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:隨著電力電子和儲(chǔ)能技術(shù)的發(fā)展,，動(dòng)力裝備電動(dòng)化已成為全球車輛發(fā)展的重要方向，在新能源汽車領(lǐng)域已得到成功應(yīng)用,，我國率先形成了完整的產(chǎn)業(yè)基礎(chǔ),。目前，全球電動(dòng)農(nóng)業(yè)裝備處于起步階段,，多以理論研究為主,，尚無批量化生產(chǎn)的電動(dòng)農(nóng)業(yè)裝備產(chǎn)品，發(fā)展電動(dòng)農(nóng)業(yè)裝備具有產(chǎn)業(yè)優(yōu)勢(shì),。本文簡要分析了電動(dòng)農(nóng)業(yè)裝備關(guān)鍵部件及軟件平臺(tái),，重點(diǎn)綜述了國內(nèi)外電動(dòng)拖拉機(jī)、電動(dòng)微耕機(jī),、電動(dòng)移栽機(jī),、電動(dòng)果園作業(yè)機(jī)、電動(dòng)播種機(jī)研究現(xiàn)狀,，并對(duì)電動(dòng)農(nóng)業(yè)裝備與傳統(tǒng)農(nóng)業(yè)裝備進(jìn)行了性能對(duì)比,，得出了不同農(nóng)業(yè)裝備的優(yōu)缺點(diǎn)，為農(nóng)業(yè)裝備的應(yīng)用場(chǎng)景分析提供了支撐,。針對(duì)不同農(nóng)業(yè)裝備的農(nóng)藝特點(diǎn)和電動(dòng)化關(guān)鍵部件特點(diǎn)闡述了不同形式農(nóng)業(yè)裝備的應(yīng)用場(chǎng)景,。結(jié)合當(dāng)前電動(dòng)車輛發(fā)展?fàn)顩r及農(nóng)業(yè)裝備作業(yè)特點(diǎn)對(duì)不同電動(dòng)農(nóng)業(yè)裝備發(fā)展瓶頸進(jìn)行了分析，為電動(dòng)農(nóng)業(yè)裝備的發(fā)展指明了方向,，可為我國電動(dòng)農(nóng)業(yè)裝備的發(fā)展提供參考,。

摘要:農(nóng)業(yè)機(jī)器人對(duì)推動(dòng)農(nóng)業(yè)現(xiàn)代化加速變革和實(shí)現(xiàn)智慧農(nóng)業(yè)有重要作用,。高精度定位技術(shù)是保障機(jī)器人安全高效完成各類作業(yè)的基礎(chǔ),，而作業(yè)路徑準(zhǔn)確規(guī)劃是實(shí)現(xiàn)農(nóng)業(yè)場(chǎng)景下導(dǎo)航的核心,。針對(duì)田間作業(yè)機(jī)器人復(fù)雜環(huán)境下因測(cè)繪誤差與局部障礙進(jìn)而造成作物損傷率較大這一問題，本文提出一種基于宏微結(jié)合的路徑規(guī)劃算法,，該算法首先基于作業(yè)區(qū)域宏觀測(cè)繪信息生成全局靜態(tài)作業(yè)路徑,，同時(shí)利用雷達(dá)傳感器對(duì)機(jī)器人局部作業(yè)環(huán)境進(jìn)行實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)進(jìn)而生成局部動(dòng)態(tài)最優(yōu)路徑，將全局靜態(tài)路徑與局部動(dòng)態(tài)路徑進(jìn)行有機(jī)融合以實(shí)現(xiàn)作業(yè)路徑優(yōu)化修正,，保障田間作業(yè)的順利進(jìn)行,，最終應(yīng)用MPC算法控制機(jī)器人對(duì)規(guī)劃后的路徑進(jìn)行追蹤。經(jīng)試驗(yàn)驗(yàn)證,，當(dāng)機(jī)器人田間作業(yè)兩側(cè)安全距離分別為0.2,、0.1m時(shí)，本算法可將作業(yè)過程中平均作物損傷率由3.4058%,、1.2763%降低到0.6772%,、0.1889%，保證了機(jī)器人作業(yè)的安全可靠,，為大田穩(wěn)產(chǎn)條件下的高效作業(yè)奠定基礎(chǔ),。同時(shí)，本算法提升了精準(zhǔn)農(nóng)業(yè)要求下田間作業(yè)精度,，對(duì)實(shí)現(xiàn)農(nóng)業(yè)高產(chǎn)高效高質(zhì)目標(biāo)有重要意義,。

