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:種子微創(chuàng)取樣裝備是面向生物育種技術(shù)中的種子切片取樣環(huán)節(jié),，基于機(jī)電控制,、機(jī)器視覺(jué)等技術(shù)，實(shí)現(xiàn)種子基因樣本的全流程,、自動(dòng)化操作的智能化工具,，其推廣和應(yīng)用可有效提升種質(zhì)資源培育的效率和質(zhì)量，助力種業(yè)振興,。本文首先介紹了種子切片檢測(cè)的歷史背景和裝備研究現(xiàn)狀,，隨后將種子微創(chuàng)取樣關(guān)鍵技術(shù)系統(tǒng)地劃分為種子分離、位姿調(diào)整,、夾持輸送,、取樣和樣品收集與清潔技術(shù)，并對(duì)其研究現(xiàn)狀和發(fā)展動(dòng)態(tài)進(jìn)行了闡述和剖析,。在此基礎(chǔ)上,，結(jié)合種子切片裝備發(fā)展要求和應(yīng)用場(chǎng)景，歸納了種子切片取樣裝備面臨的切割理論不足,、多尺度通用性差,、系統(tǒng)集成度有待提高等問(wèn)題，提出了未來(lái)發(fā)展方向?yàn)? 加強(qiáng)種子切片裝備基礎(chǔ)理論研究,；多尺度通用化種子切片平臺(tái)開(kāi)發(fā),；發(fā)展全生產(chǎn)環(huán)節(jié)智慧取樣檢測(cè)系統(tǒng)。

摘要:北斗定位系統(tǒng)(BDS)能夠?qū)崿F(xiàn)厘米級(jí)的定位，在農(nóng)機(jī)導(dǎo)航系統(tǒng)中獲得了廣泛應(yīng)用,。然而,，單純的衛(wèi)星定位系統(tǒng)存在一些局限性，比如易受外界遮擋,、數(shù)據(jù)頻率低等,。因此，在導(dǎo)航系統(tǒng)中集成慣性元件并發(fā)展組合導(dǎo)航技術(shù)成為重要研究方向,?？紤]到高性能慣導(dǎo)成本很高，不利于推廣應(yīng)用,，本文研究了農(nóng)業(yè)場(chǎng)景下,，使用低成本慣導(dǎo)和BDS構(gòu)成組合導(dǎo)航系統(tǒng)。為提高定位精度,，解決由BDS中斷導(dǎo)致誤差發(fā)散的問(wèn)題,，設(shè)計(jì)了零速修正。同時(shí),，分析了BDS/INS組合導(dǎo)航系統(tǒng)中航向角誤差不可觀測(cè)的原因和誤差來(lái)源,，設(shè)計(jì)了航向約束方法。當(dāng)BDS信息可用時(shí),，利用雙天線航向角信息來(lái)抑制航向角誤差的累積,；當(dāng)BDS中斷時(shí)，使用零角速度修正,。通過(guò)現(xiàn)場(chǎng)實(shí)驗(yàn)驗(yàn)證,，當(dāng)BDS可用時(shí)，零速修正可以將位置,、速度和水平姿態(tài)的精度分別提高20%,、40%和15%以上，航向約束可以將航向角精度提高90%以上,；BDS中斷時(shí),，零速修正可以將位置、速度的精度提高90%以上,，水平姿態(tài)的精度提高80%以上,，航向約束可以將航向角精度提高40%以上。

摘要:果樹(shù)樹(shù)冠的季節(jié)性變化及果樹(shù)成長(zhǎng)和衰老造成的果樹(shù)特征變化會(huì)影響已構(gòu)建的果園三維環(huán)境地圖的匹配,，故本文提出一種基于改進(jìn)Gmapping算法的果園二維環(huán)境地圖精準(zhǔn)構(gòu)建算法。首先該算法對(duì)Gmapping算法的前端里程計(jì)和后端優(yōu)化部分分別進(jìn)行改進(jìn),，以提高果園二維環(huán)境地圖的構(gòu)建精度,。對(duì)于前端里程計(jì)部分采用改進(jìn)的R-GPF地面分割方法提高其初始定位精度，對(duì)于后端優(yōu)化部分采用BAT啟發(fā)式自適應(yīng)重采樣方法提高其最終定位精度,。然后進(jìn)行梨園環(huán)境對(duì)比試驗(yàn),。通過(guò)改進(jìn)R-GPF方法與原始R-GPF方法的對(duì)比，改進(jìn)R-GPF方法的激光雷達(dá)里程計(jì)輸出頻率可達(dá)到15.58Hz,，最大橫向偏差小于25cm,，橫向偏差均值為12.7cm，標(biāo)準(zhǔn)差為 13.4cm,，其各方面性能都優(yōu)于原R-GPF方法的激光雷達(dá)里程計(jì),。通過(guò)新算法與基于原R-GPF的Gmapping算法對(duì)比，新算法所得的梨樹(shù)列間距離偏差始終保持在20cm范圍內(nèi),，行間距離偏差均值為10.3cm,，標(biāo)準(zhǔn)差為6.3cm，比基于原R-GPF的Gmapping算法分別減小50%,、43.41%和32.26%,；同時(shí)，梨樹(shù)行間距離偏差相對(duì)于里程計(jì)橫向偏差的減小側(cè)面反映出后端BAT啟發(fā)式自適應(yīng)重采樣方法的有效性,。本文提出的算法能夠提高果園二維地圖構(gòu)建精度,，可以滿足后續(xù)重定位、導(dǎo)航等作業(yè)的精度要求,。

摘要:針對(duì)果園道路無(wú)明顯邊界且道路邊緣存在陰影,、土壤和沙石干擾等問(wèn)題,，提出一種基于特征融合的果園非結(jié)構(gòu)化道路識(shí)別方法。通過(guò)相機(jī)標(biāo)定獲取畸變參數(shù)對(duì)采集到的圖像進(jìn)行畸變矯正,，并提出一種基于濾波與梯度統(tǒng)計(jì)相結(jié)合的動(dòng)態(tài)感興趣區(qū)域（ROI）提取方法對(duì)HSV顏色空間S分量進(jìn)行ROI選取,，采用最大值法將顏色特征與S分量多方向紋理特征掩膜相融合并進(jìn)行二值化與降噪處理。根據(jù)道路邊緣突變特征尋找特征點(diǎn),，并提出一種基于距離與位置雙重約束的兩級(jí)偽特征點(diǎn)剔除方法,。為更好貼合非結(jié)構(gòu)化道路不規(guī)則邊緣，引入分段三次樣條插值法擬合道路邊緣，以此實(shí)現(xiàn)道路識(shí)別,。試驗(yàn)結(jié)果表明,，在晴天、陰天,、順光,、逆光、冬季晴天和雨雪天氣6種工況條件下,，S分量,、紋理圖像和融合圖像的平均縱向偏差均值分別為2.43、39.71,、1.36像素,，平均偏差率均值分別為0.99%、18.02%和0.54%,，相較于S分量與紋理圖像而言,，使用本文方法構(gòu)建的融合圖像其平均縱向偏差與平均偏差率均得到有效減少。最小二乘法,、隨機(jī)采樣一致性法（RANSAC）與分段三次樣條插值法擬合邊緣的平均偏差均值分別為2.64,、3.16、0.66像素,，平均偏差率均值分別為1.02%,、1.21%和0.26%，偏差率平均標(biāo)準(zhǔn)差分別為0.23%,、0.31%與0.09%,，其中分段三次樣條插值法的平均偏差均值、平均偏差率均值與偏差率平均標(biāo)準(zhǔn)差均最小,，表明本文擬合方法其擬合精度更高且具有更好的穩(wěn)定性,。6種工況條件下，本文算法單幀圖像平均處理時(shí)間為89.9ms,，滿足農(nóng)業(yè)機(jī)器人作業(yè)過(guò)程中的實(shí)時(shí)性要求,。本文方法可為農(nóng)業(yè)機(jī)器人進(jìn)行果園復(fù)雜環(huán)境非結(jié)構(gòu)化道路識(shí)別提供參考。

摘要:針對(duì)果園噴藥機(jī)器人視覺(jué)導(dǎo)航過(guò)程中定位精度低、地圖構(gòu)建效果差等問(wèn)題,，本文提出一種新的視覺(jué)定位與稠密建圖算法,。該算法基于ORB-SLAM2算法架構(gòu),，首先，通過(guò)優(yōu)化FAST角點(diǎn),、描述子閾值,，并采取圖像金字塔法與高斯濾波算法，剔除劣質(zhì)ORB特征點(diǎn),，以提升圖像關(guān)鍵幀質(zhì)量和特征匹配精度。其次,，引入稠密建圖線程,，利用點(diǎn)云恢復(fù)算法、統(tǒng)計(jì)濾波方法形成點(diǎn)云隊(duì)列,，采取點(diǎn)云拼接技術(shù)與體素濾波算法輸出稠密點(diǎn)云地圖,，并在ORB-SLAM2算法的ROS節(jié)點(diǎn)中增加關(guān)鍵幀輸出接口與位姿發(fā)布話題，通過(guò)NeedNewKeyFrame函數(shù)選取ORB-SLAM2算法所生成的關(guān)鍵幀,，減少系統(tǒng)計(jì)算量,。最終，由RGB-D相機(jī)實(shí)現(xiàn)果園噴藥機(jī)器人的精準(zhǔn)定位與稠密建圖,。為驗(yàn)證本文算法的有效性與實(shí)用性,，進(jìn)行TUM數(shù)據(jù)集仿真分析與真實(shí)場(chǎng)景測(cè)試，結(jié)果表明：相較ORB-SLAM2算法,，本文算法的絕對(duì)軌跡平均誤差降低44.01%,、相對(duì)軌跡平均誤差降低7.93%，ORB特征點(diǎn)匹配數(shù)量平均提升19.03%,，定位精度與運(yùn)行軌跡效果均有顯著提升,，此外，還能獲取較高精度的果園噴藥機(jī)器人工作場(chǎng)景信息,。本文算法可為果園噴藥機(jī)器人的自主導(dǎo)航提供理論基礎(chǔ),。

