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:隨著信息與控制理論的發(fā)展,，自動(dòng)化控制技術(shù)在農(nóng)業(yè)裝備領(lǐng)域廣泛應(yīng)用,，促進(jìn)農(nóng)業(yè)生產(chǎn)的智能化,、現(xiàn)代化與規(guī)?；?。運(yùn)動(dòng)控制和作業(yè)控制是智能農(nóng)機(jī)自動(dòng)控制技術(shù)的兩大核心內(nèi)容，為無(wú)人農(nóng)機(jī)在復(fù)雜環(huán)境下的高精度自主導(dǎo)航安全行駛和精準(zhǔn)作業(yè)提供保障,。速度控制與轉(zhuǎn)向控制是智能農(nóng)機(jī)運(yùn)動(dòng)控制的基礎(chǔ),，導(dǎo)航跟蹤控制是智能農(nóng)機(jī)運(yùn)動(dòng)控制的主要內(nèi)容。本文闡述了智能農(nóng)機(jī)速度控制與轉(zhuǎn)向控制的研究進(jìn)展,，總結(jié)歸納了基于幾何模型,、基于運(yùn)動(dòng)學(xué)模型和不依賴于模型的自動(dòng)導(dǎo)航跟蹤運(yùn)動(dòng)控制方法。然后,，著重分析了智能農(nóng)機(jī)在耕,、種、管,、收等各環(huán)節(jié)的作業(yè)機(jī)構(gòu)控制以及多機(jī)協(xié)同作業(yè)控制方法,。最后，指出構(gòu)建更加精準(zhǔn)的農(nóng)機(jī)數(shù)學(xué)模型,，研究面向復(fù)雜場(chǎng)景的先進(jìn)底盤(pán)運(yùn)動(dòng)控制技術(shù),，發(fā)展人工智能與控制理論深度融合的農(nóng)機(jī)控制技術(shù)以及提升農(nóng)機(jī)農(nóng)藝相結(jié)合的多機(jī)協(xié)同控制技術(shù)是未來(lái)智能農(nóng)機(jī)自動(dòng)控制技術(shù)的發(fā)展方向。

摘要:針對(duì)東北地區(qū)整地作業(yè)中，結(jié)塊多,、土壤殘茬嚴(yán)重,、犁底層加厚等問(wèn)題，根據(jù)我國(guó)現(xiàn)有的東方紅-75/802型拖拉機(jī)的動(dòng)力條件,，設(shè)計(jì)了一種適用于馬鈴薯田的驅(qū)動(dòng)式碎土整地聯(lián)合作業(yè)機(jī),。該機(jī)是根據(jù)國(guó)外先進(jìn)的土壤保護(hù)耕作法，結(jié)合東北地區(qū)土壤情況和馬鈴薯田整地要求設(shè)計(jì)的一種機(jī)具,。本文闡述了機(jī)器整體結(jié)構(gòu)及工作原理,，設(shè)計(jì)了碎土輥，分析了碎土輥運(yùn)動(dòng)過(guò)程,、碎土輥工作過(guò)程中楔形齒所受的阻力及碎土輥?zhàn)鳂I(yè)時(shí)所需功率,，基于EDEM離散元仿真技術(shù),，建立了部件-土壤仿真模型，以土壤破碎率為試驗(yàn)指標(biāo),，以碎土直齒末端傾角、碎土直齒邊長(zhǎng)和機(jī)組速度為試驗(yàn)因素進(jìn)行仿真試驗(yàn),，在仿真基礎(chǔ)上進(jìn)行田間試驗(yàn),，試驗(yàn)結(jié)果表明，所設(shè)計(jì)的碎土整地聯(lián)合作業(yè)機(jī)碎土率為98.45%,、平均耕深為14.5cm,、機(jī)組速度為5.7m/s、碎土輥消耗功率為19.24kW,，具有良好的作業(yè)效果,，滿足馬鈴薯田整地作業(yè)要求。

摘要:針對(duì)氣力式排種器適宜工作負(fù)壓與工作轉(zhuǎn)速,、種子尺寸等因素有關(guān)，而現(xiàn)有氣力式播種機(jī)排種系統(tǒng)實(shí)際作業(yè)時(shí)工作氣壓為定值設(shè)置,，不能適時(shí)優(yōu)化調(diào)整的問(wèn)題,，以正負(fù)氣壓組合式小粒徑種子排種器為對(duì)象，設(shè)計(jì)了一種氣力自適應(yīng)排種系統(tǒng),。該系統(tǒng)采用STM32單片機(jī)控制,，通過(guò)隨速調(diào)整排種器工作轉(zhuǎn)速、實(shí)時(shí)監(jiān)測(cè)排種性能,，動(dòng)態(tài)調(diào)整排種器工作負(fù)壓,，保證了排種器實(shí)際工作負(fù)壓持續(xù)保持在實(shí)時(shí)工況條件下的最優(yōu)值，實(shí)現(xiàn)排種性能的較優(yōu)控制,。臺(tái)架試驗(yàn)結(jié)果表明,，氣力自適應(yīng)排種系統(tǒng)在不同作業(yè)速度、種子尺寸工況下,，排種合格指數(shù)均大于92%,，漏播指數(shù)均小于6%，相較于固定氣壓設(shè)定和開(kāi)環(huán)控制氣壓調(diào)節(jié)方法,，排種合格指數(shù)分別提高9.02,、3.84個(gè)百分點(diǎn)，重播指數(shù)分別降低8.44,、1.99個(gè)百分點(diǎn),，漏播指數(shù)分別降低0.58,、1.86個(gè)百分點(diǎn)。田間試驗(yàn)結(jié)果表明,，搭載氣力自適應(yīng)排種系統(tǒng)的播種機(jī)實(shí)際田間作業(yè)時(shí)株距穩(wěn)定性變異系數(shù)為14.27%,，各行苗數(shù)一致性變異系數(shù)為7.03%，田間作業(yè)性能良好,。該研究可為氣力式播種機(jī)持續(xù)穩(wěn)定單粒精量播種能力提升提供技術(shù)參考,。

摘要:針對(duì)長(zhǎng)江中下游稻油輪作區(qū)油菜播種作業(yè)工序復(fù)雜、效率低的問(wèn)題,，設(shè)計(jì)了一種油菜寬幅折疊式淺旋精量聯(lián)合直播機(jī),，可實(shí)現(xiàn)開(kāi)畦溝、淺旋滅茬,、油菜精量播種,、種床覆土等功能。分析確定了整機(jī)基本結(jié)構(gòu)和工作過(guò)程,，對(duì)液壓折疊機(jī)構(gòu)進(jìn)行了運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)分析,，利用Matlab軟件確定了液壓缸結(jié)構(gòu)參數(shù)以及承受的最大負(fù)載，基于拖拉機(jī)液壓油路設(shè)計(jì)了液壓折疊控制系統(tǒng),；根據(jù)開(kāi)畦溝深度,、寬度、耕深,、覆土均勻性等作業(yè)要求,，確定了刀軸轉(zhuǎn)速為360~480r/min，開(kāi)溝刀,、淺旋刀輥旋轉(zhuǎn)半徑分別為320,、175mm，開(kāi)溝刀盤(pán)開(kāi)溝刀數(shù)量為8,；分析了分土導(dǎo)流板結(jié)構(gòu)參數(shù)的取值范圍,，應(yīng)用EDEM軟件開(kāi)展了分土導(dǎo)流板不同結(jié)構(gòu)參數(shù)組合下的覆土均勻性正交試驗(yàn)，建立了覆土均勻性與分土導(dǎo)流板安裝距離,、導(dǎo)流板長(zhǎng)度和分土板角度的回歸數(shù)學(xué)模型,，試驗(yàn)結(jié)果表明，當(dāng)分土導(dǎo)流板安裝距離為200mm,、導(dǎo)向板長(zhǎng)度為600mm,、分土板角度為60°時(shí),，覆土均勻性可達(dá)93.33%。田間試驗(yàn)結(jié)果表明,，當(dāng)機(jī)組前進(jìn)速度為3.6km/h,、畦溝深度為150mm、刀軸轉(zhuǎn)速為480r/min時(shí),，油菜寬幅折疊式淺旋精量聯(lián)合直播機(jī)作業(yè)后種床碎土率為91.62%,，秸稈埋覆率為90.72%，廂面平整度為13.17mm,，成苗率為73.89%，整機(jī)作業(yè)效果滿足油菜直播作業(yè)要求,。該研究為設(shè)計(jì)油菜寬幅高效播種機(jī)提供新途徑,。

摘要:針對(duì)輕質(zhì),、異形不規(guī)則的寧前胡種子存在流動(dòng)性差、易破損等難題,，基于寧前胡的種子物性參數(shù)和種植農(nóng)藝要求,，設(shè)計(jì)了一種馬蹄形輪式“條播”排種器。通過(guò)充種過(guò)程的分析,，得知馬蹄形型孔可提高種子流動(dòng)性,、減少種子損傷。利用Rocky Dem離散元仿真軟件進(jìn)行單因素試驗(yàn),，由Particles Energy Spectra模塊分析種子與排種輪的碰撞能量預(yù)測(cè)種子破損情況,。以排種輪轉(zhuǎn)速和導(dǎo)種槽傾角為試驗(yàn)因素進(jìn)行二次回歸正交旋轉(zhuǎn)組合試驗(yàn)，并利用回歸模型進(jìn)行參數(shù)優(yōu)化,。結(jié)果表明：當(dāng)排種輪轉(zhuǎn)速為31.75r/min,、導(dǎo)種槽傾角為31.05°時(shí)，排種性能最優(yōu),，排種均勻性變異系數(shù)為11.37%,、排量穩(wěn)定性變異系數(shù)為1.02%。通過(guò)臺(tái)架試驗(yàn)驗(yàn)證了不同型孔圓角半徑對(duì)種子破損情況的變化趨勢(shì)與仿真試驗(yàn)結(jié)果一致,，證明了該方法的可行性,。馬蹄形輪式寧前胡“條播”排種器田間試驗(yàn)與臺(tái)架試驗(yàn)結(jié)果基本一致，能滿足寧前胡種植農(nóng)藝要求,。

摘要:針對(duì)芝麻種子球形度低、流動(dòng)性差導(dǎo)致排種過(guò)程充種穩(wěn)定性差,，難以實(shí)現(xiàn)精量播種的實(shí)際問(wèn)題,，基于芝麻的機(jī)械物理特性和播種農(nóng)藝要求，設(shè)計(jì)了一種采用傾斜齒勺式型孔充種,、氣送輔助導(dǎo)種的芝麻精量集排器,，確定了其主要結(jié)構(gòu)參數(shù)，構(gòu)建了充種,、攜種和投種環(huán)節(jié)中芝麻種子顆粒群的力學(xué)模型,。應(yīng)用EDEM開(kāi)展了排種器排種性能仿真試驗(yàn)，采用三因素三水平正交試驗(yàn)與Box-Behnken響應(yīng)面分析了型孔高度,、型孔右壁傾角和齒勺傾角對(duì)排種性能的影響,，結(jié)果表明，型孔高度為1.92mm,、型孔右壁傾角為8.4°,、齒勺傾角為28.6°時(shí)，各行排量一致性變異系數(shù)和平均排種量分別為1.69%,、3.7g/min,。以排種軸轉(zhuǎn)速、種層充填高度為試驗(yàn)因素,，以各行排量一致性變異系數(shù),、總排量穩(wěn)定性變異系數(shù)為試驗(yàn)指標(biāo)，進(jìn)行排種性能二因素三水平試驗(yàn),，試驗(yàn)結(jié)果表明：排種軸轉(zhuǎn)速15r/min,、種層充填高度10mm時(shí)，各行排量一致性變異系數(shù),、總排量穩(wěn)定性變異系數(shù)分別為1.62%,、0.40%，排種性能較優(yōu),。田間試驗(yàn)表明,，機(jī)組作業(yè)速度為2.9km/h時(shí)，芝麻平均種植密度為36株/m2,，播種均勻性變異系數(shù)低于4%,，滿足芝麻田間播種要求。