摘要:識(shí)別小麥?zhǔn)斋@機(jī)運(yùn)行軌跡是分析農(nóng)業(yè)機(jī)械活動(dòng),、提高作業(yè)效率的重要手段。本文針對(duì)小麥?zhǔn)斋@機(jī)田內(nèi)作業(yè)場(chǎng)景,，提出一種基于機(jī)器學(xué)習(xí)的收獲機(jī)掉頭軌跡識(shí)別算法。首先通過兩步Kmeans聚類與三步修正識(shí)別出X形掉頭軌跡點(diǎn),、作業(yè)異常軌跡點(diǎn)與作業(yè)軌跡點(diǎn),；為進(jìn)一步從作業(yè)軌跡中分類出U形掉頭軌跡點(diǎn)，構(gòu)建了基于支持向量機(jī)模型（Support vector machine,，SVM）的U形掉頭軌跡識(shí)別算法,，并對(duì)初步識(shí)別結(jié)果進(jìn)行三步修正；最終識(shí)別出小麥?zhǔn)斋@機(jī)的田內(nèi)X形掉頭,、作業(yè)異常,、U形掉頭與作業(yè)軌跡點(diǎn)，識(shí)別結(jié)果的F1值為94%,，時(shí)間間隔為1～5s的數(shù)據(jù)的F1值在90%以上,，實(shí)現(xiàn)田內(nèi)軌跡的細(xì)致劃分,。基于去除掉頭軌跡與異常軌跡后獲得的有效作業(yè)軌跡,，可通過距離算法計(jì)算獲得農(nóng)田面積,，結(jié)果相比使用原始軌跡的計(jì)算誤差可降低12.76%。該研究可為基于海量農(nóng)機(jī)軌跡的作業(yè)精細(xì)化管理提供參考,。

摘要:針對(duì)視覺導(dǎo)航系統(tǒng)應(yīng)用在火龍果園環(huán)境中面臨干擾因素多,、圖像背景復(fù)雜,、復(fù)雜模型難以部署等問題,本文提出了一種基于改進(jìn)DeepLabv3+網(wǎng)絡(luò)的火龍果園視覺導(dǎo)航路徑識(shí)別方法。首先,，采用MobileNetV2取代傳統(tǒng)DeepLabv3+的主干特征提取網(wǎng)絡(luò)Xception,并將空間金字塔池化模塊(Atrous spatial pyramid pooling, ASPP)中的空洞卷積替換成深度可分離卷積(Depthwise separable convolution,DSC),在提升模型檢測(cè)速率的同時(shí)大幅減少了模型的參數(shù)量和內(nèi)存占用量,；其次，在特征提取模塊處引入坐標(biāo)注意力機(jī)制(Coordinate attention,CA),，增強(qiáng)了模型的特征提取能力,；最后，通過設(shè)計(jì)的導(dǎo)航路徑提取算法對(duì)網(wǎng)絡(luò)模型分割出的道路掩碼區(qū)域擬合出導(dǎo)航路徑,。實(shí)驗(yàn)結(jié)果表明：改進(jìn)后的DeepLabv3+的平均交并比和平均像素準(zhǔn)確率分別達(dá)到95.80%和97.86%,，相較原模型分別提升0.79、0.41個(gè)百分點(diǎn),。同時(shí),，模型內(nèi)存占用量只有15.0MB，和原模型相比降低97.00%,，與Pspnet和U-net模型相比則分別降低91.57%,、 91.02%。另外,，導(dǎo)航路徑識(shí)別精度測(cè)試結(jié)果表明平均像素誤差為22像素,、平均距離誤差7.58cm。已知所在果園道路寬度為3m,平均距離誤差占比為2.53%,。因此,本文研究方法可為解決火龍果園視覺導(dǎo)航任務(wù)提供有效參考,。