摘要:果園噴霧機(jī)器人路徑軌跡規(guī)劃影響機(jī)器人行駛路線的平滑線和行駛過(guò)程的可靠性和平穩(wěn)性。針對(duì)目前果園噴霧機(jī)器人路徑規(guī)劃中存在的轉(zhuǎn)彎處參考軌跡不夠平滑,、曲率較大,、行駛不平穩(wěn)等問(wèn)題，提出了一種基于果園噴霧機(jī)器人運(yùn)動(dòng)學(xué)多約束條件的三次非均勻B樣條曲線果園噴霧機(jī)器人軌跡優(yōu)化方法,。通過(guò)先驗(yàn)地圖獲取樹(shù)行位置信息對(duì)行間路徑點(diǎn)進(jìn)行擬合處理,，保證果園噴霧機(jī)器人行駛在樹(shù)行中心線上符合噴霧作業(yè)要求，綜合考慮最小轉(zhuǎn)彎半徑,、首末端點(diǎn)約束,、轉(zhuǎn)向機(jī)構(gòu)延遲約束、曲率連續(xù)等多約束條件構(gòu)建路徑曲率最小化目標(biāo)函數(shù)，并通過(guò)最優(yōu)化算法求解待優(yōu)化的曲線參數(shù),，生成符合果園噴霧機(jī)器人行駛要求的全局路徑,，最后采用純跟蹤算法進(jìn)行跟蹤試驗(yàn)來(lái)驗(yàn)證機(jī)器人行駛精度。仿真與試驗(yàn)結(jié)果表明,，規(guī)劃生成軌跡的最大曲率為0.31m-1,，平均曲率為0.15m-1，符合果園噴霧機(jī)器人的行駛要求,；針對(duì)該軌跡跟蹤行駛的平均橫向誤差為0.225m,，標(biāo)準(zhǔn)差為0.031m，滿足果園噴霧機(jī)器人在果園內(nèi)噴霧作業(yè)時(shí)對(duì)行駛精度的要求,。

摘要:針對(duì)傳統(tǒng)噴桿噴霧機(jī)在轉(zhuǎn)彎,、換行過(guò)程中調(diào)頭空間有限、轉(zhuǎn)向半徑大,、易碾壓作物等問(wèn)題,，提出了一種可利用車(chē)輛平行移動(dòng)來(lái)實(shí)現(xiàn)換行作業(yè)的控制方法,?；谄揭茡Q行方式設(shè)計(jì)了四輪轉(zhuǎn)向噴桿噴霧機(jī)的導(dǎo)航控制系統(tǒng),，該控制系統(tǒng)采用RTK(Real time kinematic)定位模塊和姿態(tài)傳感器進(jìn)行組合導(dǎo)航，以噴霧機(jī)位置信息和姿態(tài)信息作為輸入,，在四輪轉(zhuǎn)向運(yùn)動(dòng)學(xué)模型基礎(chǔ)上,，結(jié)合運(yùn)動(dòng)學(xué)解算實(shí)現(xiàn)了噴桿噴霧機(jī)非轉(zhuǎn)彎調(diào)頭換行的自動(dòng)導(dǎo)航跟蹤控制，根據(jù)噴霧作業(yè)要求設(shè)計(jì)了基于有限狀態(tài)機(jī)的自動(dòng)作業(yè)策略,。開(kāi)展了傳統(tǒng)PID（Proportion integration differentiation）控制器與單神經(jīng)元PID控制器的實(shí)地對(duì)比測(cè)試,。在常規(guī)方形硬質(zhì)平整地塊試驗(yàn)時(shí)，搭載常規(guī)PID控制器的噴霧機(jī)在平移換行過(guò)程中的最大跟蹤偏差,、平均絕對(duì)偏差為7.63,、4.27cm，而搭載單神經(jīng)元PID控制器的噴霧機(jī)在平移換行過(guò)程中的的最大跟蹤偏差,、平均絕對(duì)偏差為6.48,、3.24cm。在常規(guī)方形田間地塊試驗(yàn)時(shí),，搭載常規(guī)PID控制器的噴霧機(jī)在平移換行過(guò)程中的最大跟蹤偏差,、平均絕對(duì)偏差為11.01,、6.66cm，而搭載單神經(jīng)元PID控制器的噴霧機(jī)在平移換行過(guò)程中的最大跟蹤偏差,、平均絕對(duì)偏差為8.60,、4.47cm。試驗(yàn)表明,，單神經(jīng)元PID控制器與傳統(tǒng)控制器相比,，具有較好的控制精度與適應(yīng)性，解決了傳統(tǒng)換行方式轉(zhuǎn)向半徑大而需要較大的轉(zhuǎn)向空間的問(wèn)題,，為寬幅噴桿噴霧機(jī)的地頭轉(zhuǎn)向和換行提供解決方案,。

摘要:引入無(wú)人自主系統(tǒng)實(shí)現(xiàn)水渠網(wǎng)絡(luò)智能化巡檢對(duì)水利工程的建設(shè),、監(jiān)控與維護(hù)具有重要意義。采用無(wú)人機(jī),、無(wú)人車(chē)協(xié)作執(zhí)行水渠巡檢任務(wù)時(shí),，無(wú)人機(jī)在水渠上空完成巡檢工作，無(wú)人車(chē)可作為無(wú)人機(jī)的運(yùn)載平臺(tái)和能量補(bǔ)給站,，有助于實(shí)現(xiàn)大規(guī)模水渠網(wǎng)絡(luò)的快速自主巡檢,。但是，受到水渠網(wǎng)絡(luò),、道路網(wǎng)絡(luò)的雙重約束,，無(wú)人系統(tǒng)的路徑規(guī)劃面臨較大困難。針對(duì)上述問(wèn)題,，本文以最小化完成整個(gè)巡檢任務(wù)時(shí)間為目標(biāo),，首先基于度約束提出了水渠網(wǎng)絡(luò)分割方法，將巡檢任務(wù)分配給無(wú)人機(jī),，使無(wú)人機(jī)在巡檢各子區(qū)域時(shí)不需要起飛或降落進(jìn)行充電,。然后基于遺傳算法為無(wú)人機(jī)和無(wú)人車(chē)計(jì)算最優(yōu)運(yùn)動(dòng)路徑。最后,，通過(guò)實(shí)例驗(yàn)證,，當(dāng)無(wú)人機(jī)以速度60km/h、無(wú)人車(chē)以速度40km/h勻速工作時(shí),，按人工步行巡檢速度2km/h計(jì)算,，無(wú)人系統(tǒng)的巡檢速度為人工巡檢的8.4~9.8倍。

摘要:針對(duì)工業(yè)機(jī)械臂蘋(píng)果采摘時(shí)運(yùn)動(dòng)規(guī)劃復(fù)雜,、自由度多、控制難等問(wèn)題,，本文研制了一款輕量化結(jié)構(gòu)的三自由度蘋(píng)果采摘機(jī)械臂,。首先，針對(duì)蘋(píng)果采摘工作要求完成了機(jī)械臂的結(jié)構(gòu)設(shè)計(jì)與運(yùn)動(dòng)學(xué)分析,。機(jī)械臂采用平行四邊形結(jié)構(gòu),，通過(guò)后置動(dòng)力源減小整機(jī)轉(zhuǎn)動(dòng)慣量，且臂展長(zhǎng),，工作空間大,，運(yùn)動(dòng)時(shí)樹(shù)枝干擾小，更適用于蘋(píng)果采摘,。其次,，采用牛頓-歐拉方程建立動(dòng)力學(xué)模型，完成機(jī)械臂蘋(píng)果采摘仿真,，通過(guò)動(dòng)力學(xué)模型的理論數(shù)據(jù),，以減輕機(jī)械臂自身質(zhì)量為優(yōu)化目標(biāo)，對(duì)臂及其關(guān)鍵部件應(yīng)力及應(yīng)變進(jìn)行分析,，計(jì)算不同輕量化方案下的應(yīng)力,、應(yīng)變，從而選取最優(yōu)的輕量化方案,。通過(guò)對(duì)比輕量化前后機(jī)械臂仿真數(shù)據(jù),，骨棒型輕量化方案驅(qū)動(dòng)力矩峰值分別降低21N·m和 15N·m，均降低約20%,，整機(jī)質(zhì)量下降1.8kg,，降低32.1%，且輕量化后機(jī)械臂保持良好工作能力,。根據(jù)優(yōu)化結(jié)果,，搭建了三自由度蘋(píng)果采摘機(jī)械臂物理樣機(jī)，通過(guò)試驗(yàn)得到大,、小臂最大驅(qū)動(dòng)力矩為92,、63N·m，基本符合仿真結(jié)果,，驗(yàn)證了動(dòng)力學(xué)模型的正確性,。

摘要:針對(duì)傳統(tǒng)旋耕式耕整機(jī)在稻-油或稻-稻-油水旱輪作的油菜種植模式下進(jìn)行耕整地作業(yè)易存在整機(jī)通過(guò)性,、適應(yīng)性差，旋耕裝置作業(yè)碎土率低,、刀輥易纏草,、秸稈埋覆性能差等問(wèn)題，設(shè)計(jì)了一種驅(qū)動(dòng)圓盤(pán)犁與雙刃型旋耕刀組合式耕整機(jī),。提出先主動(dòng)犁耕后雙刃旋耕,、兩側(cè)開(kāi)畦溝的工作方式，分析確定了驅(qū)動(dòng)圓盤(pán)犁組主要結(jié)構(gòu)參數(shù)以及驅(qū)動(dòng)圓盤(pán)犁組-開(kāi)畦溝前犁布局方式,；分析確定了一種應(yīng)用于驅(qū)動(dòng)圓盤(pán)犁與雙刃型旋耕刀組合式耕整機(jī)的雙刃型旋耕裝置關(guān)鍵結(jié)構(gòu)參數(shù),。依據(jù)滑切原理確定了具有長(zhǎng)刃部和短刃部的雙刃型旋耕刀片關(guān)鍵結(jié)構(gòu)參數(shù)；根據(jù)驅(qū)動(dòng)圓盤(pán)犁組結(jié)構(gòu)布局確定了雙刃型旋耕裝置為雙頭螺旋線排列方式,。利用離散元仿真方法分析了整機(jī)的秸稈埋覆性能以及對(duì)土壤耕層交換的影響,，結(jié)果表明整機(jī)作業(yè)平均秸稈埋覆率為94.69%，且整機(jī)作業(yè)后土壤耕層混合均勻,。在秸稈留茬量不同的兩種工況下進(jìn)行田間性能試驗(yàn)，田間性能試驗(yàn)表明,，驅(qū)動(dòng)圓盤(pán)犁與雙刃型旋耕刀組合式耕整機(jī)作業(yè)后平均秸稈埋覆率為96.45%,，平均碎土率為95.30%，犁組不堵塞,，刀輥不易纏草,，機(jī)組通過(guò)性好；田間播種試驗(yàn)表明,，整機(jī)播種后油菜出苗均勻,，整機(jī)作業(yè)各項(xiàng)指標(biāo)均滿足稻茬地油菜直播種床整備要求。