摘要:針對(duì)完全非圓齒輪行星輪系取苗機(jī)構(gòu)存在推苗角不夠大,，而不完全非圓齒輪輪系取苗機(jī)構(gòu)存在沖擊的問(wèn)題，本文設(shè)計(jì)了一種滿足蔬菜移栽取苗要求的具有較大推苗角的非圓完全齒輪行星輪系取苗機(jī)構(gòu),?；诟道锶~函數(shù)設(shè)計(jì)了一種二次不等幅傳動(dòng)比曲線，開(kāi)發(fā)取苗機(jī)構(gòu)設(shè)計(jì)分析軟件,，分析傅里葉系數(shù)對(duì)取苗軌跡的影響規(guī)律,，研究傅里葉系數(shù)對(duì)傳動(dòng)比曲線及從動(dòng)輪和秧針?biāo)俣忍匦缘挠绊懀沂靖道锶~系數(shù)對(duì)取苗機(jī)構(gòu)運(yùn)動(dòng)學(xué)參數(shù)的影響規(guī)律,，推導(dǎo)了不同傅里葉系數(shù)時(shí)取苗機(jī)構(gòu)取苗角和推苗角的變化規(guī)律,。制造和裝配取苗機(jī)構(gòu)，基于虛擬樣機(jī),、高速攝像技術(shù)對(duì)取苗機(jī)構(gòu)進(jìn)行了旋轉(zhuǎn)試驗(yàn),，通過(guò)對(duì)比取苗軌跡的理論,、仿真和試驗(yàn)值一致性驗(yàn)證了取苗機(jī)構(gòu)設(shè)計(jì)的可行性,。對(duì)取苗機(jī)構(gòu)進(jìn)行了臺(tái)架取苗試驗(yàn)，得出轉(zhuǎn)速40,、50,、60r/min時(shí)取苗機(jī)構(gòu)的取苗成功率分別為94%、90%和88%,，通過(guò)取苗試驗(yàn)進(jìn)一步驗(yàn)證了取苗機(jī)構(gòu)設(shè)計(jì)的可行性,。

摘要:為了減少因能量有限而導(dǎo)致無(wú)人機(jī)飛行時(shí)間有限的問(wèn)題,，研究農(nóng)用無(wú)人機(jī)在飛行時(shí)的作業(yè)能耗是十分必要的。本研究以農(nóng)用多旋翼無(wú)人機(jī)為研究對(duì)象,，采用白盒建模的方法,，依照動(dòng)力系統(tǒng)各部件原理，構(gòu)建了農(nóng)用無(wú)人機(jī)的飛行總效率模型,，再根據(jù)農(nóng)用無(wú)人機(jī)的飛行特點(diǎn),，建立了一種針對(duì)農(nóng)用無(wú)人機(jī)的作業(yè)能耗模型，并通過(guò)對(duì)農(nóng)用無(wú)人機(jī)的速度、載荷和航程這3個(gè)動(dòng)態(tài)參數(shù)分組試驗(yàn)得到的數(shù)據(jù)進(jìn)行了驗(yàn)證,。結(jié)果表明,，模型具有較高的精度，最大平均誤差約為6.582%,，最大絕對(duì)誤差中位數(shù)約為7.654%,。最后對(duì)模型的各個(gè)參數(shù)進(jìn)行分析，引入模型修正系數(shù)對(duì)模型進(jìn)行修正,，修正后的模型精度相比修正前的最大平均誤差減少約3.092個(gè)百分點(diǎn),，誤差中位數(shù)減少約3.612個(gè)百分點(diǎn)，修正后效果顯著,。本研究構(gòu)建的理論模型可以用于農(nóng)用無(wú)人機(jī)作業(yè)能耗的計(jì)算和預(yù)測(cè),，在規(guī)劃無(wú)人機(jī)任務(wù)前就可以得到相應(yīng)的作業(yè)能耗并進(jìn)行優(yōu)化，也可以適配不同控制器的其他旋翼機(jī)型,，具有一定的應(yīng)用價(jià)值,。

摘要:面向果園運(yùn)輸車果品采收自主運(yùn)輸作業(yè)場(chǎng)景,，提出了一種基于VINS-MONO和改進(jìn)YOLO v4-Tiny的果園自主尋筐方法。首先基于VINS-MONO視覺(jué)慣性里程計(jì)算法,，進(jìn)行果園運(yùn)輸車位置姿態(tài)的實(shí)時(shí)估計(jì),。然后基于改進(jìn)YOLO v4-Tiny目標(biāo)檢測(cè)算法，根據(jù)圖像數(shù)據(jù)進(jìn)行果筐實(shí)時(shí)目標(biāo)檢測(cè)并獲取對(duì)應(yīng)深度信息,。其次根據(jù)運(yùn)輸車當(dāng)前位置姿態(tài),、果筐深度信息以及深度相機(jī)內(nèi)參，進(jìn)行被識(shí)別果筐位置更新,。最后基于三次B樣條曲線擬合原理,，以被識(shí)別果筐位置為控制點(diǎn)，進(jìn)行尋筐路徑實(shí)時(shí)擬合,，為果園運(yùn)輸車抵近果筐提供路線引導(dǎo),。試驗(yàn)結(jié)果表明：改進(jìn)YOLO v4-Tiny果筐識(shí)別模型的平均識(shí)別精度為93.96%，平均推理時(shí)間為14.7ms,，4m內(nèi)的果筐距離定位誤差小于4.02%,，果筐角度定位誤差小于3°，果園運(yùn)輸車實(shí)測(cè)平均行駛速度為3.3km/h,，果筐搜尋路線平均更新時(shí)間為0.092s,，能夠在果樹(shù)行間和果園道路兩種作業(yè)環(huán)境下穩(wěn)定實(shí)現(xiàn)自主尋筐,。該方法能夠?yàn)楣麍@運(yùn)輸車提供自主尋筐路徑引導(dǎo)，為其視覺(jué)導(dǎo)航提供研究參考,。

摘要:受果園路面起伏及輪胎附著能力變化影響,，滑動(dòng)轉(zhuǎn)向輪式機(jī)器人輪胎的垂直載荷及側(cè)向力參數(shù)變化大且難以實(shí)時(shí)估計(jì),，針對(duì)現(xiàn)有滑動(dòng)轉(zhuǎn)向控制器設(shè)計(jì)時(shí)對(duì)輪胎動(dòng)力學(xué)參數(shù)進(jìn)行簡(jiǎn)化，從而導(dǎo)致機(jī)器人姿態(tài)控制穩(wěn)定性低的問(wèn)題,，本文提出了非鋪裝路面滑動(dòng)轉(zhuǎn)向輪式機(jī)器人輪胎垂直載荷實(shí)時(shí)估計(jì)方法和輪胎驅(qū)動(dòng)力實(shí)時(shí)估計(jì)及優(yōu)化分配算法,。首先，提出了適用于滑動(dòng)轉(zhuǎn)向過(guò)程靜力學(xué)計(jì)算的理想平面以及基于該平面的四輪垂直載荷估計(jì)方法,；其次,，提出了基于Fiala輪胎動(dòng)力學(xué)模型的小側(cè)偏角側(cè)向力估計(jì)方法；再次,，建立了滑動(dòng)轉(zhuǎn)向輪式機(jī)器人坡道穩(wěn)態(tài)動(dòng)力學(xué)方程和輪胎實(shí)時(shí)驅(qū)動(dòng)力估計(jì)方法,；最后，基于輪胎利用率構(gòu)造輪胎驅(qū)動(dòng)力最優(yōu)實(shí)時(shí)分配模型,。為驗(yàn)證本文方法,，建立了基于ADAMS的滑動(dòng)轉(zhuǎn)向輪式機(jī)器人動(dòng)力學(xué)模型進(jìn)行對(duì)比驗(yàn)證，并且對(duì)垂直載荷以及側(cè)向力估計(jì)方法搭建了檢測(cè)裝置進(jìn)行實(shí)際驗(yàn)證,。實(shí)際驗(yàn)證結(jié)果表明,，輪胎垂直載荷實(shí)時(shí)估計(jì)方法準(zhǔn)確率為95%以上，側(cè)向力實(shí)時(shí)估計(jì)方法準(zhǔn)確率為85%以上,，基于輪胎垂直載荷以及側(cè)向力的輪胎驅(qū)動(dòng)力優(yōu)化方法使輪胎利用率從96.25%降低至93.75%,，提高了輪胎附著裕量和姿態(tài)控制穩(wěn)定性,。

摘要:針對(duì)食葵機(jī)械化收獲過(guò)程割臺(tái)損失大,、葵盤(pán)輸送過(guò)程籽粒表皮易劃傷,、脫粒過(guò)程籽粒破損嚴(yán)重等問(wèn)題，根據(jù)食葵生物力學(xué)特性,、種植模式及機(jī)械化收獲要求,，在傳統(tǒng)割臺(tái)的基礎(chǔ)上增設(shè)脫粒裝置，設(shè)計(jì)了集分禾,、扶禾,、撥禾,、切割、輸送及脫粒等功能于一體的食葵聯(lián)合收獲割臺(tái)裝置,，葵盤(pán)在割臺(tái)上實(shí)現(xiàn)脫粒,，有效縮短了葵盤(pán)輸送路徑，為后續(xù)提高清選質(zhì)量奠定基礎(chǔ),。為降低割臺(tái)損失,，依據(jù)適收期食葵植株姿態(tài)，設(shè)計(jì)了一種不對(duì)行撥桿式撥禾輪,，并設(shè)計(jì)了側(cè)邊傾角30°的分禾器,，同時(shí)在相鄰分禾器之間增加軟毛刷收集碰撞飛濺籽粒；為減少脫粒過(guò)程籽粒破損,，設(shè)計(jì)一種軸流螺旋滾筒式脫粒裝置,；基于物料拋送過(guò)程動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)分析，得出螺旋輸送器撥板安裝傾角為18°時(shí)葵盤(pán)較順暢進(jìn)入脫粒裝置,。為驗(yàn)證割臺(tái)結(jié)構(gòu)設(shè)計(jì)的可行性,，開(kāi)展了田間試驗(yàn)，結(jié)果表明,，留茬高度為700mm時(shí),，聯(lián)合收獲機(jī)在1.21～2.11m/s范圍內(nèi)5組不同速度條件下進(jìn)行田間作業(yè)，割臺(tái)損失率不大于3%,、未脫凈率不大于2%,、破損率不大于3%，均能夠滿足食葵收獲要求,。

