩(wěn)定性,。實地試驗和模型試驗結(jié)果中的測量數(shù)據(jù)整體變化趨勢相同，進一步驗證了裝置模型試驗結(jié)果的合理性和整體裝置的實施可行性,。

摘要:地理位置與環(huán)境因素的不同導致水稻品質(zhì)存在差異，優(yōu)質(zhì)原產(chǎn)地的稻米質(zhì)優(yōu)味美,，對消費者更有吸引力,，因此研究水稻原產(chǎn)地溯源，建立水稻原產(chǎn)地可信溯源系統(tǒng)具有重要意義,。傳統(tǒng)物聯(lián)網(wǎng)區(qū)塊鏈溯源系統(tǒng)將溯源數(shù)據(jù)上傳至中心化的服務(wù)器,，再由服務(wù)器上傳至區(qū)塊鏈；這無法很好地利用邊緣節(jié)點中的資源,，還使其易受數(shù)據(jù)偽造或數(shù)據(jù)丟失等安全風險的影響,。設(shè)計了一套基于區(qū)塊鏈和邊緣計算的水稻原產(chǎn)地溯源模型，依托嵌入式設(shè)備的邊緣計算能力,，對傳感器數(shù)據(jù)實時數(shù)據(jù)融合并在嵌入式設(shè)備上部署區(qū)塊鏈,。此外，設(shè)計邊緣計算場景下區(qū)塊鏈網(wǎng)絡(luò)的存儲擴展方法和邊緣計算工作流程,。最后,，經(jīng)過測試分析，查詢公開溯源數(shù)據(jù)的平均時間為45.84ms,，查詢隱私溯源數(shù)據(jù)的平均時間為50.92ms,，邊緣節(jié)點加密上鏈的平均時間為1.27s，邊緣多鏈存儲容量消耗為傳統(tǒng)單鏈的18%,，能夠滿足水稻原產(chǎn)地溯源實際的應(yīng)用需求,。

摘要:針對獼猴桃產(chǎn)業(yè)聯(lián)盟鏈交易中金額與身份的雙重隱私保護問題,，提出一種基于+HomElG零知識證明(+HomElG zero knowledge proof,，+HomElG-ZKProof)和SM2的獼猴桃產(chǎn)業(yè)聯(lián)盟鏈隱私交易方案。首先，轉(zhuǎn)賬方利用+HomElG加密交易金額后將其發(fā)送給接收方,，接收方基于SM2簽名確認交易后發(fā)送給轉(zhuǎn)賬方,；其次，轉(zhuǎn)賬方基于+HomElG-ZKProof對交易金額相關(guān)密文生成零知識證明證據(jù),，基于SM2可鏈接環(huán)簽名對交易金額相關(guān)密文和交易雙方身份分別生成環(huán)簽名,，與接收方SM2簽名一起經(jīng)系統(tǒng)層Raft共識打包上鏈；然后,，由監(jiān)管節(jié)點驗證SM2簽名,、兩次環(huán)簽名及鏈接性后確認交易雙方身份，用戶節(jié)點間在應(yīng)用層使用PBFT共識驗證交易金額相關(guān)密文,、環(huán)簽名及交易金額相關(guān)零知識證明證據(jù)后確認交易的有效性,；最后，由監(jiān)管節(jié)點將有效交易區(qū)塊編號經(jīng)系統(tǒng)層Raft共識上鏈并更新賬戶余額,。分析表明,，該文方案具有抗篡改攻擊、抗公鑰替換攻擊,、抗假冒攻擊以及匿名性,，安全性較高；測試結(jié)果表明,，該文方案可以實現(xiàn)獼猴桃產(chǎn)業(yè)聯(lián)盟鏈用戶交易金額,、身份的雙重隱私保護；在安全參數(shù)為2048bit時,，交易時間為4.495s,，可以滿足獼猴桃產(chǎn)業(yè)聯(lián)盟鏈交易的實際需要。

摘要:研究了我國西北地區(qū)175款干紅葡萄酒樣品的CIELAB顏色特征,，基于紅葡萄酒顏色可視化表征方法,，對供試酒樣進行了顏色的微觀量化分類和宏觀量化分級研究。結(jié)果表明：供試酒樣的顏色特征具有一定的離散性和區(qū)分度,，表明酒樣顏色具有多樣性,、獨特性和差異性的特點，具備微觀量化分類和宏觀量化分級的基礎(chǔ),；將175款干紅葡萄酒的色調(diào),、色度和明度這3個顏色特征屬性分別劃分為5個類別，共得到供試酒樣的125個微觀顏色類別,，可應(yīng)用于酒樣顏色特征的描述,、傳遞與比較等,；進一步基于人對紅葡萄酒顏色的感官傾向構(gòu)建了紅葡萄酒顏色品質(zhì)的宏觀量化分級方法，該方法將供試酒樣劃分為6個宏觀顏色級別,，相比于其他的分類和分級方法,，本文的微觀量化分類和宏觀量化分級方法具有客觀、簡便,、分級效果明顯,，易于標準化和數(shù)字化的特點。