摘要:地表秸稈覆蓋免耕播種具有蓄水保墑、提高土壤肥力,、改良土壤結(jié)構(gòu),、控制土壤侵蝕、降低生產(chǎn)成本和提高作物產(chǎn)量等社會(huì),、生態(tài)和經(jīng)濟(jì)效益,。針對(duì)現(xiàn)有同位仿形免耕播種單體在重度秸稈覆蓋,、高速作業(yè)條件下，清秸裝置作業(yè)質(zhì)量差,、工作效率低問(wèn)題,，改進(jìn)設(shè)計(jì)了一種具有秸稈軸向加速推送功能的清秸裝置。闡明了清秸裝置清理秸稈機(jī)理,，完成了關(guān)鍵部件清秸輪和助推螺旋設(shè)計(jì),，確定了影響其工作性能主要參數(shù)及取值范圍。采用二次回歸正交旋轉(zhuǎn)中心組合試驗(yàn)方法,，以作業(yè)速度,、工作偏角、螺旋升角,、螺旋葉片數(shù)為試驗(yàn)因素,，清秸率和工作阻力為性能評(píng)價(jià)指標(biāo)，在構(gòu)建的EDEM-ADAMS聯(lián)合仿真試驗(yàn)平臺(tái)上實(shí)施參數(shù)組合優(yōu)化試驗(yàn),，結(jié)果表明：各因素對(duì)清秸率影響由大至小依次為作業(yè)速度,、工作偏角、螺旋葉片數(shù),、螺旋升角,；各因素對(duì)工作阻力影響由大至小依次為作業(yè)速度、工作偏角,、螺旋葉片數(shù),、螺旋升角。應(yīng)用Design-Expert軟件對(duì)試驗(yàn)結(jié)果進(jìn)行參數(shù)組合優(yōu)化,，當(dāng)螺旋升角為40°,、螺旋葉片數(shù)為4、作業(yè)速度為7.5～10.7km/h,、工作偏角為20.0°～32.5°時(shí),，清秸率大于85%，工作阻力小于110N,。在作業(yè)速度8,、9、10km/h條件下,，對(duì)螺旋升角40°,、螺旋葉片數(shù)4、工作偏角30°的清秸裝置進(jìn)行田間性能試驗(yàn),，得到清秸率大于82%,，工作阻力小于112N，表明仿真試驗(yàn)結(jié)果可信,，在作業(yè)速度10km/h條件下相對(duì)未優(yōu)化清秸裝置清秸率提高33.5%,、工作阻力無(wú)顯著性差異,。

摘要:清篩裝置對(duì)篩片的振動(dòng)激勵(lì)是提高物料透篩概率,、減少篩孔堵塞以及有效清篩的根本因素。現(xiàn)有清篩裝置多使用隨機(jī)彈跳的橡膠球完成清篩作業(yè),，但其清篩效果易受到結(jié)構(gòu)與工作參數(shù)制約,。為解決橡膠球激振力難以精準(zhǔn)調(diào)控問(wèn)題，設(shè)計(jì)了電磁變頻激振清篩裝置,，闡述了總體結(jié)構(gòu)與工作原理,，設(shè)計(jì)了激振清篩單體與變頻激振控制系統(tǒng)，分析了振動(dòng)激勵(lì)作用機(jī)制,；以加速度為指標(biāo),，研究了彈簧預(yù)壓縮量與激振頻率對(duì)振動(dòng)激勵(lì)的影響規(guī)律，結(jié)果表明兩者均與振動(dòng)激勵(lì)正相關(guān),；以?xún)舳?、篩分效率、篩分時(shí)間,、卡種數(shù)量為指標(biāo)開(kāi)展了16組玉米種子清選試驗(yàn),，試驗(yàn)結(jié)果表明彈簧預(yù)壓縮量為2mm、工作頻率為3.5Hz,、清篩頻率為50Hz時(shí)清篩裝置具有較好的作業(yè)效果,，種子凈度99.1%,，篩分效率88.6%,，篩分時(shí)間70s，卡種數(shù)量為0,；通過(guò)分段設(shè)置工作頻率與清篩頻率,，實(shí)現(xiàn)了清篩裝置激振力的精準(zhǔn)調(diào)控，能夠滿足不同工況下正常篩分與強(qiáng)振清篩的作業(yè)要求,。

摘要:針對(duì)玉米在高速（12~16km/h）播種時(shí)籽粒脫離種盤(pán)初速度大,，與帶式導(dǎo)種裝置種腔內(nèi)壁碰撞彈跳,，發(fā)生碰撞異位,，導(dǎo)致籽粒進(jìn)入種腔精準(zhǔn)度低等問(wèn)題，以具有納種機(jī)構(gòu)的帶式玉米高速導(dǎo)種裝置為研究對(duì)象,，建立籽粒夾取,、轉(zhuǎn)運(yùn)和排放動(dòng)力學(xué)模型，提出在撥指表面添加人字形紋路的改進(jìn)方法,，明確影響納種穩(wěn)定性與籽粒進(jìn)入種腔精準(zhǔn)度的主要因素,。利用高速攝像與圖像目標(biāo)追蹤技術(shù)進(jìn)行單因素對(duì)比試驗(yàn)及多因素優(yōu)化試驗(yàn)。單因素試驗(yàn)結(jié)果表明,，播種速度較快時(shí),，有人字形紋路撥指輪納種合格指數(shù)和種腔間隔變異系數(shù)均明顯優(yōu)于無(wú)人字形紋路撥指輪。為獲得撥指輪改進(jìn)后的納種機(jī)構(gòu)最佳性能參數(shù),，以輪心距,、撥指輪轉(zhuǎn)速及撥指長(zhǎng)度為試驗(yàn)因素，以納種合格指數(shù)與種腔間隔變異系數(shù)為評(píng)價(jià)指標(biāo),，進(jìn)行三因素五水平二次正交旋轉(zhuǎn)組合試驗(yàn),，采用多目標(biāo)優(yōu)化方法，確定當(dāng)輪心距為36.8mm,，撥指輪轉(zhuǎn)速為584.97r/min,，撥指長(zhǎng)度為10.8mm時(shí)，納種合格指數(shù)為98.23%,，種腔間隔變異系數(shù)為0.24%,。對(duì)優(yōu)化結(jié)果進(jìn)行驗(yàn)證試驗(yàn)，驗(yàn)證結(jié)果與優(yōu)化結(jié)果基本一致,。在相同條件下進(jìn)行臺(tái)架對(duì)比試驗(yàn),，結(jié)果表明，有帶式玉米高速導(dǎo)種裝置的作業(yè)性能遠(yuǎn)優(yōu)于不安裝帶式玉米高速導(dǎo)種裝置的作業(yè)性能,。

摘要:針對(duì)蠶豆種子粒徑大,、三軸尺寸差異大,，充種困難的問(wèn)題，設(shè)計(jì)了一種帶有平帶輔助充種裝置的氣吸式蠶豆精量排種器,。通過(guò)對(duì)充種過(guò)程中的動(dòng)力學(xué)分析闡述了平帶輔助充種裝置及種子的運(yùn)動(dòng)機(jī)理,；利用計(jì)算流體力學(xué)和離散元法雙向耦合模擬的方法（Computational fluid dynamics and discrete element method,CFD-DEM），開(kāi)展了單因素試驗(yàn)，確定了影響排種器充種性能的主要零部件參數(shù)并明晰了平帶輔助充種機(jī)理,；搭建試驗(yàn)臺(tái)架,，選取作業(yè)速度、平帶輸入軸轉(zhuǎn)速和負(fù)壓為試驗(yàn)因素,，合格指數(shù),、重播指數(shù)、漏播指數(shù)為試驗(yàn)指標(biāo),，進(jìn)行了二次回歸正交組合試驗(yàn),。試驗(yàn)結(jié)果表明，影響排種器合格指數(shù)的因素主次順序?yàn)椋鹤鳂I(yè)速度,、負(fù)壓,、平帶輸入軸轉(zhuǎn)速。對(duì)試驗(yàn)結(jié)果進(jìn)行多目標(biāo)優(yōu)化,，得到最優(yōu)參數(shù)組合為作業(yè)速度5.69km/h,、平帶輸入軸轉(zhuǎn)速395r/min、負(fù)壓3845Pa,，對(duì)此結(jié)果進(jìn)行排種器性能試驗(yàn)驗(yàn)證,，此時(shí)合格指數(shù)為91.6%、重播指數(shù)為3.8%,、漏播指數(shù)為4.6%,，滿足蠶豆播種要求。

摘要:玉米播種機(jī)高速,、精量作業(yè)時(shí),，投種點(diǎn)高，種子因劇烈碰撞,，而導(dǎo)致粒距均勻性差,，為此基于文丘里原理，設(shè)計(jì)一種利用正壓氣流輔助輸種的導(dǎo)種裝置,，確定了導(dǎo)種裝置的主要結(jié)構(gòu)和關(guān)鍵參數(shù),。分析了氣流輔助輸種,，實(shí)現(xiàn)“零速投種”的機(jī)理,。采用DEM-CFD耦合仿真方法模擬導(dǎo)種裝置的工作過(guò)程，通過(guò)對(duì)比分析氣流場(chǎng),、種子的出射速度,，確定進(jìn)氣室收縮角為70°、進(jìn)氣室收縮段長(zhǎng)度為8.2mm。利用排種器性能測(cè)試平臺(tái)進(jìn)行速度匹配試驗(yàn),、彈跳試驗(yàn),、作業(yè)性能試驗(yàn)和對(duì)比試驗(yàn)，結(jié)果表明：作業(yè)速度為8~16km/h,、粒距為20~25cm時(shí),，合格指數(shù)不小于85.7%；粒距變異系數(shù)不大于15.8%,。與重力式導(dǎo)種管相比,，作業(yè)速度越高，正壓氣流輔助導(dǎo)種裝置的優(yōu)良作業(yè)性能越突出,，作業(yè)速度為16km/h時(shí),，粒距合格指數(shù)增加13.6個(gè)百分點(diǎn)，粒距變異系數(shù)減少7.4個(gè)百分點(diǎn),，滿足高速條件下精量輸種的要求,，有利于提升高速精量播種機(jī)整體作業(yè)性能。

摘要:為解決螺旋排肥器排肥流量不均勻影響精控施肥的問(wèn)題,，在通過(guò)排肥過(guò)程肥料運(yùn)動(dòng)狀態(tài)仿真分析確定其排肥不均原因的基礎(chǔ)上，采用傾斜排肥口的結(jié)構(gòu)設(shè)計(jì)以提升排肥均勻性,。利用EDEM建立斜口螺旋排肥器仿真模型,，以斜口長(zhǎng)度x1、斜口角度x2,、開(kāi)口寬度x3試驗(yàn)因素,，排肥流量變異系數(shù)為試驗(yàn)指標(biāo)，進(jìn)行二次通用旋轉(zhuǎn)組合設(shè)計(jì)試驗(yàn)研究,。試驗(yàn)結(jié)果表明：試驗(yàn)因素對(duì)試驗(yàn)指標(biāo)的影響主次順序?yàn)閤3,、x2、x1,，且當(dāng)x1為105mm,、x2在30°~44°范圍內(nèi)、x3在40.05~55.00mm范圍內(nèi)時(shí),，排肥流量變異系數(shù)σ小于15%,，排肥均勻性較佳。采用臺(tái)架試驗(yàn)對(duì)傳統(tǒng)及斜口螺旋排肥器進(jìn)行對(duì)比試驗(yàn),，結(jié)果證明：轉(zhuǎn)速60r/min時(shí)斜口螺旋排肥器排肥流量變異系數(shù)σ為13.59%,，與理論優(yōu)化值相吻合,，且斜口螺旋排肥器均優(yōu)于傳統(tǒng)螺旋排肥器。同時(shí)基于實(shí)測(cè)的排肥器排肥轉(zhuǎn)速流量曲線,，設(shè)計(jì)一種排肥控制器并進(jìn)行臺(tái)架試驗(yàn),，結(jié)果表明其可實(shí)現(xiàn)精控施肥。