摘要:藜蒿是我國(guó)特色蔬菜,，可食部為莖稈與頂部嫩葉,，因莖稈鮮嫩易折、徑向葉片多且易相互纏繞,，售前脫葉工序難度大,，仍以人工脫葉為主。針對(duì)藜蒿脫葉裝備匱乏,，人工勞動(dòng)強(qiáng)度大,、成本高等問(wèn)題，在統(tǒng)計(jì)分析藜蒿植株特性的基礎(chǔ)上,，設(shè)計(jì)了一種氣力機(jī)械組合式藜蒿脫葉機(jī),，通過(guò)吸葉滾筒氣力吸附引導(dǎo),、脫葉輥機(jī)械拉拽脫葉實(shí)現(xiàn)藜蒿莖葉的有效分離。統(tǒng)計(jì)分析了藜蒿外形幾何參數(shù),，測(cè)試了葉片順向,、垂直、逆向拉拽的抗拉力,，明確采用逆向拉拽脫葉方式,；開(kāi)展了吸葉滾筒、脫葉輥等關(guān)鍵部件結(jié)構(gòu)參數(shù)和運(yùn)行參數(shù)分析,，基于CFD模擬了吸葉滾筒氣流場(chǎng)狀態(tài),，結(jié)合仿真正交試驗(yàn)確定了吸孔軸向間距為10mm，周向分布夾角為10°,，有效孔個(gè)數(shù)為121個(gè),，吸孔直徑為4mm、深度為4mm,，脫葉輥相對(duì)高度為30mm,；以吸葉滾筒轉(zhuǎn)速、脫葉輥轉(zhuǎn)速和夾持喂入速度為試驗(yàn)因素,，以脫葉率和斷葉率為評(píng)價(jià)指標(biāo),，開(kāi)展了二次回歸正交試驗(yàn)，建立了脫葉率,、斷葉率與各試驗(yàn)因素之間的回歸數(shù)學(xué)模型,，求解得到最佳參數(shù)組合為吸葉滾筒轉(zhuǎn)速77r/min、脫葉輥轉(zhuǎn)速65r/min,、喂入速度40mm/s,；在最佳參數(shù)組合條件下，藜蒿脫葉機(jī)的脫葉率與斷葉率分別為94.32%和12.93%,，單輥?zhàn)鳂I(yè)效率可達(dá)12.3kg/h,，滿足藜蒿脫葉技術(shù)要求。

摘要:針對(duì)金銀花除雜過(guò)程中編織袋絲去除效果不佳的問(wèn)題,，本文基于靜電分離技術(shù),，設(shè)計(jì)了一種金銀花靜電除雜裝置。通過(guò)理論分析,，推導(dǎo)了靜電場(chǎng)中金銀花和編織袋絲產(chǎn)生軌跡分離的臨界條件,，驗(yàn)證了靜電分離技術(shù)用于金銀花除雜具有一定的可行性,?；趩我蛩卦囼?yàn)和COMSOL電場(chǎng)仿真，進(jìn)一步探究了各影響因素對(duì)除雜性能的影響,，確定了靜電極形狀為圓弧形,、靜電極角度α為45°。以高壓靜電發(fā)生器的輸出電壓U,、靜電極與輥筒的間距L和輥筒轉(zhuǎn)速N為試驗(yàn)因素，開(kāi)展Box-Behnken試驗(yàn),，分別建立了除雜率和誤除率的二次回歸方程,。采用響應(yīng)面分析法探明了各試驗(yàn)因素對(duì)試驗(yàn)指標(biāo)的影響規(guī)律,。通過(guò)參數(shù)尋優(yōu)，確定了該裝置的最優(yōu)工作參數(shù)為U=11.9kV,、N=28r/min以及L=60mm,。臺(tái)架試驗(yàn)結(jié)果顯示，除雜率和誤除率分別為94.47%和0.89%,，滿足金銀花除雜要求,。

摘要:針對(duì)平原河網(wǎng)地區(qū)細(xì)小枝杈河道存在的水動(dòng)力不足問(wèn)題,，設(shè)計(jì)了一種撲翼型仿生泵水裝置，以滿足極低揚(yáng)程工況下,，大流量,、高效率的輸水需求。以金槍魚(yú)尾鰭和矩形平板為基礎(chǔ)建立了撲翼模型,，利用有限體積法（FVM）和重疊網(wǎng)格技術(shù)對(duì)不同特征弦長(zhǎng)和輪廓的撲翼開(kāi)展三維數(shù)值模擬,，并對(duì)比進(jìn)行了尾鰭與矩形撲翼的泵水實(shí)驗(yàn),，結(jié)果表明：隨著撲翼特征弦長(zhǎng)的增大，周期內(nèi)平均推力系數(shù)有所提升,，但其泵水效率略微下降,；而在相同面積約束下，具有尾鰭特征輪廓的撲翼相對(duì)于矩形撲翼提升了裝置的泵水流量與效率,，實(shí)驗(yàn)撲動(dòng)頻率為0.7Hz時(shí),，尾鰭撲翼流場(chǎng)穩(wěn)定平均流速為28.44cm/s，較矩形撲翼的25.13cm/s提升13.6%,。

摘要:為了探究折葉片旋流泵固液兩相輸送機(jī)理,，基于CFD-DEM (Computational fluid dynamics-discrete element method)耦合算法，選用油菜籽和黃豆顆粒等比例混合,，在不同流量工況和體積分?jǐn)?shù)下對(duì)旋流泵進(jìn)行固液兩相流數(shù)值模擬和試驗(yàn)研究,。同時(shí)也研究了折葉片旋流泵內(nèi)部流動(dòng)規(guī)律及顆粒分布特征。小流量工況下,，進(jìn)口管內(nèi)螺旋回流長(zhǎng)度較長(zhǎng),，對(duì)進(jìn)口來(lái)流擾動(dòng)較大。隨著流量增大,，進(jìn)口管回流長(zhǎng)度逐漸縮短,。葉輪前端面旋渦隨流量增大，數(shù)量先增加后減少,，且逐漸向折點(diǎn)方向聚攏,。泵內(nèi)顆粒受循環(huán)流和貫通流的共同作用，進(jìn)口管中心部顆粒主要受貫通流影響,，直接穿過(guò)無(wú)葉腔,，沖擊葉輪進(jìn)口；靠近管壁的顆粒受循環(huán)流影響較大,。無(wú)葉腔內(nèi)顆粒分布呈現(xiàn)出：中心部最高,，中間部隨外徑增大濃度逐漸降低，外緣部濃度稍有上升,。葉輪前半部顆粒數(shù)量明顯少于葉輪后半部,，顆粒沿葉片第1段折邊運(yùn)動(dòng)，在折點(diǎn)處開(kāi)始發(fā)生分離,，不再跟隨第2段折邊,。不同工況下，泵進(jìn)口有不同程度的螺旋回流現(xiàn)象,，導(dǎo)致進(jìn)口過(guò)流面積減小,。循環(huán)流的存在，使得無(wú)葉腔和進(jìn)口管的顆粒充分旋起,，泵送能力增強(qiáng),，不易發(fā)生堵塞。

摘要:探查糧食主產(chǎn)區(qū)土地利用變化規(guī)律,，能夠發(fā)現(xiàn)土地利用行為異常、實(shí)現(xiàn)糧食生產(chǎn)優(yōu)化配置,，但相關(guān)研究在時(shí)空過(guò)程解析上重格局輕過(guò)程,、重模擬輕度量，定量分析仍顯不足,。本文基于多期土地利用序列數(shù)據(jù)等,，從時(shí)序過(guò)程視角構(gòu)建累積動(dòng)態(tài)度模型，并采用時(shí)空柵格建模,、空間點(diǎn)模式分析等方法,，定量揭示1980年以來(lái)河南省沿黃糧食主產(chǎn)區(qū)土地利用變化過(guò)程特征，深化土地利用變化內(nèi)在規(guī)律挖掘和多維表達(dá)研究,。結(jié)果表明：1980—2020年,，河南省沿黃的原陽(yáng)縣、封丘縣等6縣以耕地利用為主且面積占比均超過(guò)79%,，城鎮(zhèn)建設(shè)用地劇烈擴(kuò)張而農(nóng)村居民點(diǎn)面積增長(zhǎng)平緩,，城鄉(xiāng)二元化發(fā)展顯著，水域,、林地受國(guó)家政策調(diào)控影響較大,，面積波動(dòng)變化。變化時(shí)序過(guò)程受距離線性要素（黃河和主干道路）遠(yuǎn)近的影響較大,，但影響類型和范圍存在差異,。距離較近范圍的累積變化類型Ⅰ、Ⅱ,、Ⅲ均處于聚集狀態(tài),，且隨著緩沖區(qū)擴(kuò)大，類型Ⅰ的聚集程度先增后減，類型Ⅱ,、Ⅲ則持續(xù)減弱,。變化時(shí)序過(guò)程的空間尺度性效應(yīng)顯著。累積變化強(qiáng)烈的地區(qū)受空間尺度影響較小,，空間尺度1km下各類型均處于離散狀態(tài),，但隨著空間尺度增加，聚集性逐漸提高,，并至9km處達(dá)到極值,。土地利用累積動(dòng)態(tài)度能較好揭示長(zhǎng)時(shí)間序列土地利用變化的過(guò)程性規(guī)律，為加強(qiáng)對(duì)當(dāng)?shù)赝恋乩米兓J(rèn)知,、促進(jìn)土地資源優(yōu)化配置提供理論支撐,。