摘要:為研究添加果膠、黃原膠和κ-卡拉膠3種多糖的種類和質(zhì)量濃度（0.002,、0.004,、0.006g/mL）對大豆蛋白（SPI）-綠原酸（CA）水凝膠的凝膠特性和分子間作用力的影響，通過測定SPI-CA/多糖三元凝膠的紅外光譜,，分子間作用力,、流變學、水分分布和微觀結(jié)構(gòu)等指標,，最終探明不同多糖與SPI-CA相互作用機制以及不同多糖對SPI-CA凝膠性質(zhì)改善的差異性和相似性,。結(jié)果表明，添加黃原膠和κ-卡拉膠后,，蛋白中β-折疊相對含量從24.59%升高至24.87%~26.65%,，無規(guī)則卷曲含量顯著降低（P＜0.05），這有利于凝膠網(wǎng)絡(luò)結(jié)構(gòu)的形成,。3種多糖的添加均顯著增強了凝膠中氫鍵的作用以及凝膠中固定水的結(jié)合能力,，相較于果膠和黃原膠，添加κ-卡拉膠后凝膠中的氫鍵的作用更強,，T21的弛豫時間更短,，凝膠結(jié)構(gòu)也更加致密。凝膠的儲能模量G′,、損耗模量G″,、硬度和咀嚼性均與κ-卡拉膠的濃度呈正相關(guān),。適量的果膠和黃原膠的加入能夠形成穩(wěn)定的凝膠，但是過度填充果膠和黃原膠會降低凝膠的熱穩(wěn)定性,，破壞凝膠網(wǎng)絡(luò)結(jié)構(gòu),。

摘要:以某并聯(lián)式柴電混合動力拖拉機為研究對象,，分析其拓撲結(jié)構(gòu)特點及工作特性，構(gòu)建拖拉機旋耕,、犁耕耦合動力學模型,，以整機等效燃油消耗量最小為目標，電機功率和柴油機功率為控制變量,、電池荷電狀態(tài)為狀態(tài)變量,，建立基于龐特里亞金極小值原理的節(jié)能控制策略，基于Matlab仿真平臺對該節(jié)能控制策略進行仿真試驗,。結(jié)果表明:與基于最佳經(jīng)濟性曲線的節(jié)能控制策略相比,，所制定的基于龐特里亞金極小值原理節(jié)能控制策略能夠合理控制柴油機和電機的運行狀態(tài)，使柴油機,、電機工作在高效率區(qū),，有效降低了拖拉機田間作業(yè)時的等效燃油消耗量。旋耕工況下,，等效燃油消耗量降低10.44%,；犁耕工況下，等效燃油消耗量降低11.20%,。

摘要:針對一種雙環(huán)多桿天線展開機構(gòu)進行了運動學與動力學特性分析,，首先分析了展開機構(gòu)構(gòu)型特征，并對整體機構(gòu)進行了單元分解,，基于螺旋理論,，繪制了單元機構(gòu)的螺旋約束圖；進而建立了單元機構(gòu)的螺旋約束方程組,，然后通過螺旋速度遞推求得機構(gòu)中構(gòu)件的角速度和質(zhì)心線速度,，采用坐標轉(zhuǎn)換求導法得到了速度雅可比矩陣,，利用螺旋導數(shù)并基于螺旋加速度合成法則得到了構(gòu)件的螺旋加速度和角加速度以及質(zhì)心線加速度；最后基于拉格朗日方程,，建立了整體機構(gòu)的動力學方程,，通過數(shù)值計算與模擬仿真，分析得到了不同構(gòu)件的運動學與動力學特性,，驗證了理論推導的正確性,。本文分析的雙環(huán)多桿天線展開機構(gòu)為單自由度機構(gòu)，整體結(jié)構(gòu)簡單,，僅需一個驅(qū)動便可收攏和展開,，基于螺旋理論和拉格朗日法相結(jié)合的運動學和動力學建模分析方法物理意義明確，可以較好地應(yīng)用于此類空間可展開機構(gòu)的分析中,。

摘要:為確保采茶機器人的精準采摘,，研究設(shè)計安裝于移動底盤的6-DOF混聯(lián)采茶機器人機構(gòu),。根據(jù)基于方位特征的機器人機構(gòu)拓撲結(jié)構(gòu)設(shè)計理論，提出并設(shè)計一個6-DOF混聯(lián)操作手,；對混聯(lián)機構(gòu)進行正反解位置分析；以桿長之和最小為目標函數(shù),，采用非線性規(guī)劃法對機構(gòu)進行桿件尺寸優(yōu)化,；應(yīng)用有限位置法求出完全平衡時配重的質(zhì)量參數(shù)與位置參數(shù)；運用遺傳算法研究擺動力部分平衡優(yōu)化,，求出其配重質(zhì)量和位置參數(shù)最優(yōu)解,，部分平衡優(yōu)化結(jié)果表明，質(zhì)心軌跡在y,、z方向上的波動分別減少53.72%,、25.10%，總擺動力波動減少43.33%,，從而驗證了部分平衡優(yōu)化的有效性,。為該混聯(lián)采茶機器人結(jié)構(gòu)設(shè)計與樣機研制奠定了技術(shù)基礎(chǔ)。