摘要:針對(duì)入缽?qiáng)A取式全自動(dòng)蔬菜缽苗移栽機(jī)取苗爪體積小，夾持力檢測(cè)傳感器結(jié)構(gòu)與安裝方式干涉取苗爪正常取投動(dòng)作,、影響自身精度與使用壽命等問(wèn)題,，本文選用聚二甲基硅氧烷(Polydimethylsiloxane，PDMS)薄膜作為傳感器介電層,，設(shè)計(jì)了一種內(nèi)置式缽苗夾持力傳感器,，并通過(guò)嵌入方式實(shí)現(xiàn)取苗爪與傳感器一體化設(shè)計(jì)。建立穴孔,、缽體基質(zhì),、取苗爪仿真模型，應(yīng)用LS-PrePost軟件對(duì)取苗過(guò)程進(jìn)行耦合仿真,，得到取苗爪與缽體基質(zhì)接觸部位最大受力區(qū)域,，確定了取苗爪與傳感器的結(jié)構(gòu)與尺寸；設(shè)計(jì)夾持力信號(hào)檢測(cè)系統(tǒng),，將硬件電路與采集軟件結(jié)合,，完成電容量-電壓轉(zhuǎn)換、信號(hào)放大,、噪聲濾除,，實(shí)現(xiàn)夾持力信號(hào)的采集、處理,、顯示與保存等功能,。為驗(yàn)證傳感器性能，進(jìn)行傳感器標(biāo)定試驗(yàn)與室內(nèi)驗(yàn)證試驗(yàn),。標(biāo)定試驗(yàn)表明,，在不同振蕩頻率下，夾持力傳感器平均靈敏度為0.3728N/V,，平均線性決定系數(shù)為0.9892,，精度為7.548%，量程為7N,，滿足移栽過(guò)程中夾持力檢測(cè)的準(zhǔn)確度要求,；室內(nèi)驗(yàn)證試驗(yàn)表明，夾持力檢測(cè)傳感器具有良好的穩(wěn)定性與適應(yīng)性,，可用于移栽機(jī)取苗機(jī)構(gòu)夾持實(shí)時(shí)精準(zhǔn)檢測(cè),。

摘要:為探討黃土高原地區(qū)2001—2020年間干旱時(shí)空變化特征及其影響因素,，利用MODIS增強(qiáng)植被指數(shù)（Enhanced vegetation index, EVI）以及地表溫度（Land surface temperature, LST）數(shù)據(jù)，構(gòu)建溫度植被干旱指數(shù)（Temperature vegetation dryness index, TVDI）模型,，探究黃土高原地區(qū)2001—2020年TVDI指數(shù)時(shí)空動(dòng)態(tài),、變化趨勢(shì)并利用地理探測(cè)器模型分析TVDI空間分異性的驅(qū)動(dòng)因子。結(jié)果表明： 2001—2020年間黃土高原TVDI空間分布具有較強(qiáng)的空間分異性,，總體上呈現(xiàn)從西向東旱情逐漸增加的趨勢(shì),，黃土高原多年平均TVDI為0.522，整體上處于輕旱狀態(tài),。從TVDI多年變化趨勢(shì)上分析,，超過(guò)64%的區(qū)域有干旱加劇的趨勢(shì)，且存在明顯的地域分異規(guī)律,，黃土高原西北部的內(nèi)蒙古,、寧夏北部以及山西部分地區(qū)旱情大多呈加劇趨勢(shì)，而旱情緩解區(qū)域較為集中,，多分布于陜西中部,、寧夏南部和甘肅北部。各土地利用類(lèi)型的TVDI年際變化均呈現(xiàn)不同程度上升的趨勢(shì)且各土地利用類(lèi)型年均TVDI差異明顯,，從大到小依次為：未利用地（0.571）,、草地（0.554）、耕地（0.503）,、林地（0.473）和建筑用地（0.462）,。黃土高原地區(qū)TVDI的空間分異主要受高程、土壤類(lèi)型,、植被類(lèi)型3個(gè)因子影響,，三者q均超過(guò)0.3，是黃土高原干旱的主要驅(qū)動(dòng)因素,；在多因子交互作用下,，高程與SIF組合對(duì)黃土高原干旱發(fā)生的影響力最強(qiáng)，q達(dá)到0.709,。

摘要:馬鈴薯植株鉀含量（Plant potassium content,，PKC）是監(jiān)測(cè)馬鈴薯營(yíng)養(yǎng)狀況的重要指標(biāo),，快速準(zhǔn)確地獲取馬鈴薯植株鉀含量對(duì)田間施肥和生產(chǎn)管理具有指導(dǎo)意義?；跓o(wú)人機(jī)遙感平臺(tái)搭載RGB傳感器分別獲取馬鈴薯塊莖形成期,、塊莖增長(zhǎng)期和淀粉積累期的RGB影像，并實(shí)測(cè)馬鈴薯植株鉀含量,。首先利用各個(gè)生育期的RGB影像提取每個(gè)小區(qū)冠層平均光譜和紋理特征,。然后分別基于冠層光譜和紋理特征構(gòu)建植被指數(shù)和紋理指數(shù)(NDTI、RTI和DTI),，并與實(shí)測(cè)PKC進(jìn)行相關(guān)性分析,。最后利用多元線性回歸(Multiple linear regression，MLR),、偏最小二乘(Partial least squares regression,，PLSR)和人工神經(jīng)網(wǎng)絡(luò)(Artificial neural networks，ANN)構(gòu)建馬鈴薯PKC估算模型,。結(jié)果表明：各生育期NDTI,、RTI和DTI與馬鈴薯PKC相關(guān)性均高于單一紋理特征，植被指數(shù)結(jié)合紋理指數(shù)均能提高模型的可靠性和穩(wěn)定性,，MLR和PLSR構(gòu)建的估算模型精度均優(yōu)于ANN,。本研究可為馬鈴薯PKC監(jiān)測(cè)提供科學(xué)參考。

摘要:傳統(tǒng)的人工種苗表型測(cè)量方式存在效率低,、主觀性強(qiáng),、誤差大、破壞種苗等問(wèn)題,，提出了一種使用RGB-D相機(jī)的黃瓜苗表型無(wú)損測(cè)量方法,。研制了自動(dòng)化多視角圖像采集平臺(tái)，布署兩臺(tái)Azure Kinect相機(jī)同時(shí)拍攝俯視和側(cè)視兩個(gè)視角的彩色,、深度,、紅外和RGB-D對(duì)齊圖像,。使用Mask R-CNN網(wǎng)絡(luò)分割近紅外圖像中的葉片和莖稈，再與對(duì)齊圖進(jìn)行掩膜,，消除了對(duì)齊圖中的背景噪聲與重影并得到葉片和莖稈器官的對(duì)齊圖像,。網(wǎng)絡(luò)實(shí)例分割結(jié)果的類(lèi)別和數(shù)量即為子葉和真葉的數(shù)量。使用CycleGAN網(wǎng)絡(luò)處理單個(gè)葉片的對(duì)齊圖,，對(duì)缺失部分進(jìn)行修補(bǔ)并轉(zhuǎn)換為3D點(diǎn)云,，再對(duì)點(diǎn)云進(jìn)行濾波實(shí)現(xiàn)保邊去噪,，最后對(duì)點(diǎn)云進(jìn)行三角化測(cè)量葉面積,。在Mask R-CNN分割得到的莖稈對(duì)齊圖像中，利用莖稈的近似矩形特征,，分別計(jì)算莖稈的長(zhǎng)和寬,，再結(jié)合深度信息轉(zhuǎn)換為下胚軸長(zhǎng)和莖粗。使用YOLO v5s檢測(cè)對(duì)齊圖中的黃瓜苗生長(zhǎng)點(diǎn),，利用生長(zhǎng)點(diǎn)與基質(zhì)的高度差計(jì)算株高,。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)具有很好的通量和精度,，對(duì)子葉時(shí)期,、1葉1心時(shí)期和2葉1心時(shí)期的黃瓜苗關(guān)鍵表型測(cè)量平均絕對(duì)誤差均不高于8.59%、R2不低于0.83,，可以很好地替代人工測(cè)量方式,，為品種選育、栽培管理,、生長(zhǎng)建模等研究提供關(guān)鍵基礎(chǔ)數(shù)據(jù),。

摘要:現(xiàn)有基于深度學(xué)習(xí)的農(nóng)作物病害識(shí)別方法對(duì)網(wǎng)絡(luò)淺層,、中層、深層特征中包含的判別信息挖掘不夠,，且提取的農(nóng)作物病害圖像顯著性特征大多不足,，為了更加有效地提取農(nóng)作物病害圖像中的判別特征，提高農(nóng)作物病害識(shí)別精度,，提出一種基于多層信息融合和顯著性特征增強(qiáng)的農(nóng)作物病害識(shí)別網(wǎng)絡(luò)(Crop disease recognition network based on multilayer information fusion and saliency feature enhancement, MISF-Net),。MISF-Net主要由ConvNext主干網(wǎng)絡(luò)、多層信息融合模塊,、顯著性特征增強(qiáng)模塊組成,。其中,，ConvNext主干網(wǎng)絡(luò)主要用于提取農(nóng)作物病害圖像的特征；多層信息融合模塊主要用于提取和融合主干網(wǎng)絡(luò)淺層,、中層,、深層特征中的判別信息；顯著性特征增強(qiáng)模塊主要用于增強(qiáng)農(nóng)作物病害圖像中的顯著性判別特征,。在農(nóng)作物病害數(shù)據(jù)集AI challenger 2018及自制數(shù)據(jù)集RCP-Crops上的實(shí)驗(yàn)結(jié)果表明,，MISF-Net的農(nóng)作物病害識(shí)別準(zhǔn)確率分別達(dá)到87.84%、95.41%,，F(xiàn)1值分別達(dá)到87.72%,、95.31%。