摘要:及時(shí),、準(zhǔn)確地獲取覆膜農(nóng)田的空間分布信息是防治地膜微塑料污染的基礎(chǔ)。為準(zhǔn)確地識(shí)別黃土高原地區(qū)的覆膜農(nóng)田,，本研究構(gòu)建了基于Sentinel-2遙感影像和隨機(jī)森林算法的適用于黃土高原覆膜農(nóng)田遙感識(shí)別的特征集組合與多時(shí)相組合方案,。以甘肅省臨夏縣、寧夏回族自治區(qū)彭陽(yáng)縣和山西省山陰縣作為測(cè)試區(qū),，陜西省旬邑縣作為驗(yàn)證區(qū)開(kāi)展識(shí)別研究,。首先，基于隨機(jī)森林算法,，針對(duì)3個(gè)不同的作物生育期（播期,、生長(zhǎng)旺盛期和收獲期），在7種不同的特征集組合方案中優(yōu)選出各時(shí)期識(shí)別精度最高的方案,。然后,，基于不同作物生育期的遙感影像及其對(duì)應(yīng)的最優(yōu)特征集組合方案，構(gòu)建不同的多時(shí)相組合來(lái)進(jìn)行覆膜農(nóng)田識(shí)別并優(yōu)選多時(shí)相組合,。最后,，利用旬邑縣來(lái)驗(yàn)證構(gòu)建的優(yōu)選特征集組合與多時(shí)相組合識(shí)別覆膜農(nóng)田的有效性，并繪制各研究區(qū)的覆膜農(nóng)田空間分布圖,。結(jié)果表明：相比于其他遙感識(shí)別特征因子,，Sentinel-2遙感影像光譜特征集中的可見(jiàn)光波段（B2、B3和B4）和短波紅外波段（B11和B12）,，指數(shù)特征集中的歸一化差值裸地與建筑用地指數(shù)（NDBBI）,、歸一化水體指數(shù)（NDWI）、裸土指數(shù)（BSI）、歸一化建筑物指數(shù)（NDBI）和改進(jìn)的歸一化水體指數(shù)（MNDWI）,，紋理特征集中的和平均（savg）和相關(guān)性（corr）可以作為覆膜農(nóng)田識(shí)別的優(yōu)選輸入特征變量,。在7種特征集組合方案中，光譜+指數(shù)方案是播期和收獲期識(shí)別覆膜農(nóng)田的優(yōu)選方案,，在這兩個(gè)時(shí)期對(duì)4個(gè)研究區(qū)的覆膜農(nóng)田進(jìn)行識(shí)別的F1值分別大于87%和57%,，而光譜+指數(shù)+紋理方案是生長(zhǎng)旺盛期識(shí)別覆膜農(nóng)田的優(yōu)選方案,，該方案識(shí)別4個(gè)研究區(qū)覆膜農(nóng)田的F1值均大于71%,。基于多時(shí)相遙感影像的覆膜農(nóng)田識(shí)別精度高于僅基于單時(shí)相遙感影像的精度,，其中播期+生長(zhǎng)旺盛期+收獲期多時(shí)相組合可作為黃土高原覆膜農(nóng)田識(shí)別的優(yōu)選多時(shí)相組合,，該組合在4個(gè)研究區(qū)識(shí)別覆膜農(nóng)田的F1值均大于92%?？傮w而言,，基于隨機(jī)森林算法和本研究?jī)?yōu)選的特征集組合與多時(shí)相組合方案能夠較為精準(zhǔn)地識(shí)別黃土高原地區(qū)的覆膜農(nóng)田。

摘要:成熟期農(nóng)作物的識(shí)別在農(nóng)作物種植面積估算,、農(nóng)業(yè)生產(chǎn)及產(chǎn)量統(tǒng)計(jì)方面具有重要作用,。為提供一種簡(jiǎn)便的成熟期農(nóng)作物遙感識(shí)別方法，利用Sentinel-2A數(shù)據(jù),，以安徽省滁州市鳳陽(yáng)縣為研究區(qū),，通過(guò)歸一化植被指數(shù)(Normalized difference vegetation index，NDVI)與歸一化光譜分離指數(shù)(Normalized spectral separation index,，NSSI)構(gòu)成的空間,，提取光合植被、非光合植被,、裸土的純端元,，由像元三分模型，得到非光合植被覆蓋度及成熟期農(nóng)作物的空間分布,。為進(jìn)一步提取研究區(qū)內(nèi)具有相同成熟期的冬小麥與油菜,，利用油菜開(kāi)花期Sentinel-2A數(shù)據(jù)，由Hue saturation value（HSV）圖像變換方法,，分別提取出成熟期冬小麥與油菜,。與地面觀測(cè)數(shù)據(jù)和輔助數(shù)據(jù)相比，提取的成熟區(qū)冬小麥,、油菜的總體精度為95.34%,Kappa系數(shù)為0.904,，高于支持向量機(jī)方法（總體精度91.66%,Kappa系數(shù)為0.813）與決策樹(shù)方法（總體精度92.39%,Kappa系數(shù)為0.838）的提取精度。結(jié)果表明，NDVI-NSSI空間與HSV變換相結(jié)合的方法,，可以有效將非光合植被與土壤背景分離,，識(shí)別成熟期冬小麥與油菜，具有對(duì)數(shù)據(jù)需求較少,，易操作等優(yōu)勢(shì),，也為提取農(nóng)作物成熟期內(nèi)的裸地以及與裸地具有相似波譜的地物提供了思路與方法。

摘要:基于無(wú)人機(jī)遙感技術(shù)獲取農(nóng)田土壤鹽分信息為鹽漬化治理提供了快速、準(zhǔn)確,、可靠的理論依據(jù),。本文在內(nèi)蒙古河套灌區(qū)沙壕渠灌域試驗(yàn)地上采集了取樣點(diǎn)0～20cm的土壤含鹽量，并使用M600型六旋翼無(wú)人機(jī)平臺(tái)搭載Micro-MCA多光譜相機(jī)采集圖像,。利用Otsu算法對(duì)多光譜圖像進(jìn)行圖像分類（土壤背景和植被冠層）,，基于分類結(jié)果分別提取剔除土壤背景前后的光譜指數(shù)和圖像紋理特征，采用支持向量機(jī)（SVM）和極限學(xué)習(xí)機(jī)（ELM）構(gòu)建土壤含鹽量監(jiān)測(cè)模型,，其4種建模策略分別為:未剔除土壤背景的光譜指數(shù)(策略1),、剔除土壤背景后的光譜指數(shù)(策略2)、未剔除土壤背景的光譜指數(shù)+圖像紋理特征(策略3),、剔除土壤背景的光譜指數(shù)+圖像紋理特征(策略4),，通過(guò)比較4種建模策略的模型精度以篩選出最優(yōu)變量組合。結(jié)果表明：策略3,、4所計(jì)算出的土壤含鹽量反演精度高于策略1,、2，策略1~4驗(yàn)證集決定系數(shù)R2v分別為0.614,、0.640,、0.657、0.681,，因此利用圖像紋理特征+植被指數(shù)對(duì)提高土壤含鹽量的反演精度有重要意義,。對(duì)比策略3、4,，圖像紋理特征+植被指數(shù)受到土壤背景的影響,，策略4精度低于策略3精度，其R2v分別為0.614,、0.657,；各變量處理的最優(yōu)模型均為ELM模型,，建模集R2c分別為0.625、0.644,、0.618,、0.683，標(biāo)準(zhǔn)均方根誤差分別為0.152,、0.134,、0.206、0.155,。相比于SVM模型,ELM模型提高了土壤含鹽量的反演精度,。

摘要:地表覆蓋產(chǎn)品是地理國(guó)情監(jiān)測(cè)、生態(tài)系統(tǒng)評(píng)估,、國(guó)土空間規(guī)劃等活動(dòng)的重要基礎(chǔ)數(shù)據(jù),。GEE、PIE,、微軟行星云等遙感計(jì)算云平臺(tái)具備豐富的數(shù)據(jù)源和強(qiáng)大算力,。利用GEE云平臺(tái)融合多套公開(kāi)產(chǎn)品制作訓(xùn)練樣本，可以顯著降低產(chǎn)品更新的成本和周期,，具有重要研究?jī)r(jià)值,。本文以淮河流域?yàn)槔瑢W洲航天局（ESA）和美國(guó)環(huán)境系統(tǒng)研究所（ESRI）存儲(chǔ)在GEE平臺(tái)上的2020年分辨率10m地表覆蓋產(chǎn)品作為訓(xùn)練樣本數(shù)據(jù)源,，選用Sentinel-1雷達(dá)和Sentinel-2多光譜影像構(gòu)建特征空間,，利用隨機(jī)森林分類方法制作分辨率10m的地表覆蓋產(chǎn)品。為驗(yàn)證方法效果,，進(jìn)行了2組對(duì)比實(shí)驗(yàn),。實(shí)驗(yàn)1隨機(jī)抽取1116個(gè)公開(kāi)產(chǎn)品類別一致的樣點(diǎn)作為訓(xùn)練樣本，并通過(guò)目視解譯方式驗(yàn)證本文產(chǎn)品與多套公開(kāi)產(chǎn)品的精度,。結(jié)果顯示,，本文產(chǎn)品總體精度為80.35%，相較于公開(kāi)產(chǎn)品的總體精度提升2.89~8.94個(gè)百分點(diǎn),，局部刻畫(huà)也更加精細(xì),；在Sentinel-2基礎(chǔ)上加入雷達(dá)影像，總體精度提高3.52個(gè)百分點(diǎn),，雷達(dá)影像輔助效果明顯,。實(shí)驗(yàn)2設(shè)置8組不同數(shù)量的訓(xùn)練樣本,，并分別以人工判讀、ESA,、ESRI,、DW、GlobeLand30為參考數(shù)據(jù)源,，研究不同訓(xùn)練樣本量和不同參考數(shù)據(jù)源對(duì)分類產(chǎn)品總體精度的影響,。結(jié)果顯示，隨著訓(xùn)練樣本不斷增加,，基于5種不同參考數(shù)據(jù)源的總體精度的提升幅度逐漸減小并趨于相對(duì)穩(wěn)定,。研究結(jié)果表明，借助GEE平臺(tái)上的公開(kāi)地表覆蓋產(chǎn)品和海量遙感影像,，可以快速提取高質(zhì)量的訓(xùn)練樣本,，獲得更高質(zhì)量的分辨率10m地表覆蓋產(chǎn)品，該方法具有重要的實(shí)踐推廣價(jià)值,。

摘要:地上部生物量(Above-ground biomass, AGB)是判斷作物生長(zhǎng)發(fā)育的重要指標(biāo),，對(duì)作物不同生長(zhǎng)階段地上部生物量進(jìn)行快速,、準(zhǔn)確、無(wú)損遙感監(jiān)測(cè)對(duì)精準(zhǔn)農(nóng)業(yè)生產(chǎn)具有重要意義,。本文在西北關(guān)中地區(qū)開(kāi)展田間試驗(yàn),，以不同水氮處理下冬油菜為研究對(duì)象，通過(guò)對(duì)其生理生長(zhǎng)指標(biāo)以及產(chǎn)量進(jìn)行分析,，確定I2N3（越冬期和蕾薹期補(bǔ)灌,，施氮量為280kg/hm2）處理為該地適宜的水氮管理策略。使用無(wú)人機(jī)獲取冬油菜營(yíng)養(yǎng)生長(zhǎng)期和生殖生長(zhǎng)期多光譜圖像,，采用閾值法對(duì)多光譜圖像中的陰影和土壤背景進(jìn)行掩膜處理,，提取各波段反射率，構(gòu)建植被指數(shù),。將冬油菜地上部生物量實(shí)測(cè)數(shù)據(jù)與21個(gè)光譜變量進(jìn)行相關(guān)性分析,，篩選出各生長(zhǎng)階段相關(guān)系數(shù)絕對(duì)值排名前8個(gè)光譜變量作為輸入量，通過(guò)隨機(jī)森林（RF）,、支持向量機(jī)（SVM）,、遺傳算法優(yōu)化支持向量機(jī)（GA-SVM）和粒子群優(yōu)化支持向量機(jī)（PSO-SVM）構(gòu)建不同生長(zhǎng)階段冬油菜地上部生物量估算模型，確定最佳估算模型,。結(jié)果表明,，全生長(zhǎng)階段和生殖生長(zhǎng)階段紅光波段反射率顯著性最強(qiáng)且穩(wěn)定,，相關(guān)系數(shù)分別達(dá)到0.835和0.754；PSO- SVM模型更適合用于反演關(guān)中地區(qū)冬油菜不同生長(zhǎng)時(shí)期的AGB,，其在全生長(zhǎng)時(shí)期,、營(yíng)養(yǎng)生長(zhǎng)時(shí)期和生殖生長(zhǎng)時(shí)期的驗(yàn)證集R2分別為0.866、0.962和0.789,，模擬所用時(shí)間分別為1.299,、0.859、0.666s,。