摘要:植物病害是造成農(nóng)作物減產(chǎn)的主要原因之一,。針對(duì)傳統(tǒng)的人工診斷方法存在成本高、效率低等問(wèn)題,，構(gòu)建了一個(gè)自然復(fù)雜環(huán)境下的葡萄病害數(shù)據(jù)集,，該數(shù)據(jù)集中的圖像由農(nóng)民在實(shí)際農(nóng)業(yè)生產(chǎn)中拍攝，同時(shí)提出了一個(gè)新的網(wǎng)絡(luò)模型MANet,，該模型可以準(zhǔn)確地識(shí)別復(fù)雜環(huán)境下的葡萄病害,。在MANet中嵌入倒殘差模塊來(lái)構(gòu)建網(wǎng)絡(luò)，這極大降低了模型參數(shù)量和計(jì)算成本,。同時(shí),，將注意力機(jī)制SENet模塊添加到MANet中，提高了模型對(duì)病害特征的表示能力,，使模型更加注意關(guān)鍵特征,，抑制不必要的特征，從而減少圖像中復(fù)雜背景的影響,。此外,，設(shè)計(jì)了一個(gè)多尺度特征融合模塊（Multi-scale convolution）用來(lái)提取和融合病害圖像的多尺度特征，這進(jìn)一步提高了模型對(duì)不同病害的識(shí)別精度,。實(shí)驗(yàn)結(jié)果表明,，與其他先進(jìn)模型相比，本文模型表現(xiàn)出了優(yōu)越的性能,，該模型在自建復(fù)雜背景病害數(shù)據(jù)集上的平均識(shí)別準(zhǔn)確率為87.93%,，優(yōu)于其他模型，模型參數(shù)量為2.20×106,。同時(shí),，為了進(jìn)一步驗(yàn)證該模型的魯棒性，還在公開(kāi)農(nóng)作物病害數(shù)據(jù)集上進(jìn)行了測(cè)試，該模型依然表現(xiàn)出較好的識(shí)別效果,，平均識(shí)別準(zhǔn)確率為99.65%,，高于其他模型。因此,，本文模型具有實(shí)際應(yīng)用潛力,。

摘要:為解決高光譜影像受傳感器及分辨率的影響所產(chǎn)生的光譜變化給解混造成的困擾，提出基于多模態(tài)多目標(biāo)優(yōu)化的端元束提取方法(MOPSOSCD),。對(duì)高光譜圖像進(jìn)行標(biāo)號(hào)編碼,，采用基于索引的環(huán)形拓?fù)浣Y(jié)構(gòu)進(jìn)行鄰域的個(gè)體交互，通過(guò)鄰域最優(yōu)改進(jìn)粒子群速度更新方式并整數(shù)化粒子位置更新,。同時(shí),，根據(jù)高光譜圖像空間特征,，通過(guò)改進(jìn)決策空間擁擠距離提高決策空間的多樣性,，再結(jié)合目標(biāo)空間的擁擠距離進(jìn)行綜合排序，實(shí)現(xiàn)多模態(tài)多目標(biāo)優(yōu)化的粒子篩選,。當(dāng)粒子定向移動(dòng)概率pm為0.2,、粒子數(shù)P為30及迭代次數(shù)M為400時(shí)，算法在MUUFL數(shù)據(jù)集上均方根誤差(RMSE)及平均光譜角距離(mSAD)分別為0.0088,、0.1112,。通過(guò)對(duì)比試驗(yàn)，本文方法相較于VCA,、DPSO等方法具有更高的提取精度和效率,，為高光譜解混提供了更加準(zhǔn)確的端元束提取方法。

摘要:在實(shí)際生產(chǎn)中,，麥苗株數(shù)對(duì)出苗率估算,、產(chǎn)量預(yù)測(cè)以及籽粒品質(zhì)預(yù)估等起著關(guān)鍵作用，及時(shí)準(zhǔn)確地估算出麥苗株數(shù)對(duì)于小麥生產(chǎn)至關(guān)重要,。由于田間生長(zhǎng)環(huán)境復(fù)雜,，麥苗成像易受光照、遮擋和重疊等因素的影響,，導(dǎo)致現(xiàn)有目標(biāo)對(duì)象計(jì)數(shù)方法直接用于麥苗計(jì)數(shù)時(shí)性能不高,。為減弱上述因素對(duì)麥苗計(jì)數(shù)的影響,，進(jìn)一步提高計(jì)數(shù)準(zhǔn)確率，本文對(duì)現(xiàn)有的目標(biāo)對(duì)象計(jì)數(shù)網(wǎng)絡(luò)P2PNet (Point to point network)進(jìn)行改進(jìn),，提出增強(qiáng)局部上下文監(jiān)督信息的麥苗計(jì)數(shù)模型P2P_Seg,。首先，對(duì)麥苗圖像進(jìn)行預(yù)處理,，使用點(diǎn)標(biāo)注方法自建麥苗數(shù)據(jù)集,；其次，引入麥苗局部分割分支改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu),，以提取麥苗局部上下文監(jiān)督信息,；然后，設(shè)計(jì)逐元素點(diǎn)乘機(jī)制融合麥苗全局信息和局部上下文監(jiān)督信息,；最后,，引入逐像素加權(quán)焦點(diǎn)損失(Per-pixel weighted focal loss)構(gòu)建總損失函數(shù)，對(duì)模型進(jìn)行優(yōu)化,。在自建數(shù)據(jù)集上的實(shí)驗(yàn)表明,，P2P_Seg的平均絕對(duì)誤差(Mean absolute error，MAE)和均方根誤差(Root mean square error,，RMSE)分別為586和768,，比P2PNet分別降低0.74和1.78；與其他先進(jìn)計(jì)數(shù)模型相比,，P2P_Seg具有更好的計(jì)數(shù)效果,。在實(shí)際大田環(huán)境下進(jìn)行了應(yīng)用測(cè)試分析、誤計(jì)數(shù)和漏計(jì)數(shù)情況分析,，結(jié)果表明P2P_Seg更適合復(fù)雜田間環(huán)境,，為麥苗株數(shù)自動(dòng)統(tǒng)計(jì)提供了新方法。

摘要:針對(duì)目前植物解剖表型的測(cè)量與分析過(guò)程自動(dòng)化低,，難以應(yīng)對(duì)復(fù)雜解剖表型的提取和識(shí)別的問(wèn)題,，以柑橘主葉脈為研究對(duì)象，提出了一種基于掩膜區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Mask region convolutional neural network,，Mask R-CNN）的主葉脈顯微圖像實(shí)例分割模型,，以殘差網(wǎng)絡(luò)ResNet50和特征金字塔（Feature pyramid network，F(xiàn)PN）為主干特征提取網(wǎng)絡(luò)，在掩膜（Mask）分支上添加一個(gè)新的感興趣區(qū)域?qū)R層（Region of interest Align,，RoI-Align）,，提升Mask分支的分割精度。結(jié)果表明,，該網(wǎng)絡(luò)架構(gòu)能夠精準(zhǔn)地對(duì)柑橘主葉脈橫切面中的髓部,、木質(zhì)部、韌皮部和皮層細(xì)胞進(jìn)行識(shí)別分割,。Mask R-CNN模型對(duì)髓部,、木質(zhì)部、韌皮部和皮層細(xì)胞的分割平均精確率(交并比(IoU)為0.50)分別為98.9%,、89.8%,、95.7%和97.2%，對(duì)4個(gè)組織區(qū)域的分割平均精確率均值(IoU為0.50)為95.4%,。與未在Mask分支添加RoI-Align的Mask R-CNN相比,，精度提升1.6個(gè)百分點(diǎn)。研究結(jié)果表明,，Mask R-CNN模型對(duì)柑橘主葉脈各類(lèi)組織區(qū)域具有良好的識(shí)別分割效果,，可為柑橘微觀表型研究提供技術(shù)支持與研究基礎(chǔ)。

摘要:為解決蘆筍采收機(jī)器人選擇性采收過(guò)程中成熟蘆筍的判別和采摘手準(zhǔn)確定位難題,，提出了一種改進(jìn)YOLACT++（You only look at coefficients）算法,，利用該方法對(duì)成熟蘆筍進(jìn)行檢測(cè)判別并定位采收切割。通過(guò)引入CBAM（Convolutional block attention module）注意力機(jī)制以及SPP（Spatial pyramid pooling）結(jié)構(gòu)改進(jìn)傳統(tǒng)的YOLACT++主干網(wǎng)絡(luò),，提高了特征提取的有效性,；設(shè)計(jì)了適用于蘆筍目標(biāo)檢測(cè)的錨框長(zhǎng)寬比以保證覆蓋到不同姿態(tài)的蘆筍，以提高網(wǎng)絡(luò)檢測(cè)速度和準(zhǔn)確率,。利用生成的蘆筍掩膜分段計(jì)算蘆筍長(zhǎng)度和基部直徑,，來(lái)判定成熟蘆筍，并通過(guò)空間位姿向量計(jì)算成熟蘆筍基部區(qū)域切割點(diǎn)位置,。采收機(jī)器人田間試驗(yàn)結(jié)果表明,，經(jīng)過(guò)訓(xùn)練的改進(jìn)YOLACT++模型的檢測(cè)準(zhǔn)確率為95.22%，掩膜平均準(zhǔn)確率為95.60%,，640像素×480像素圖像檢測(cè)耗時(shí)53.65ms,，成熟蘆筍判別準(zhǔn)確率為95.24%，在X、Y,、Z方向的切割點(diǎn)定位誤差小于2.89mm,，滾轉(zhuǎn)角和俯仰角誤差最大為7.17°；與Mask R-CNN,、SOLO和YOLACT++模型相比,，掩膜平均準(zhǔn)確率分別提高2.28、9.33,、21.41個(gè)百分點(diǎn),，最大定位誤差分別降低1.07、1.41,、1.92mm,，最大角度誤差分別降低1.81°、2.46°和3.81°,。使用該方法試制的蘆筍采收機(jī)器人,，采收成功率為96.15%，單根蘆筍采收總耗時(shí)僅為12.15s,。本研究提出的檢測(cè)-判別-定位方法在保證響應(yīng)速度的前提下具有較高的檢測(cè)精度和定位精度,，為優(yōu)化改進(jìn)基于機(jī)器視覺(jué)的蘆筍采收機(jī)器人提供了技術(shù)支持。

摘要:針對(duì)紅花采摘機(jī)器人田間作業(yè)時(shí)花冠檢測(cè)及定位精度不高的問(wèn)題，提出了一種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)定位算法（Mobile safflower detection and position network,，MSDP-Net）,。針對(duì)目標(biāo)檢測(cè)，本文提出了一種改進(jìn)的YOLO v5m網(wǎng)絡(luò)模型C-YOLO v5m,，在YOLO v5m主干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)插入卷積塊注意力模塊,，使模型準(zhǔn)確率、召回率,、平均精度均值相較于改進(jìn)前分別提高4.98,、4.3、5.5個(gè)百分點(diǎn),。針對(duì)空間定位,，本文提出了一種相機(jī)移動(dòng)式空間定位方法，將雙目相機(jī)安裝在平移臺(tái)上,，使其能在水平方向上進(jìn)行移動(dòng),，從而使定位精度一直處于最佳范圍,，同時(shí)避免了因花冠被遮擋而造成的漏檢。經(jīng)田間試驗(yàn)驗(yàn)證,，移動(dòng)相機(jī)式定位成功率為93.79%,，較固定相機(jī)式定位成功率提升9.32個(gè)百分點(diǎn)，且在X,、Y,、Z方向上移動(dòng)相機(jī)式定位方法的平均偏差小于3mm。將MSDP-Net算法與目前主流目標(biāo)檢測(cè)算法的性能進(jìn)行對(duì)比,，結(jié)果表明,，MSDP-Net的綜合檢測(cè)性能均優(yōu)于其他5種算法，其更適用于紅花花冠的檢測(cè),。將MSDP-Net算法和相機(jī)移動(dòng)式定位方法應(yīng)用于自主研發(fā)的紅花采摘機(jī)器人上進(jìn)行采摘試驗(yàn),。室內(nèi)試驗(yàn)結(jié)果表明，在500次重復(fù)試驗(yàn)中,，成功采摘451朵,，漏采49朵，采摘成功率90.20%,。田間試驗(yàn)結(jié)果表明,，在選取壟長(zhǎng)為15m范圍內(nèi)，盛花期紅花花冠采摘成功率大于90%,。

摘要:活立木莖干水分狀況是植物生命狀態(tài)的有效體現(xiàn),，其中莖干含水率（Stem water content,，StWC）和液流密度（Sap flux density，SFD）是研究植物體內(nèi)水分變化規(guī)律的重要參數(shù),。準(zhǔn)確檢測(cè)活立木莖干同一空間位置的含水率和液流密度可以更有效地分析2個(gè)參數(shù)的關(guān)系、評(píng)估植物生長(zhǎng)狀況,。將基于駐波率（Standing wave ratio,，SWR）原理的莖干水分檢測(cè)方法和基于熱比率法（Heat ratio method，HRM）原理的莖干液流檢測(cè)方法結(jié)合,，設(shè)計(jì)了活立木莖干含水率和液流復(fù)合參數(shù)檢測(cè)傳感器,，復(fù)合傳感器的含水率檢測(cè)單元和液流檢測(cè)單元復(fù)用一套三針式探針，可對(duì)活立木莖干同一位置的含水率和液流實(shí)時(shí)精準(zhǔn)檢測(cè),。含水率檢測(cè)單元輸出電壓與介電常數(shù)（6～53.3范圍內(nèi),，對(duì)應(yīng)莖干含水率為0～85%）具有良好的線性關(guān)系（決定系數(shù)R2=0.9701）,，靜態(tài)穩(wěn)定性良好（長(zhǎng)時(shí)間測(cè)試最大波動(dòng)為0.6%全量程）。以楊樹(shù)為研究對(duì)象,，含水率檢測(cè)單元與BD-IV型植物莖體水分傳感器的對(duì)比實(shí)驗(yàn)結(jié)果一致（決定系數(shù)R2=0.9800）,。液流檢測(cè)單元與ST1221型熱擴(kuò)散式液流計(jì)對(duì)比，二者檢測(cè)的楊樹(shù)液流密度具有顯著的線性關(guān)系(決定系數(shù)R2=0.8991),，熱擴(kuò)散式液流計(jì)不能準(zhǔn)確判斷零液流條件而低估了液流密度,，ST1221型液流計(jì)檢測(cè)的平均值比本系統(tǒng)液流檢測(cè)單元低1.1cm/h，液流檢測(cè)單元使用的熱比率法可以準(zhǔn)確檢測(cè)低速液流,。復(fù)合傳感器對(duì)楊樹(shù)莖干含水率和液流的長(zhǎng)時(shí)間監(jiān)測(cè)結(jié)果與前人研究一致且符合植物生理規(guī)律,。莖干含水率和液流存在極顯著的負(fù)相關(guān)性（Pearson相關(guān)系數(shù)為-0.7951）。

摘要:莖流測(cè)量是研究植物耗水規(guī)律的重要手段，現(xiàn)有莖流傳感器多基于熱平衡法進(jìn)行設(shè)計(jì),，但在低溫天氣時(shí),，植物蒸騰作用不明顯，莖流瞬時(shí)變化響應(yīng)不靈敏,，導(dǎo)致測(cè)量結(jié)果不精確,。針對(duì)上述問(wèn)題，設(shè)計(jì)了一種熱源自適應(yīng)莖流檢測(cè)與調(diào)控系統(tǒng),。綜合考慮不同因素下莖流消耗在熱源提供能量占比中變化趨勢(shì)的建模需求,，設(shè)計(jì)融合外界溫度、莖流速率,、橫截面積等多環(huán)境因子莖流標(biāo)定嵌套試驗(yàn),。在此基礎(chǔ)上，利用支持向量機(jī)回歸算法（Support vector regression,，SVR)和遺傳算法（Genetic algorithm,，GA)，建立熱源功率自適應(yīng)模型,。結(jié)果表明所建模型的最優(yōu)決定系數(shù)與均方根誤差分別為0.989和0.015W,。基于LoRa無(wú)線傳感網(wǎng)絡(luò)構(gòu)建莖流檢測(cè)與調(diào)控系統(tǒng),，實(shí)現(xiàn)多組溫度信息和熱源功率的監(jiān)測(cè),，系統(tǒng)調(diào)用移植到嵌入式設(shè)備的熱源自適應(yīng)模型動(dòng)態(tài)獲取熱源功率調(diào)控目標(biāo)值，并發(fā)送至執(zhí)行控制器,，控制功率調(diào)控模塊,，實(shí)現(xiàn)熱源自適應(yīng)融合的功率動(dòng)態(tài)控制,。精度驗(yàn)證試驗(yàn)顯示：在低溫段時(shí)，本系統(tǒng)比FLOW-32KS型傳感器平均相對(duì)誤差小2.64（6℃）,、2.53（11℃）,、3.68個(gè)百分點(diǎn)（16℃）。在高溫段時(shí),，自適應(yīng)模型修正對(duì)結(jié)果影響不大,，雙系統(tǒng)相對(duì)誤差互有高低。證明本系統(tǒng)嵌入基于熱平衡法的GA-SVR算法熱源自適應(yīng)模型后,，能確保莖流消耗能量Qf在輸入總能量Pin中占比穩(wěn)定,，滿足提高熱平衡莖流測(cè)量精度的需求。

摘要:籠養(yǎng)模式下雞/蛋自動(dòng)識(shí)別與計(jì)數(shù)在低產(chǎn)能雞判別及雞舍智能化管理方面具有重要作用，針對(duì)雞舍內(nèi)光線不均,、雞只與籠之間遮擋及雞蛋粘連等因素導(dǎo)致自動(dòng)計(jì)數(shù)困難的問(wèn)題,，本研究以籠養(yǎng)雞只與雞蛋為研究對(duì)象，基于YOLO v7-tiny提出一種輕量型網(wǎng)絡(luò)YOLO v7-tiny-DO用于雞只與雞蛋識(shí)別,，并設(shè)計(jì)自動(dòng)化分籠計(jì)數(shù)方法,。首先，采用JRWT1412型無(wú)畸變相機(jī)與巡檢設(shè)備搭建自動(dòng)化數(shù)據(jù)采集平臺(tái),，獲取2146幅籠養(yǎng)雞只圖像用于構(gòu)建數(shù)據(jù)集,。然后，在YOLO v7-tiny網(wǎng)絡(luò)基礎(chǔ)上應(yīng)用指數(shù)線性單元（Exponential linear unit,，ELU）激活函數(shù)減少模型訓(xùn)練時(shí)間,；將高效層聚合網(wǎng)絡(luò)（Efficient layer aggregation network，ELAN）中的常規(guī)卷積替換為深度卷積減少模型參數(shù)量,，并在其基礎(chǔ)上添加深度過(guò)參數(shù)化組件（深度卷積）構(gòu)建深度過(guò)參數(shù)化深度卷積層（Depthwise over-parameterized depthwise convolutional layer,，DO-DConv），以提取目標(biāo)深層特征,；同時(shí)在特征融合模塊引入坐標(biāo)注意力機(jī)制（Coordinate attention mechanism,，CoordAtt），提升模型對(duì)目標(biāo)空間位置信息的感知能力,。試驗(yàn)結(jié)果表明，YOLO v7-tiny-DO識(shí)別雞只和雞蛋的平均精確率（Average precision,，AP）分別為96.9%與99.3%,，與YOLO v7-tiny相比,，雞只與雞蛋的AP分別提高3.2、1.4個(gè)百分點(diǎn),；改進(jìn)后模型內(nèi)存占用量為5.6MB,，比原模型減小6.1MB，適合部署于算力相對(duì)有限的巡檢機(jī)器人,；YOLO v7-tiny-DO在局部遮擋,、運(yùn)動(dòng)模糊和雞蛋粘連情況下均能實(shí)現(xiàn)高精度識(shí)別與定位，在光線昏暗情況下識(shí)別結(jié)果優(yōu)于其他模型,，具有較強(qiáng)的魯棒性,。最后，將本文算法部署到NVIDIA Jetson AGX Xavier邊緣計(jì)算設(shè)備,，在實(shí)際場(chǎng)景下選取30個(gè)雞籠開(kāi)展計(jì)數(shù)測(cè)試,，持續(xù)3d。結(jié)果表明,，3個(gè)測(cè)試批次雞只與雞蛋的計(jì)數(shù)平均準(zhǔn)確率均值分別為96.7%和96.3%,，每籠平均絕對(duì)誤差均值分別為0.13只雞和0.09枚雞蛋，可為規(guī)?；B(yǎng)殖場(chǎng)智能化管理提供參考,。

摘要:山羊的臉部檢測(cè)對(duì)羊場(chǎng)的智能化管理有著重要的意義。針對(duì)實(shí)際飼養(yǎng)環(huán)境中,，羊群存在多角度,、分布隨機(jī)、靈活多變,、羊臉檢測(cè)難度大的問(wèn)題,，以YOLO v5s為基礎(chǔ)目標(biāo)檢測(cè)網(wǎng)絡(luò)，提出了一種結(jié)合坐標(biāo)信息的山羊臉部檢測(cè)模型,。首先,，通過(guò)移動(dòng)設(shè)備獲取舍內(nèi)、舍外,、單頭以及多頭山羊的圖像并構(gòu)建數(shù)據(jù)集,。其次，在YOLO v5s的主干網(wǎng)絡(luò)融入坐標(biāo)注意力機(jī)制,，以充分利用目標(biāo)的位置信息,，提高遮擋區(qū)域、小目標(biāo),、多視角樣本的檢測(cè)精度,。試驗(yàn)結(jié)果表明,，改進(jìn)YOLO v5s模型的檢測(cè)精確率為95.6%，召回率為83.0%,，mAP0.5為90.2%,，幀速率為69f/s，模型內(nèi)存占用量為13.2MB,；與YOLO v5s模型相比,，檢測(cè)精度提高1.3個(gè)百分點(diǎn)，模型所占內(nèi)存空間減少1.2MB,；且模型的整體性能遠(yuǎn)優(yōu)于Faster R-CNN,、YOLO v4、YOLO v5s模型,。此外,，本文構(gòu)建了不同光照和相機(jī)抖動(dòng)的數(shù)據(jù)集，來(lái)進(jìn)一步驗(yàn)證本文方法的可行性,。改進(jìn)后的模型可快速有效地對(duì)復(fù)雜場(chǎng)景下山羊的臉部進(jìn)行精準(zhǔn)檢測(cè)及定位,，為動(dòng)物精細(xì)化養(yǎng)殖時(shí)目標(biāo)檢測(cè)識(shí)別提供了檢測(cè)思路和技術(shù)支持。