摘要:為適應(yīng)現(xiàn)代農(nóng)業(yè)發(fā)展對(duì)作物生長(zhǎng)動(dòng)態(tài),、連續(xù),、快速監(jiān)測(cè)的要求，本文基于無(wú)人機(jī)多光譜遙感技術(shù),，以西北地區(qū)大豆作為研究對(duì)象,，分別篩選出與大豆葉面積指數(shù)（Leaf area index，LAI）,、地上部生物量和產(chǎn)量相關(guān)性較好的5個(gè)植被指數(shù)，采用支持向量機(jī)（Support vector machine,， SVM）,、隨機(jī)森林（Random forest，RF）和反向神經(jīng)網(wǎng)絡(luò)(Back propagation neural network,，BPNN)分別構(gòu)建了大豆LAI,、地上部生物量和產(chǎn)量的估計(jì)模型，并對(duì)模型進(jìn)行了驗(yàn)證,。結(jié)果表明,，基于RF模型構(gòu)建的大豆LAI和地上部生物量預(yù)測(cè)模型的精度顯著高于SVM與BP模型，LAI估計(jì)模型驗(yàn)證集的R2為0.801,，RMSE為0.675m2/m2,，MRE為18.684%；地上部生物量估算模型驗(yàn)證集的R2為0.745,，RMSE為1548.140kg/hm2,，MRE為18.770。而在產(chǎn)量的估算模型構(gòu)建中,，在大豆開(kāi)花期（R4）基于RF模型構(gòu)建的大豆產(chǎn)量預(yù)測(cè)模型的精度最高,，驗(yàn)證集的R2為0.818,，RMSE為287.539kg/hm2，MRE為7.128,。本研究結(jié)果可以為無(wú)人機(jī)多光譜遙感在作物監(jiān)測(cè)方面的應(yīng)用提供理論依據(jù),，為作物產(chǎn)量的快速估算提供應(yīng)用參考。

摘要:葉綠素是衡量作物光合作用的重要指標(biāo)，監(jiān)測(cè)馬鈴薯關(guān)鍵生育期葉片葉綠素含量（Leaf chlorophyll content,，LCC）至關(guān)重要,。獲取馬鈴薯塊莖形成期、塊莖增長(zhǎng)期和淀粉積累期的無(wú)人機(jī)RGB和多光譜影像,，提取無(wú)人機(jī)多光譜影像的光譜反射率構(gòu)建植被指數(shù)（Vegetation index,，VIs），利用Gabor濾波器提取RGB影像的紋理信息（Texture information,，TIs）,。然后利用機(jī)器學(xué)習(xí)SVR-REF方法進(jìn)行數(shù)據(jù)降維獲取植被指數(shù)和紋理特征重要性排序，并采用迭代的方法在植被指數(shù)最佳模型中加入紋理信息,，觀察每次加入的紋理信息對(duì)模型的動(dòng)態(tài)影響,。最后使用支持向量機(jī)(Support vector machine, SVR)和K-最近鄰算法（K-nearest neighbor，KNN）2種機(jī)器學(xué)習(xí)方法進(jìn)行建模,。結(jié)果表明,，馬鈴薯3個(gè)關(guān)鍵生育期，加入紋理特征后的2種模型精度和穩(wěn)定性均有提高,，且SVR模型精度優(yōu)于KNN,。塊莖形成期，SVR模型建模R2由0.61提升至0.71,，RMSE由0.20mg/g降為0.17mg/g,，精度提升14.2%，驗(yàn)證R2由0.58提升至0.66,，RMSE由0.19mg/g降至0.17mg/g,，精度提升10.5%。塊莖增長(zhǎng)期,，SVR建模R2由0.59提升至0.67,，RMSE由0.16mg/g降至0.14mg/g，驗(yàn)證R2由0.71提升至0.79,，RMSE由0.15mg/g降至0.13mg/g,，精度提升13.3%,。淀粉積累期，SVR建模R2由0.62提升為0.69,，RMSE由0.17mg/g降至0.14mg/g,，精度提升17.6%，驗(yàn)證R2由0.47提升至0.63,，RMSE由0.17mg/g降至0.14mg/g,，精度提升17.6%。另外,，3個(gè)時(shí)期參與SVR建模的植被指數(shù)數(shù)量分別為19,、16、3,，紋理數(shù)量分別為4,、2、9,，在植被指數(shù)不能充分響應(yīng)葉綠素含量時(shí),，會(huì)有更多紋理信息參與建模，并且模型精度提升更高,，進(jìn)一步論證了紋理特征在馬鈴薯葉綠素含量反演中的重要性,。

摘要:為提高林果園移動(dòng)機(jī)器人導(dǎo)航系統(tǒng)的精確性與魯棒性,，提出一種基于激光雷達(dá)三維點(diǎn)云的果園行間高低頻雙源信息融合實(shí)時(shí)導(dǎo)航方法。首先,，噴霧機(jī)器人搭載三維激光雷達(dá)采集兩側(cè)果樹(shù)點(diǎn)云信息,，對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行直通濾波、降采樣和統(tǒng)計(jì)濾波等預(yù)處理,，保留感興趣區(qū)域內(nèi)果樹(shù)冠層點(diǎn)云；然后,，將分別基于高頻更新的牛頓插值算法和低頻更新的非線性支持向量機(jī)（Non-linear support vector machine,，NSVM）算法擬合的行間導(dǎo)航線進(jìn)行互補(bǔ)融合；最后,，在導(dǎo)航線切換時(shí),，對(duì)融合后導(dǎo)航線的穩(wěn)定性進(jìn)行優(yōu)化，并使用三次B樣條算法使導(dǎo)航線平滑,。實(shí)驗(yàn)結(jié)果表明：融合優(yōu)化后的導(dǎo)航線最大曲率為0.048m-1,，平均曲率為0.018m-1；分別以0.5m/s和1.0m/s的行駛速度對(duì)融合優(yōu)化后的導(dǎo)航線進(jìn)行跟蹤,，絕對(duì)橫向偏差最大值分別為0.104m和0.130m,，平均值分別為0.053m和0.049m,，說(shuō)明該導(dǎo)航方法能夠滿足作業(yè)裝備在果園行間自主導(dǎo)航作業(yè)的需求，為噴霧機(jī)器人在果園環(huán)境中的自主導(dǎo)航提供技術(shù)參考,。

摘要:將內(nèi)嵌有面陣相機(jī)及IMU的智能手機(jī)作為硬件系統(tǒng),，單目SLAM技術(shù)獲取多視圖幾何深度圖,、位姿等為數(shù)據(jù)源，構(gòu)建了單目SLAM增強(qiáng)現(xiàn)實(shí)森林測(cè)樹(shù)系統(tǒng),。設(shè)計(jì)了基于平滑度高魯棒性過(guò)濾胸高圓柱體表面點(diǎn)云及切線的方法,；然后，基于點(diǎn)到圓柱體表面距離及圓柱體切線到圓柱體表面距離構(gòu)建了胸徑與立木位置精確估計(jì)算法,；最后,，以該算法為基礎(chǔ)在智能手機(jī)端開(kāi)發(fā)了增強(qiáng)現(xiàn)實(shí)測(cè)樹(shù)系統(tǒng)，即利用智能手機(jī)實(shí)時(shí)測(cè)樹(shù),、并通過(guò)增強(qiáng)現(xiàn)實(shí)場(chǎng)景實(shí)時(shí)人工監(jiān)督測(cè)量結(jié)果,。新型測(cè)樹(shù)系統(tǒng)在5塊32m×32m方形樣地中進(jìn)行了測(cè)試，以評(píng)估新型測(cè)樹(shù)系統(tǒng)的測(cè)量精度,；此外,，每塊樣地使用了單次觀測(cè)、正交觀測(cè),、對(duì)稱觀測(cè)及環(huán)繞觀測(cè)4種不同的觀測(cè)方法對(duì)立木胸高圓柱體觀測(cè),，以評(píng)估不用觀測(cè)方式對(duì)測(cè)樹(shù)精度的影響。結(jié)果顯示：立木位置估計(jì)值在X,、Y軸方向的平均誤差范圍為-0.014~0.020m,，X、Y軸方向均方根誤差范圍為0.04~0.08m,；立木胸徑估計(jì)值偏差為-0.85~-0.03cm（相對(duì)偏差為-3.60%~-0.04%）,，均方根誤差為1.32~2.51cm（相對(duì)均方根誤差為6.41%~12.33%）；相比于單次觀測(cè)方法,，其他觀測(cè)方法獲取位置及胸徑估計(jì)精度均有提高（特別是不可近似為圓柱體的立木樹(shù)干）,，從精度與效率角度而言，正交觀測(cè)及對(duì)稱觀測(cè)為最佳觀測(cè)方法,。結(jié)果表明,，單目SLAM增強(qiáng)現(xiàn)實(shí)測(cè)樹(shù)系統(tǒng)是一種可精確進(jìn)行森林樣地調(diào)查的潛在解決方案。

摘要:為方便調(diào)查寧夏全區(qū)荒漠草原植物種類及其分布,，需對(duì)植物識(shí)別方法進(jìn)行研究。針對(duì)YOLO v5s模型參數(shù)量大,，對(duì)復(fù)雜背景下的植物不易識(shí)別等問(wèn)題,，提出一種復(fù)雜背景下植物目標(biāo)識(shí)別輕量化模型YOLO v5s-CBD。改進(jìn)模型YOLO v5s-CBD在特征提取網(wǎng)絡(luò)中引入帶有Transformer模塊的主干網(wǎng)絡(luò)BoTNet(Bottleneck transformer network),，使卷積和自注意力相結(jié)合,，提高模型的感受野；同時(shí)在特征提取網(wǎng)絡(luò)融入坐標(biāo)注意力(Coordinate attention,CA),，有效捕獲通道和位置的關(guān)系,，提高模型的特征提取能力；引入SIoU函數(shù)計(jì)算回歸損失,，解決預(yù)測(cè)框與真實(shí)框不匹配問(wèn)題,；使用深度可分離卷積(Depthwise separable convolution，DSC)減小模型內(nèi)存占用量,。實(shí)驗(yàn)結(jié)果表明,，YOLO v5s-CBD模型在單塊Nvidia GTX A5000 GPU單幅圖像推理時(shí)間僅為8ms，模型內(nèi)存占用量為8.9MB,，精確率P為95.1%,，召回率R為92.9%，綜合評(píng)價(jià)指標(biāo)F1值為94.0%,，平均精度均值（mAP）為95.7%,，在VOC數(shù)據(jù)集平均精度均值可達(dá)80.09%。相比YOLO v3-tiny,、YOLO v4-tiny和YOLO v5s,，改進(jìn)模型內(nèi)存占用量減小，平均精度均值提升,。模型YOLO v5s-CBD在公開(kāi)數(shù)據(jù)集和寧夏荒漠草原植物數(shù)據(jù)集都有良好的魯棒性,，推理速度更快，且易于部署,，已應(yīng)用在寧夏荒漠草原移動(dòng)端植物圖像識(shí)別APP和定點(diǎn)生態(tài)信息觀測(cè)平臺(tái)，可用來(lái)調(diào)查寧夏全區(qū)荒漠草原植物種類和分布,，長(zhǎng)期觀測(cè)和跟蹤寧夏鹽池縣大水坑,、黃記場(chǎng)、麻黃山等地植物生態(tài)信息。

摘要:針對(duì)當(dāng)前牧場(chǎng)奶牛體質(zhì)量（體重）稱量效率低，人工參與容易引發(fā)奶牛應(yīng)激等問(wèn)題,，提出了一種基于改進(jìn)DETR（Detection transformer）網(wǎng)絡(luò)的端到端式奶牛體質(zhì)量評(píng)估方法（Cow-DETR）,，實(shí)現(xiàn)利用奶牛背部深度圖像進(jìn)行非接觸式奶牛體質(zhì)量評(píng)估。首先設(shè)計(jì)并搭建實(shí)驗(yàn)數(shù)據(jù)采集裝置,，利用Intel RealSense D435深度相機(jī)和體重秤采集奶牛背部深度圖像和體質(zhì)量數(shù)據(jù),；然后，通過(guò)邊緣平滑濾波器和孔洞填充濾波器對(duì)深度圖像進(jìn)行補(bǔ)全處理,，減少深度數(shù)據(jù)缺失對(duì)體質(zhì)量評(píng)估的影響,；最后，以DETR網(wǎng)絡(luò)為基礎(chǔ)建立奶牛體質(zhì)量評(píng)估模型,，通過(guò)在預(yù)測(cè)模塊中添加含有交替全連接層的體質(zhì)量預(yù)測(cè)單元,，提升奶牛體質(zhì)量相關(guān)的特征信息提取能力，實(shí)現(xiàn)端到端式奶牛背部定位的同時(shí)進(jìn)行奶牛體質(zhì)量非接觸式評(píng)估,。結(jié)果表明,，本文方法可以實(shí)現(xiàn)較高精度的奶牛體質(zhì)量評(píng)估，通過(guò)5倍交叉驗(yàn)證,，在含有139頭奶牛數(shù)據(jù)的數(shù)據(jù)集中,，平均絕對(duì)誤差不超過(guò)17.21kg，平均相對(duì)誤差不超過(guò)3.71%,，單幅圖像平均識(shí)別時(shí)間為0.026s,。通過(guò)與現(xiàn)有體質(zhì)量評(píng)估方法相對(duì)比，本文方法比其他6種方法在更多的奶牛頭數(shù)的數(shù)據(jù)集中取得了更低的平均絕對(duì)誤差和平均相對(duì)誤差,，同時(shí)本文方法對(duì)奶牛站立姿勢(shì)要求較低,，更符合牧場(chǎng)實(shí)際生產(chǎn)需要，為奶牛體質(zhì)量評(píng)估提供了新的解決思路,。

摘要:針對(duì)規(guī)?；驁?chǎng)對(duì)山羊體尺無(wú)接觸式自動(dòng)測(cè)量的需求,，設(shè)計(jì)了一種山羊雙視角圖像采集裝置并開(kāi)發(fā)了配套的山羊體尺自動(dòng)測(cè)量算法。首先，開(kāi)發(fā)了山羊雙視角圖像自動(dòng)采集裝置并在養(yǎng)殖場(chǎng)完成山羊雙視角圖像數(shù)據(jù)集的構(gòu)建,；然后,，采用背景減除法二值化羊體俯視圖，引入簡(jiǎn)單線性迭代聚類算法（SLIC）構(gòu)建側(cè)視圖超像素的紋理和顏色特征向量,，訓(xùn)練基于支持向量機(jī)（SVM）的超像素分類器,，綜合利用置信度和超像素區(qū)域鄰接圖（RAG）獲取側(cè)視圖中的羊體二值圖；最后,，提出了在側(cè)視和俯視二值圖像中定位關(guān)鍵體尺特征點(diǎn)的方法,，自動(dòng)提取山羊體高、體斜長(zhǎng),、胸深,、胸寬、管徑參數(shù),，擬合得到胸圍和管圍參數(shù),。算法測(cè)試結(jié)果表明，羊體側(cè)視圖前景區(qū)域超像素分類正確率超過(guò)94%,，算法自動(dòng)提取與人工標(biāo)注的側(cè)視,、俯視前景二值圖的交并比分別為96.1%和97.5%。以人工使用軟尺測(cè)量獲得體尺參數(shù)為金標(biāo)準(zhǔn)評(píng)價(jià)算法自動(dòng)提取體尺參數(shù)的精度,，結(jié)果表明管圍,、體高、胸深,、胸寬,、胸圍和體斜長(zhǎng)的平均相對(duì)誤差分別為5.5%、3.7%,、2.6%,、5.2%、4.1%和3.9%,。本文開(kāi)發(fā)的羊體雙視角圖像采集裝置及相應(yīng)的圖像處理方法可以滿足山羊體尺無(wú)接觸自動(dòng)測(cè)量的精度要求,，為山羊體尺的高效、自動(dòng)測(cè)量提供了可行的解決方案,。

摘要:雞蛋胚胎培養(yǎng)法是制備禽流感疫苗常用的方法，快速準(zhǔn)確地對(duì)雞蛋胚胎進(jìn)行成活性分類并將死胚從活胚中盡早剔除可以有效避免因胚胎死亡導(dǎo)致的細(xì)菌或霉菌污染,，對(duì)孵化效率的提高有著重要意義,。目前,，主要以雞胚心跳信號(hào)作為分辨死胚和活胚的依據(jù)。然而,，雞蛋活胚在注入禽流感病毒96h后，其心跳信號(hào)特征介于普通活胚和死胚之間,，易與死胚混淆,，本文將該類數(shù)據(jù)稱為雞胚心跳混淆信號(hào)，單獨(dú)作為一類加入數(shù)據(jù)集,，將原本死胚,、活胚二分類改為死胚、普通活胚和96h活胚三分類,，根據(jù)信號(hào)特征設(shè)計(jì)了絕對(duì)值均值標(biāo)準(zhǔn)化預(yù)處理方法,，增強(qiáng)原始數(shù)據(jù)特征以提升數(shù)據(jù)可分類性，并針對(duì)全局特征和細(xì)節(jié)特征提出了一種基于時(shí)間卷積網(wǎng)絡(luò)（Temporal convolutional network,，TCN）和Transformer的殘差結(jié)構(gòu)淺層雙分支網(wǎng)絡(luò)結(jié)構(gòu)（Residual fully temporal convolutional with transformer network,，RFTNet）。實(shí)驗(yàn)結(jié)果表明,，本文提出的三分類絕對(duì)值均值標(biāo)準(zhǔn)化預(yù)處理方法和RFTNet雙分支網(wǎng)絡(luò)在雞胚混淆數(shù)據(jù)集分類任務(wù)中展現(xiàn)出良好性能,，檢測(cè)準(zhǔn)確率高達(dá)99.75%。此外,，在精確率,、召回率和F1值3個(gè)評(píng)價(jià)指標(biāo)上分別達(dá)到99.75%、99.74%和99.75%,，進(jìn)一步驗(yàn)證了本文方法的有效性,。

摘要:為明確內(nèi)蒙古河套灌區(qū)間作模式的邊際效應(yīng)及該區(qū)域本土化玉米大豆間作技術(shù)模式,，在滴灌條件下，設(shè)置4種間作技術(shù)模式（行比為2∶3,、2∶4,、4∶3、4∶4（T2∶3,、T2∶4,、T4∶3、T4∶4））,，以玉米大豆單作為對(duì)照,，對(duì)光合特性變化規(guī)律,、種間競(jìng)爭(zhēng)力及邊際效應(yīng)進(jìn)行分析。結(jié)果表明,，單作與間作玉米葉片葉綠素SPAD及氮質(zhì)量比總體表現(xiàn)為大喇叭口期達(dá)到峰值,，之后逐漸下降，進(jìn)入灌漿期又出現(xiàn)一小高峰,，此時(shí),，T2∶3模式葉綠素SPAD及氮質(zhì)量比與單作差異均不顯著，大喇叭口期,，分別較單作下降0.91%,、5.07%，灌漿期,，較單作分別提高5.09%,、5.17%，且凈光合速率均于吐絲期達(dá)到峰值,，但T2∶3較單作下降緩慢,，其它模式的特點(diǎn)是峰值低，出現(xiàn)早（大喇叭口期）,，降得快,。T2∶3模式與單作大豆葉片葉綠素SPAD和氮質(zhì)量比均在開(kāi)花期達(dá)到峰值，之后逐漸下降,，鼓粒期又出現(xiàn)一小高峰,，結(jié)莢期與鼓粒期，T2∶3模式SPAD較單作分別提高2.32%,、5.11%,，氮質(zhì)量比分別提高2.34%、5.77%,，且凈光合速率峰值出現(xiàn)晚（鼓粒期）,，其它模式峰值出現(xiàn)早，降得快,，尤其T2∶4,、T4∶3、T4∶4模式的中行更顯著,。因此,，間作群體花后光合功能穩(wěn)定期長(zhǎng)是關(guān)鍵，是發(fā)揮間作優(yōu)勢(shì)的重要原因,。僅T2∶3模式土地當(dāng)量比大于1,，達(dá)到1.38，且大豆的相對(duì)擁擠系數(shù)大于玉米,，間作大豆侵占力,、競(jìng)爭(zhēng)比率均大于玉米,，T2∶3具有明顯的間作優(yōu)勢(shì)和競(jìng)爭(zhēng)力，大豆相對(duì)產(chǎn)量增長(zhǎng)大于玉米,，是競(jìng)爭(zhēng)優(yōu)勢(shì)種,。T2∶3模式的玉米、大豆產(chǎn)量最高,，分別為9705,、2265kg/hm2，占系統(tǒng)產(chǎn)量的81.08%,、18.92%。T4∶4模式的玉米產(chǎn)量與葉綠素SPAD,、凈光合速率具有顯著的邊際優(yōu)勢(shì),，而大豆僅光合速率表現(xiàn)邊際優(yōu)勢(shì)，T2∶3模式的中行大豆具有光合優(yōu)勢(shì),。綜上,，T2∶3模式是內(nèi)蒙古河套灌區(qū)適宜的間作技術(shù)模式。