摘要:呼吸及反芻是奶山羊最基本的生理活動(dòng)，及時(shí)準(zhǔn)確地同步獲取奶山羊的呼吸及反芻信息可以為評(píng)估奶山羊健康狀況提供數(shù)據(jù)支撐,。針對(duì)現(xiàn)有方法呼吸及反芻同步監(jiān)測(cè)能力的不足,，提出了一種基于聲學(xué)沖激響應(yīng)的單只靜臥奶山羊呼吸及反芻同步監(jiān)測(cè)方法。該方法首先利用聲學(xué)在室內(nèi)空間中的多徑效應(yīng),，實(shí)現(xiàn)奶山羊呼吸過(guò)程中胸脯起伏及反芻過(guò)程中嘴部咀嚼動(dòng)作全向采集,；其次計(jì)算收發(fā)信號(hào)的沖激響應(yīng)，捕捉由呼吸及反芻運(yùn)動(dòng)造成多徑信號(hào)周期性變化的特征,；然后利用呼吸及反芻運(yùn)動(dòng)頻率差實(shí)現(xiàn)呼吸和反芻信號(hào)的分離,；最后經(jīng)過(guò)幅度歸一化、相位同步后實(shí)現(xiàn)呼吸及反芻波形的可視化,。為了驗(yàn)證該方法的有效性,，選用了不同朝向的靜臥奶山羊進(jìn)行呼吸及反芻監(jiān)測(cè)試驗(yàn)，并分析了環(huán)境噪聲對(duì)試驗(yàn)的影響,，結(jié)果表明：對(duì)于不同朝向的奶山羊,，該方法呼吸平均相對(duì)誤差為2.60%，反芻平均相對(duì)誤差為3.51%，平均漏幀率為2.49%,，并對(duì)環(huán)境噪聲有較強(qiáng)的抗干擾能力,。

摘要:生豬的體尺參數(shù)是生豬生長(zhǎng)狀態(tài)的重要評(píng)判標(biāo)準(zhǔn),，而人工測(cè)量體尺耗時(shí)耗力且容易造成豬只的應(yīng)激反應(yīng)，本文研究了無(wú)接觸式豬只體尺參數(shù)測(cè)量方法,，借鑒人工測(cè)量經(jīng)驗(yàn)法,，提出基于點(diǎn)云語(yǔ)義分割的豬只體尺測(cè)量方法。本文以大約克夏豬為研究對(duì)象,，搭建無(wú)接觸式豬只點(diǎn)云采集平臺(tái),，采集3510組豬只雙側(cè)點(diǎn)云數(shù)據(jù)；利用直通濾波器與隨機(jī)采樣一致性分割處理方法去除背景點(diǎn)云,，基于統(tǒng)計(jì)濾波器去除離群點(diǎn),，采用體素下采樣方法稀疏點(diǎn)云，完成豬只點(diǎn)云的預(yù)處理,；基于PointNet網(wǎng)絡(luò),，結(jié)合注意力模塊構(gòu)建語(yǔ)義分割模型，針對(duì)不同分割部位設(shè)計(jì)豬只體尺測(cè)量方法,。試驗(yàn)結(jié)果表明,，在自制數(shù)據(jù)集上，改進(jìn)的語(yǔ)義分割模型準(zhǔn)確率為86.3%,，相較于PointNet,、PointNet++和3D-RCNN分別高8、5.7,、2.6個(gè)百分點(diǎn),；體尺的測(cè)量值與實(shí)測(cè)值最大絕對(duì)誤差為6.8cm，平均絕對(duì)誤差均在5cm以?xún)?nèi),，具有較高的估算準(zhǔn)確性,，此方法能夠用于豬只體尺測(cè)量。本文將語(yǔ)義分割與體尺測(cè)量相結(jié)合,，可為后續(xù)非接觸測(cè)量提供思路,。

摘要:目前農(nóng)業(yè)環(huán)境下的無(wú)序目標(biāo)的精確計(jì)數(shù)有很高的應(yīng)用需求,，這種計(jì)數(shù)對(duì)其生物量、生物密度管理起到了重要的指導(dǎo)作用。如黑水虻幼蟲(chóng)目標(biāo)追蹤過(guò)程中,，追蹤對(duì)象具有高速和非線性的特征,，常規(guī)算法存在追蹤目標(biāo)速度不足和丟失目標(biāo)后的再識(shí)別困難等問(wèn)題。針對(duì)以上問(wèn)題,，本文提出了一種改進(jìn)SORT算法,，通過(guò)改進(jìn)卡爾曼濾波模型的方式提升目標(biāo)追蹤算法的快速性和準(zhǔn)確性，提升了計(jì)數(shù)的精度,。另外,，針對(duì)黑水虻幼蟲(chóng)目標(biāo)識(shí)別過(guò)程中幼蟲(chóng)性狀的多樣性和混料導(dǎo)致的復(fù)雜背景問(wèn)題，本文通過(guò)實(shí)驗(yàn)對(duì)比多種深度學(xué)習(xí)網(wǎng)絡(luò)性能選定YOLO v5s算法提取圖像多維度特征,，提升了目標(biāo)識(shí)別精度,。實(shí)驗(yàn)結(jié)果表明：在劃線計(jì)數(shù)方面，本文提出的改進(jìn)SORT算法與原模型相比,，平均精度從91.36%提升到95.55%,，提升4.19個(gè)百分點(diǎn)，通過(guò)仿真和實(shí)際應(yīng)用,，證明了本文模型的有效性,；在目標(biāo)識(shí)別方面，使用YOLO v5s模型在訓(xùn)練集上幀率為156f/s,，[email protected]為99.10%,，精度為90.11%，召回率為99.22%,，綜合性能優(yōu)于其他網(wǎng)絡(luò),。

摘要:準(zhǔn)確,、快速、無(wú)損估測(cè)葉面積指數(shù)（LAI）對(duì)于冬小麥生產(chǎn)管理具有重要意義,。利用無(wú)人機(jī)搭載Prime ALTUM多光譜相機(jī)獲取冬小麥拔節(jié)期,、孕穗期、抽穗期,、灌漿期多光譜圖像,，利用LAI-2200C型植物冠層分析儀獲取地面LAI數(shù)據(jù)。通過(guò)Pearson相關(guān)性分析篩選出25個(gè)植被指數(shù),，并提取植被指數(shù)影像中8種紋理特征：對(duì)比度（CON）,、熵（ENT）,、方差（VAR）、均值（MEA）,、協(xié)同性（HOM）,、相異性（DIS）、二階矩（SEM）和相關(guān)性（COR）,，以及3種顏色特征：一階矩（M）,、二階矩（V）和三階矩（S），再分別利用多元逐步回歸模型（MSR）,、支持向量回歸模型（SVR）和高斯過(guò)程回歸模型（GPR）構(gòu)建冬小麥LAI估測(cè)模型,。結(jié)果表明：相對(duì)于考慮單一類(lèi)型變量，考慮結(jié)合紋理特征和顏色特征進(jìn)行估測(cè)時(shí)模型精度更高,；3類(lèi)模型中，GPR模型估測(cè)冬小麥LAI的精度最高,；所有模型中,，基于紋理-顏色特征與植被指數(shù)融合的GPR模型估測(cè)冬小麥LAI精度最高（決定系數(shù)R2為0.94，均方根誤差（RMSE）為0.17m2/m2,，平均絕對(duì)誤差（MAE）為0.13m2/m2,，歸一化均方根誤差（NRMSE）為4.06%）。紋理特征和顏色特征能有效改善植被指數(shù)在高密度冠層下的飽和問(wèn)題,，能夠從有限的信息中衍生得到更多信息用于更高精度地估測(cè)冬小麥LAI,，從而為冬小麥長(zhǎng)勢(shì)監(jiān)測(cè)和生產(chǎn)管理提供理論依據(jù)。

摘要:微咸水覆膜滴灌在發(fā)揮節(jié)水效益的同時(shí)應(yīng)避免土壤鹽分的積聚,，在缺乏大水淋洗的設(shè)施大棚內(nèi)，覆膜對(duì)土表局部蒸發(fā)的抑制伴隨滴灌濕潤(rùn)體的交匯,，加劇了滴灌帶帶間水鹽分布的不規(guī)則性,，導(dǎo)致土壤積鹽的潛在風(fēng)險(xiǎn)增加。針對(duì)上述問(wèn)題,，以布設(shè)形式為“兩膜兩行”的覆膜滴灌田間小區(qū)為試驗(yàn)對(duì)象,，通過(guò)HYDRUS模型構(gòu)建了不同滴頭流量（0.5~3.0L/h）及膜間裸地間距（0~50cm）組合情景下的二維土壤剖面模擬域，并針對(duì)滴頭處的帶間區(qū)域進(jìn)行水鹽動(dòng)態(tài)分布的模擬研究,。結(jié)果表明,，所建模型能較為精確地描述帶間剖面內(nèi)水鹽的分布狀況，且模擬精度隨與滴頭水平距離的減小而提升,。當(dāng)膜間裸地間距從50cm縮小至0cm時(shí),，帶間剖面土壤的平均含水率從25.12cm3/cm3上升至28.76cm3/cm3，平均土壤鹽分質(zhì)量濃度從9.53g/L下降至6.25g/L；滴頭流量對(duì)帶間區(qū)域內(nèi)土壤水鹽含量的影響程度相對(duì)較低,，流量0.5,、3.0L/h下土壤體積含水率及鹽分質(zhì)量濃度的最大差異僅分別為0.14cm3/cm3和0.22g/L，且均出現(xiàn)在膜間裸地間距為50cm的情景下,。經(jīng)多輪灌水蒸發(fā)后,，帶外區(qū)積聚的鹽分將向帶間區(qū)擴(kuò)散，并隨膜間裸地間距的減小,，土壤含鹽量最低值的水平位置將從滴頭處向帶間區(qū)推移,。研究成果可為設(shè)施大棚環(huán)境下選取適宜的低鹽作物栽種位置提供理論依據(jù)。

摘要:灌區(qū)水資源優(yōu)化配置中存在眾多不確定性因素,，而考慮不確定性因素的優(yōu)化模型往往存在結(jié)構(gòu)復(fù)雜、不確定性參數(shù)考慮有限,、計(jì)算精度和效率較低等問(wèn)題,。本文將LH-OAT（Latin hypercube-One factor at a time）方法與灌區(qū)用水優(yōu)化模型耦合，構(gòu)建了灌區(qū)用水優(yōu)化模型參數(shù)敏感性分析與不確定性?xún)?yōu)化方法,，并以黑河流域中游典型灌區(qū)為案例研究區(qū),，對(duì)模型中6類(lèi)共25個(gè)不確定性參數(shù)進(jìn)行了全局敏感性分析。計(jì)算獲得了模型中25個(gè)不確定性參數(shù)的敏感度排序,，并從中篩選出10個(gè)高敏感性參數(shù),，以高敏感性參數(shù)作為優(yōu)化模型不確定性參數(shù)輸入，獲得了不確定性下的灌區(qū)用水優(yōu)化結(jié)果,。案例分析表明,，該方法有效篩選出優(yōu)化模型中高敏感的關(guān)鍵參數(shù)，綜合考慮了不確定性參數(shù)對(duì)模型優(yōu)化結(jié)果的影響,，大大減少了模型不確定性參數(shù)的表征數(shù)量,，降低了模型復(fù)雜性，有效提高了模型計(jì)算效率,，可為灌區(qū)水資源優(yōu)化配置問(wèn)題提供方法參考,。