摘要:畦田土壤初始含水率是影響灌水質(zhì)量的重要因素之一，由降雨產(chǎn)流導(dǎo)致的畦田土壤含水率沿程不均勻分布是華北平原農(nóng)田常見(jiàn)的現(xiàn)象,。為探究土壤初始含水率空間變異性對(duì)畦灌水流運(yùn)動(dòng)以及灌水質(zhì)量的影響,，本文開(kāi)展一維土柱入滲試驗(yàn)與二維土槽灌溉試驗(yàn)，結(jié)合WinSRFR地面灌溉模擬模型,，優(yōu)化求解初始含水率沿程不均勻條件下的畦灌技術(shù)要素,。結(jié)果表明：畦田土壤初始含水率沿程增幅越大，畦灌田面水流推進(jìn)速度越快,，田面水流消退速度越慢,；相較于初始含水率均勻分布，畦田土壤初始含水率沿程不均勻分布條件下,，灌水效率和灌水均勻度有所下降,，儲(chǔ)水效率無(wú)明顯變化；當(dāng)畦田土壤初始含水率沿程增加時(shí),，灌水效率和儲(chǔ)水效率受畦田長(zhǎng)度,、入畦單寬流量及改水成數(shù)的影響，而灌后土壤水分均勻度僅受畦田長(zhǎng)度和單寬流量的影響,；當(dāng)畦田土壤初始含水率沿程由0.1890m3/m3均勻增大至0.4643m3/m3時(shí),，畦田長(zhǎng)度L為85m,、改水成數(shù)G為6、單寬流量q為7.0L/(m·s)時(shí)可取得最優(yōu)灌水質(zhì)量,。本研究結(jié)果可為降雨產(chǎn)流帶來(lái)的畦田土壤初始含水率不均勻條件下的灌水技術(shù)要素調(diào)控提供科學(xué)依據(jù),。

摘要:為探尋不同水氮耦合方式對(duì)黑土區(qū)稻田生態(tài)系統(tǒng)碳平衡的影響,，于2022年開(kāi)展田間試驗(yàn)，試驗(yàn)設(shè)置常規(guī)淹灌（F）和稻作控制灌溉（C）兩種灌溉模式,，同時(shí)設(shè)置常規(guī)施氮水平（N,，110kg/hm2）、減氮10%水平（N1,，99kg/hm2）,、減氮20%水平（N2，88kg/hm2）3種施氮水平,，分析不同水氮耦合方式對(duì)水稻各器官干物質(zhì)量,、碳含量、稻田土壤呼吸CO2排放通量和CH4排放通量及兩者排放總量的影響,，并采用凈生態(tài)系統(tǒng)碳收支（NECB）評(píng)價(jià)體系對(duì)黑土區(qū)稻田生態(tài)系統(tǒng)碳源匯效應(yīng)進(jìn)行分析,。結(jié)果表明：不同水氮耦合方式下，各處理水稻穗固碳量與根固碳量分別占其總固碳量的26.61%~40.92%,、24.63%~31.95%,。相同施氮量下，稻作控制灌溉相較于常規(guī)灌溉能提高水稻各器官碳含量,、干物質(zhì)量,。在水稻全生育期內(nèi)，各處理CH4排放通量呈現(xiàn)先增加后減小再增加的變化趨勢(shì),，均在分蘗期與拔節(jié)孕穗期出現(xiàn)峰值,；各處理土壤呼吸CO2排放通量呈現(xiàn)單峰變化，在分蘗期出現(xiàn)峰值,。相同灌溉模式下,，除返青期外，各處理CH4排放通量與土壤呼吸CO2排放通量均隨施氮量的減少而降低,。相同施氮量下,，稻作控制灌溉與常規(guī)灌溉相比降低了土壤呼吸CO2排放通量及排放總量，但提高了CH4排放通量及排放總量,。不同水氮耦合方式下,，水稻凈初級(jí)生產(chǎn)力為4245.82~6958.19kg/hm2,，穗凈初級(jí)生產(chǎn)力最高、凋落物凈初級(jí)生產(chǎn)力最低,，分別占其水稻凈初級(jí)生產(chǎn)力的42.88%~51.82%,、3.19%~3.90%。相同施氮量下,，稻作控制灌溉模式各處理水稻凈初級(jí)生產(chǎn)力均大于常規(guī)灌溉模式,，其中CN,、CN1,、CN2各處理凈初級(jí)生產(chǎn)力較FN,、FN1、FN2各處理分別增加11.17%,、31.92%,、2.98%。此外,，不同水氮耦合方式下NECB均為正值，表示該黑土區(qū)稻田生態(tài)系統(tǒng)為凈碳“匯”,，其中CN1處理凈碳收支（1082.87kg/hm2）顯著高于其他各處理（P＜0.05）,，這說(shuō)明稻作控制灌溉模式下減氮10%處理的稻田生態(tài)系統(tǒng)碳“匯”強(qiáng)度最大。

摘要:準(zhǔn)確預(yù)測(cè)日光溫室溫度是實(shí)現(xiàn)溫室高效調(diào)控的關(guān)鍵，對(duì)作物生長(zhǎng)發(fā)育具有重要意義,，但因溫度具有時(shí)序性,、非線性及多耦合性等特征，難以實(shí)現(xiàn)連續(xù),、精準(zhǔn),、長(zhǎng)時(shí)化預(yù)測(cè)。提出了一種基于1D CNN-GRU（One dimensional convolutional neural networks-gated recurrent unit）的日光溫室溫度預(yù)測(cè)模型,，通過(guò)溫室內(nèi)外監(jiān)測(cè)平臺(tái)獲取內(nèi)外環(huán)境因子,，以斯皮爾曼相關(guān)系數(shù)獲取相關(guān)性強(qiáng)特征，構(gòu)造特征與時(shí)間步長(zhǎng)的二維矩陣輸入網(wǎng)絡(luò)進(jìn)行溫度預(yù)測(cè),，模型在測(cè)試集上預(yù)測(cè)1~4h后的決定系數(shù)為0.970~0.994,，均方根誤差為0.612~1.358℃，平均絕對(duì)誤差為0.428~0.854℃,，絕對(duì)值的最大絕對(duì)誤差為0.856~1.959℃,。并在不同清晰度指數(shù)KT下進(jìn)行驗(yàn)證,，結(jié)果表明，模型在KT≥0.5（晴）時(shí)預(yù)測(cè)效果最好,，且在其他KT下模型相對(duì)誤差在10%以內(nèi),，可以達(dá)到溫室生產(chǎn)所需的預(yù)測(cè)精度要求，為日光溫室精準(zhǔn)高效控溫提供了重要依據(jù),。

摘要:針對(duì)溫室植保機(jī)器人作業(yè)過(guò)程中,，UWB節(jié)點(diǎn)之間頻繁出現(xiàn)的非視距通信現(xiàn)象導(dǎo)致UWB系統(tǒng)定位精度低和穩(wěn)定性差的問(wèn)題，提出了一種基于UWB測(cè)距值修正的融合定位方法,。首先,，設(shè)計(jì)了基于測(cè)距殘差的UWB節(jié)點(diǎn)間通信類型識(shí)別方法；其次,，分析了視距和非視距通信下UWB測(cè)距誤差產(chǎn)生原因并建立了兩種通信條件下的測(cè)距值修正模型,；最后，基于擴(kuò)展卡爾曼濾波器設(shè)計(jì)了UWB測(cè)距修正值和IMU數(shù)據(jù)融合方法,，實(shí)現(xiàn)了溫室機(jī)器人作業(yè)過(guò)程中的可靠定位,。在溫室環(huán)境下的實(shí)際驗(yàn)證結(jié)果表明：非視距通信條件下，經(jīng)過(guò)UWB測(cè)距修正的融合定位方法的定位誤差為11.95cm,，相較于未進(jìn)行UWB測(cè)距值修正的融合定位方法,，定位誤差降低83.11%，可為溫室植保機(jī)器人提供穩(wěn)定的高精度定位信息,。

摘要:為探究沼肥在蔬菜種植中的肥效,，在試驗(yàn)大棚中連續(xù)進(jìn)行3季上海青-茄子輪作試驗(yàn),，設(shè)置低（BF-L）、中（BF-M）,、高（BF-H）沼肥施用量,，從產(chǎn)量、土壤特性和重金屬風(fēng)險(xiǎn)的角度探討沼肥替代化肥的效果以及沼肥高負(fù)荷土地消納的閾值,。結(jié)果表明,，在上海青種植中沼肥組相較化肥組均減產(chǎn)6%左右，其中BF-M組的平均產(chǎn)量為沼肥組中最高（39.7t/hm2），而在茄子種植中沼肥組的產(chǎn)量均高于化肥組,，其中BF-H組的平均產(chǎn)量最高,，達(dá)到58.3t/hm2，相較化肥組增產(chǎn)27%,。沼肥連續(xù)施用2年后,，土壤的總氮、總磷含量出現(xiàn)了明顯的升高,，且升高幅度遠(yuǎn)高于化肥組,，其中BF-M和BF-H組土壤總氮含量較原土壤升高84%和85%，土壤總磷含量升高3.4倍和3.2倍,。但是沼肥施用對(duì)土壤總鉀含量的提升效果并不明顯,，較原土壤只升高17%左右。另外,，連續(xù)施用沼肥的土壤pH值更為穩(wěn)定,，能夠有效緩解氮肥施用造成的土壤酸化問(wèn)題，但沼肥施用組與化肥組均會(huì)導(dǎo)致設(shè)施栽培土壤EC較原土壤的升高,，升高幅度均在70%以上,，且隨沼肥施用量的增加EC上升幅度增大，說(shuō)明設(shè)施栽培中沼肥高負(fù)荷施用應(yīng)關(guān)注土壤EC變化,。此外,，收獲的3季蔬菜都不存在重金屬超標(biāo)和重金屬攝入風(fēng)險(xiǎn)，也未出現(xiàn)蔬菜重金屬含量逐年升高的現(xiàn)象,。沼肥連續(xù)施用僅造成土壤中Cu、Zn含量的累積,，但也仍在標(biāo)準(zhǔn)限定范圍內(nèi),，而對(duì)土壤中Pb、Cr,、Cd,、As和Hg的含量變化沒(méi)有顯著影響，沒(méi)有出現(xiàn)因沼肥施用造成的重金屬污染現(xiàn)象,。研究結(jié)果可為設(shè)施蔬菜栽培中連續(xù)多輪高負(fù)荷沼肥施用的肥效和安全性評(píng)估提供一定參考,。

摘要:為了探究在氣送過(guò)程中碰撞對(duì)膨化顆粒飼料的影響,，以鱸魚(yú)膨化顆粒飼料為研究對(duì)象，通過(guò)試驗(yàn)和仿真共同模擬膨化顆粒飼料的碰撞破碎狀況，探究其破碎機(jī)理與破碎規(guī)律,。采用水平碰撞試驗(yàn)平臺(tái),，探究不同碰撞速度對(duì)膨化顆粒飼料的破碎影響，并采用破碎函數(shù)建立破碎尺寸與碰撞速度的擬合關(guān)系,，參數(shù)擬合的決定系數(shù)大于0.99,。將膨化顆粒飼料破碎狀態(tài)劃分為：未破碎、局部破碎,、破碎和崩解4種狀態(tài),，測(cè)得試驗(yàn)中臨界碰撞速度為25.60m/s，相對(duì)應(yīng)的氣流速度為56.29m/s,。采用離散元法（DEM）建立膨化顆粒飼料的離散元模型并進(jìn)行參數(shù)標(biāo)定,。基于EDEM軟件,，模擬碰撞破碎過(guò)程得到仿真中臨界碰撞速度25.20m/s,，試驗(yàn)與仿真得到的臨界破碎速度相差1.6%。在EDEM后處理中獲得碰撞速度與破碎率和最大尺寸率的關(guān)系以及破碎率與損失能量的關(guān)系,，隨著速度的增加,，破碎率增加，而最大尺寸率減小,。破碎率先呈線性變化而后呈指數(shù)變化,，但最大尺寸率一直呈指數(shù)變化，且在兩線的交點(diǎn)25.20m/s左右出現(xiàn)斷崖式下降,。當(dāng)碰撞速度小于25.20m/s時(shí),，破碎率與損失能量呈線性關(guān)系，到達(dá)臨界破碎速度后,，損失能量呈指數(shù)變化,。研究結(jié)果可為解釋膨化顆粒飼料的破碎機(jī)理提供數(shù)據(jù)支撐和理論參考。