摘要:NH3質(zhì)量濃度和CO2質(zhì)量濃度是豬舍環(huán)境精準(zhǔn)控制的重要指標(biāo),。由于畜禽舍氣體濃度具有時(shí)變性,、非線性耦合等特點(diǎn)，目前有害氣體濃度預(yù)測(cè)模型存在預(yù)測(cè)精度低的問(wèn)題,。提出了基于門(mén)控制循環(huán)單元（Gated recurrent unit,，GRU）、改進(jìn)麻雀搜索算法（Improved sparrow search algorithm,，ISSA）并融合差分整合移動(dòng)平均自回歸模型（Autoregressive integrated moving average model,，ARIMA）的有害氣體濃度時(shí)序數(shù)據(jù)預(yù)測(cè)模型ISSA-GRU-ARIMA。首先構(gòu)建了GRU氣體濃度時(shí)序預(yù)測(cè)模型,，然后通過(guò)引入Tent混沌序列,、混沌擾動(dòng)和高斯變異增強(qiáng)ISSA算法的局部尋優(yōu)能力，實(shí)現(xiàn)GRU模型超參數(shù)優(yōu)化,；然后利用統(tǒng)計(jì)學(xué)習(xí)ARIMA方法提取優(yōu)化后的ISSA-GRU模型預(yù)測(cè)殘差的線性特征,，最終達(dá)到提升模型預(yù)測(cè)精度的目的。以采集的52d豬舍環(huán)境的1248組數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練和測(cè)試,。結(jié)果表明,，ISSA-GRU-ARIMA模型NH3質(zhì)量濃度預(yù)測(cè)的均方根誤差（RMSE）、平均絕對(duì)百分比誤差（MAPE）和決定系數(shù)R2分別為0.263mg/m3,、8.171%和0.928，CO2質(zhì)量濃度預(yù)測(cè)的分別為55.361mg/m3,、4.633%和0.985,。本文構(gòu)建的ISSA-GRU-ARIMA模型具有較高的預(yù)測(cè)精度，可為豬舍有害氣體濃度精準(zhǔn)控制提供科學(xué)依據(jù),。

摘要:隨著區(qū)塊鏈技術(shù)在農(nóng)產(chǎn)品溯源領(lǐng)域研究的不斷發(fā)展,，農(nóng)產(chǎn)品的質(zhì)量安全得到有效保障,。由于我國(guó)馬鈴薯種薯生產(chǎn)過(guò)程復(fù)雜、實(shí)物形態(tài)差異化明顯,、每個(gè)環(huán)節(jié)的生產(chǎn)周期長(zhǎng),、品種繁多等原因，所有生產(chǎn)環(huán)節(jié)的溯源數(shù)據(jù)共享難度大,，容易發(fā)生種薯品種,、等級(jí)等竄貨問(wèn)題，種薯生產(chǎn)溯源無(wú)法得到切實(shí)保障,，生產(chǎn)基地及相關(guān)監(jiān)管部門(mén)無(wú)法得到全部有效溯源數(shù)據(jù),，當(dāng)發(fā)生竄貨問(wèn)題以及最終消費(fèi)者進(jìn)行種薯生產(chǎn)溯源時(shí),，責(zé)任環(huán)節(jié)定位不明確，難以準(zhǔn)確找到責(zé)任生產(chǎn)環(huán)節(jié)及相關(guān)責(zé)任人等問(wèn)題源頭,?；谏鲜鰡?wèn)題，提出了基于智能合約和數(shù)字簽名的馬鈴薯種薯防竄溯源模型,，利用區(qū)塊鏈技術(shù)不可篡改,、數(shù)據(jù)透明、數(shù)據(jù)共享等特點(diǎn),，通過(guò)智能合約進(jìn)行種薯生產(chǎn)全環(huán)節(jié)溯源數(shù)據(jù)的上鏈存儲(chǔ),，實(shí)現(xiàn)種薯生產(chǎn)全環(huán)節(jié)溯源數(shù)據(jù)的高度共享，并將智能合約與數(shù)字簽名相結(jié)合,，利用公私鑰對(duì)驗(yàn)證和智能合約高度自治的區(qū)塊鏈網(wǎng)絡(luò)生態(tài)環(huán)境,，解決生產(chǎn)過(guò)程中易發(fā)生的生產(chǎn)竄貨問(wèn)題?；贖yperledger Fabric設(shè)計(jì)面向種薯生產(chǎn)基地的防竄溯源模型,，相關(guān)測(cè)試結(jié)果表明，該模型可以實(shí)現(xiàn)種薯生產(chǎn)溯源,、防竄,、竄貨報(bào)警信息上鏈與查詢(xún)等功能。種薯生產(chǎn)溯源數(shù)據(jù)的平均上鏈時(shí)間為2566ms,，平均查詢(xún)時(shí)間為95ms,，報(bào)警觸發(fā)與報(bào)警信息上鏈的平均時(shí)間為2562ms，查詢(xún)具體報(bào)警信息的平均時(shí)間為77ms,。模型綜合性能較高,，能夠?qū)崿F(xiàn)種薯生產(chǎn)全環(huán)節(jié)溯源數(shù)據(jù)的安全存儲(chǔ)，并有效解決種薯的生產(chǎn)竄貨問(wèn)題,，滿足種薯生產(chǎn)溯源數(shù)據(jù)的上鏈與查詢(xún)需求,，完善種薯生產(chǎn)質(zhì)量溯源保障，為防止種薯生產(chǎn)竄貨以提高整體效率和安全溯源方面提供了借鑒和參考,。

摘要:傳統(tǒng)的破壞性檢測(cè)方法已難以滿足豆類(lèi)品質(zhì)快速檢測(cè)的需求?，F(xiàn)有的無(wú)損檢測(cè)設(shè)備存在穩(wěn)定性及準(zhǔn)確性不高等問(wèn)題,，為提高豆類(lèi)品質(zhì)含量檢測(cè)裝置的性能，基于近紅外光譜技術(shù)研發(fā)了豆類(lèi)品質(zhì)無(wú)損檢測(cè)裝置,，體積小,、便于攜帶,，能夠適用于現(xiàn)場(chǎng)檢測(cè)?；谒邪l(fā)的裝置,，各取30個(gè)黃豆、綠豆,、紅豆,、黑豆樣本，通過(guò)旋轉(zhuǎn)靜態(tài)采集多次光譜求平均值與采集1次光譜的方式,，對(duì)同一樣品重復(fù)測(cè)量20次,，得出隨著采集次數(shù)的增加，光譜反射率變異系數(shù)平均值逐漸減小直至平緩,，選取最佳豆類(lèi)采集次數(shù)分別為16,、8、14,、16,，對(duì)應(yīng)的光譜變異系數(shù)平均值為2.9%、2.435%,、2.763%,、3.019%。以黃豆為例,，選取80個(gè)樣品,，使用不同的預(yù)處理方法，分別建立黃豆蛋白質(zhì),、粗脂肪和淀粉含量的偏最小二乘預(yù)測(cè)模型，結(jié)果表明,，蛋白質(zhì),、粗脂肪、淀粉質(zhì)量分?jǐn)?shù)預(yù)測(cè)的最優(yōu)模型預(yù)處理方式分別為SG-MSC,、SNV,、SNV，其預(yù)測(cè)集相關(guān)系數(shù)Rp分別為0.9746,、0.9505,、0.9607，均方根誤差分別為0.249%,、0.572%,、0.623%。取40個(gè)黃豆樣本對(duì)裝置模型進(jìn)行試驗(yàn)驗(yàn)證,，蛋白質(zhì),、粗脂肪,、淀粉質(zhì)量分?jǐn)?shù)的獨(dú)立驗(yàn)證相關(guān)系數(shù)Ri分別為0.9411、0.9439,、0.9334,，獨(dú)立驗(yàn)證均方根誤差分別為0.465%、0.604%,、0.673%,，重復(fù)測(cè)量20次的平均偏差分別為0.409%、0.623%,、0.637%,，各參數(shù)重復(fù)測(cè)量20次變異系數(shù)分別為1.257%、0.896%,、0.964%,。結(jié)果表明，該裝置具有良好的預(yù)測(cè)精度,。以Visual Studio 2015為軟件開(kāi)發(fā)平臺(tái)開(kāi)發(fā)了豆類(lèi)品質(zhì)含量實(shí)時(shí)檢測(cè)軟件,，實(shí)現(xiàn)多粒豆類(lèi)品質(zhì)情況“一鍵式操作”檢測(cè)。選用阿里云服務(wù)器和MySQL數(shù)據(jù)庫(kù),，基于TCP/IP網(wǎng)絡(luò)通信協(xié)議,，實(shí)現(xiàn)檢測(cè)數(shù)據(jù)自動(dòng)上傳至數(shù)據(jù)庫(kù)?；谌粢篱_(kāi)發(fā)框架設(shè)計(jì)了便于豆類(lèi)品質(zhì)監(jiān)測(cè)的前端網(wǎng)絡(luò)監(jiān)控系統(tǒng),，實(shí)時(shí)顯示數(shù)據(jù)庫(kù)信息。

摘要:根據(jù)基于方位特征(POC)的并聯(lián)機(jī)構(gòu)拓?fù)湓O(shè)計(jì)理論,，設(shè)計(jì)了兩種零耦合度且部分運(yùn)動(dòng)解耦的三自由度兩平移一轉(zhuǎn)動(dòng)（2T1R）并聯(lián)機(jī)構(gòu),，它們具有相同運(yùn)動(dòng)副類(lèi)型和數(shù)目，但在支鏈中的分布順序不同,；對(duì)這兩種機(jī)構(gòu)進(jìn)行了方位特征,、自由度及耦合度等主要拓?fù)涮卣鞣治觯⒔o出其拓?fù)浣馕鍪?；根?jù)拓?fù)涮卣鬟\(yùn)動(dòng)學(xué)建模原理,，求解了這兩種機(jī)構(gòu)的符號(hào)式位置正反解，分別分析了兩種機(jī)構(gòu)的工作空間和機(jī)構(gòu)發(fā)生奇異的條件及奇異位形,；根據(jù)基于虛功原理的序單開(kāi)鏈法對(duì)兩種機(jī)構(gòu)進(jìn)行逆向動(dòng)力學(xué)建模,，分別求得兩種機(jī)構(gòu)的驅(qū)動(dòng)力；對(duì)比兩種機(jī)構(gòu)運(yùn)動(dòng)學(xué)與動(dòng)力學(xué)性能,，并給出優(yōu)選機(jī)型,。給出了優(yōu)選機(jī)型用于水果深加工中智能分揀,、輸送等應(yīng)用場(chǎng)景的概念設(shè)計(jì)。