摘要:圍繞拖拉機(jī)動(dòng)力換向離合器充油流量易受溫度、回位彈簧剛度和預(yù)緊力等因素影響,，液壓油在加注及工作過(guò)程中易受空氣污染,，導(dǎo)致液壓油空氣含量增加的工程應(yīng)用問(wèn)題，探究了不同充油流量及曝氣程度對(duì)動(dòng)力換向性能的影響,。以換向時(shí)間,、沖擊度,、滑摩功和磨損量為評(píng)價(jià)指標(biāo)對(duì)換向性能進(jìn)行了評(píng)估，以期提高拖拉機(jī)動(dòng)力換向品質(zhì),、工作效率和傳動(dòng)系使用壽命,。以東方紅LF2204型拖拉機(jī)TX4A傳動(dòng)系為研究對(duì)象，建立了考慮充油流量和曝氣程度的動(dòng)力換向過(guò)程數(shù)學(xué)模型,，基于ADAMS,、Matlab/Simulink和AMESim平臺(tái)分別建立了換向離合器機(jī)械模型、控制模型和液壓模型,，對(duì)拖拉機(jī)Ⅰ擋作業(yè)時(shí)前進(jìn)擋切換為倒退擋的工況進(jìn)行了仿真分析與臺(tái)架試驗(yàn)驗(yàn)證,。仿真結(jié)果表明：當(dāng)液壓油曝氣程度為0.1%，充油流量分別為16,、14L/min時(shí),，與20L/min流量相比，換向時(shí)間分別增長(zhǎng)20%和43%,，變速器最小輸出轉(zhuǎn)矩分別下降26%和52%,，滑摩功分別上升33%和78%，最大沖擊度分別下降11%和18%,，最大磨損量分別上升24%和44%,。當(dāng)充油流量為20L/min，曝氣程度分別為1%和5%時(shí),，與0.1%曝氣程度相比,，換向時(shí)間分別增長(zhǎng)26%和85%，變速器最小輸出轉(zhuǎn)矩分別下降0.4%和0.8%,，滑摩功分別上升38%和163%,，最大沖擊度分別下降57%和50%，最大磨損量分別上升47%和163%,。臺(tái)架試驗(yàn)結(jié)果表明：試驗(yàn)數(shù)據(jù)與仿真試驗(yàn)數(shù)據(jù)變化趨勢(shì)基本保持一致,，誤差都在5%之內(nèi)，最大誤差出現(xiàn)在充油流量為20L/min,、曝氣程度為5%時(shí)，主要原因是油液自身脈動(dòng)對(duì)傳感器產(chǎn)生沖擊影響,，以及比例閥受油液氣泡影響,，輸出精度降低。

摘要:針對(duì)傳統(tǒng)農(nóng)業(yè)車輛牽引負(fù)荷車機(jī)械結(jié)構(gòu)復(fù)雜、存在加載死區(qū)導(dǎo)致無(wú)法實(shí)現(xiàn)全范圍加載,，采集系統(tǒng)功能單一無(wú)法實(shí)時(shí)評(píng)估被試車輛牽引性能的問(wèn)題,，設(shè)計(jì)了一種基于電驅(qū)動(dòng)系統(tǒng)的農(nóng)業(yè)車輛牽引負(fù)荷車。負(fù)荷車以最大加載牽引力150kN為設(shè)計(jì)目標(biāo),，結(jié)合對(duì)驅(qū)動(dòng)輪的受力分析,，完成了其整機(jī)關(guān)鍵部件的選型設(shè)計(jì)，采用集成發(fā)動(dòng)機(jī)-電動(dòng)橋的電驅(qū)動(dòng)系統(tǒng)為核心單元,，使用轉(zhuǎn)向牽引架實(shí)現(xiàn)前橋平臺(tái)的自動(dòng)跟隨轉(zhuǎn)向,。在LabVIEW RIO架構(gòu)基礎(chǔ)上，通過(guò)FPGA搭建高算力,、高性能的測(cè)控系統(tǒng),，實(shí)現(xiàn)對(duì)電驅(qū)動(dòng)系統(tǒng)電流、電壓,、被試車輛牽引力,、油耗等多種信息的采集、無(wú)線傳輸與存儲(chǔ),，并使用模糊自適應(yīng)PID控制算法對(duì)牽引力加載進(jìn)行閉環(huán)控制,。最后開(kāi)展整機(jī)性能驗(yàn)證試驗(yàn)，負(fù)荷車實(shí)現(xiàn)了0~150kN范圍內(nèi)的負(fù)荷加載,，加載系統(tǒng)最大響應(yīng)時(shí)間為3.6s,，最大超調(diào)量為1.61%，實(shí)際加載牽引力與目標(biāo)牽引力最大誤差為4.5%,。整機(jī)性能驗(yàn)證試驗(yàn)表明,，負(fù)荷車具備良好的牽引負(fù)荷加載性能，其測(cè)控系統(tǒng)可實(shí)現(xiàn)被試車輛牽引性能多參數(shù)的實(shí)時(shí)準(zhǔn)確監(jiān)測(cè),，能夠完成對(duì)農(nóng)業(yè)車輛牽引性能的全面評(píng)估,。

摘要:為獲得承載能力大且容易控制的三轉(zhuǎn)動(dòng)并聯(lián)機(jī)構(gòu)，本文以逆雅可比矩陣中奇異向量的含義為切入點(diǎn),，將機(jī)構(gòu)的運(yùn)動(dòng)耦合性與驅(qū)動(dòng)力螺旋之間的空間幾何關(guān)系建立聯(lián)系,，進(jìn)而提出一種三轉(zhuǎn)動(dòng)弱耦合并聯(lián)機(jī)構(gòu)構(gòu)型綜合方法。首先,，根據(jù)機(jī)構(gòu)不同方向運(yùn)動(dòng)耦合性需求,，構(gòu)造逆雅可比矩陣，并以此推導(dǎo)各支鏈中驅(qū)動(dòng)力螺旋需滿足的空間幾何條件,；其次,，根據(jù)驅(qū)動(dòng)力螺旋與被動(dòng)副運(yùn)動(dòng)螺旋之間的關(guān)系及約束螺旋與所有運(yùn)動(dòng)副運(yùn)動(dòng)螺旋之間的關(guān)系,，得到支鏈中運(yùn)動(dòng)副的類型和布置條件，并對(duì)驅(qū)動(dòng)副為機(jī)架副的支鏈進(jìn)行了綜合,；進(jìn)一步,，制定了支鏈的選取和組合原則，基于上述原則,，完成了三轉(zhuǎn)動(dòng)弱耦合并聯(lián)機(jī)構(gòu)構(gòu)型綜合,；最后，通過(guò)對(duì)3個(gè)實(shí)例進(jìn)行運(yùn)動(dòng)耦合性分析,，驗(yàn)證了所提方法的正確性,。

摘要:基于磁通疊加原理,，提出了一種機(jī)器人變剛度關(guān)節(jié),，在減少了關(guān)節(jié)質(zhì)量的同時(shí)增加了關(guān)節(jié)剛度的調(diào)整速度和運(yùn)動(dòng)范圍。闡述了通過(guò)電信號(hào)直接調(diào)整永磁-電磁混合式變剛度裝置中磁通量,，實(shí)現(xiàn)剛度改變的工作原理,，并以此原理設(shè)計(jì)關(guān)節(jié)整體機(jī)構(gòu)。根據(jù)磁通連續(xù)性原理和虛位移法建立了關(guān)節(jié)剛度模型,，并給出關(guān)節(jié)剛度隨電流和關(guān)節(jié)位置的變化關(guān)系,。以變剛度關(guān)節(jié)剛度模型為基礎(chǔ)，設(shè)計(jì)了變剛度關(guān)節(jié)位置與剛度協(xié)調(diào)控制器,，搭建了變剛度關(guān)節(jié)的原理樣機(jī),。實(shí)驗(yàn)結(jié)果表明，基于磁通疊加原理的變剛度機(jī)器人關(guān)節(jié)可以實(shí)現(xiàn)關(guān)節(jié)剛度的快速調(diào)節(jié),，關(guān)節(jié)的位置和軌跡跟蹤精度隨著剛度的增加而增加,，隨著頻率的增加而降低。

摘要:針對(duì)現(xiàn)有U形節(jié)流槽的比例閥在小開(kāi)口處，閥口過(guò)流面積變化梯度較為劇烈,、流量增益較大，導(dǎo)致比例閥在小開(kāi)口時(shí)會(huì)產(chǎn)生啟動(dòng)不平穩(wěn),、響應(yīng)速度較慢和流量控制精度較低的問(wèn)題,，提出一種節(jié)流槽形狀為斜坡漸擴(kuò)形的新閥芯,。通過(guò)理論計(jì)算和模擬仿真的方法，對(duì)比分析了U形節(jié)流槽和斜坡漸擴(kuò)形節(jié)流槽的過(guò)流面積變化梯度以及不同閥口開(kāi)度下的位移特性,、流量特性和閥口流動(dòng)特性,。由仿真結(jié)果可知，相較于U形節(jié)流槽,，斜坡漸擴(kuò)形節(jié)流槽在閥口開(kāi)度為1mm時(shí),，閥芯位移響應(yīng)時(shí)間縮短0.04s；在閥口開(kāi)度為2mm時(shí),，閥芯位移響應(yīng)時(shí)間縮短0.07s,。且斜坡漸擴(kuò)形節(jié)流槽在閥口開(kāi)度較小時(shí)，穩(wěn)態(tài)液動(dòng)力更小,，流動(dòng)狀態(tài)更穩(wěn)定,，造成的流動(dòng)損耗也更小。最后進(jìn)行了試驗(yàn)驗(yàn)證,，由試驗(yàn)結(jié)果可知,，斜坡漸擴(kuò)形節(jié)流槽閥芯位移響應(yīng)時(shí)間縮短0.08s，且閥芯流量響應(yīng)特性曲線的線性度更好,。通過(guò)對(duì)仿真和試驗(yàn)結(jié)果的對(duì)比分析可知,，當(dāng)節(jié)流槽形狀為斜坡漸擴(kuò)形時(shí)，閥芯在小開(kāi)口處過(guò)流面積變化梯度較小,，流量增益較為平穩(wěn),，從而提高了閥的啟動(dòng)平穩(wěn)性、響應(yīng)速度和流量控制精度,，改善了比例閥微動(dòng)特性,。