摘要:為了提高對(duì)大田種植玉米生長動(dòng)態(tài),、干旱脅迫和病蟲害等方面的智能巡檢監(jiān)測(cè)能力，設(shè)計(jì)了一種基于多維感知的移動(dòng)巡檢平臺(tái),。首先,，對(duì)底盤總成的轉(zhuǎn)向系統(tǒng)、驅(qū)動(dòng)系統(tǒng)和控制系統(tǒng)進(jìn)行設(shè)計(jì),，并基于Arduino UNO控制器實(shí)現(xiàn)了巡檢平臺(tái)的轉(zhuǎn)向及行駛功能,。其次，搭建了包括GNSS/INS（Global navigation satellite system/inertial navigation system）組合導(dǎo)航系統(tǒng),、激光雷達(dá)（Light detection and ranging,，LiDAR）和工業(yè)相機(jī)的多維感知系統(tǒng)，對(duì)感知系統(tǒng)時(shí)間同步方案,、數(shù)據(jù)通信結(jié)構(gòu)和信息采集軟件進(jìn)行設(shè)計(jì),，實(shí)現(xiàn)了巡檢平臺(tái)對(duì)環(huán)境的感知和數(shù)據(jù)可視化。最后,，在玉米大田對(duì)巡檢平臺(tái)進(jìn)行了底盤行駛性能試驗(yàn)和感知系統(tǒng)環(huán)境感知試驗(yàn),。試驗(yàn)結(jié)果表明：巡檢平臺(tái)左轉(zhuǎn)平均最小轉(zhuǎn)彎半徑為2922mm，右轉(zhuǎn)平均最小轉(zhuǎn)彎半徑為2736mm,，最大爬坡度大于26.7%,，位置PID控制下直線行駛平均速度為0.523m/s，與期望速度0.5m/s的誤差為4.6%,，行駛15m平均偏移量為0.636m,，平均偏移率為4.24cm/m，滿足田間行駛性能要求,；感知系統(tǒng)能夠在ROS系統(tǒng)下穩(wěn)定采集平臺(tái)位姿信息,、高精度三維點(diǎn)云信息和彩色二維圖像信息，實(shí)現(xiàn)了巡檢平臺(tái)對(duì)玉米大田環(huán)境的多維感知,。

摘要:采摘目標(biāo)空間位姿信息缺失和目標(biāo)定位精度低是影響草莓采摘機(jī)器人采摘效果的關(guān)鍵因素之一,。為此，本文首先設(shè)計(jì)了基于顏色信息和卷積神經(jīng)網(wǎng)絡(luò)的草莓圖像目標(biāo)定位與分割以及目標(biāo)點(diǎn)云分割模型,；其次，實(shí)現(xiàn)了基于圖像的草莓可采摘性和遮擋程度識(shí)別模型,；最后,，設(shè)計(jì)了草莓空間定位和姿態(tài)估計(jì)模型并實(shí)現(xiàn)草莓采摘點(diǎn)定位方法?；诒疚姆椒▽?duì)完整草莓位姿估計(jì)平均誤差為4.03%,，對(duì)遮擋草莓位姿估計(jì)平均誤差為9.06%,，采摘定位綜合誤差為2.3mm。在實(shí)際采摘實(shí)驗(yàn)中,，采摘成功率為92.6%,，平均每個(gè)草莓的計(jì)算耗時(shí)約為92ms，單個(gè)草莓采摘?jiǎng)幼鞯膱?zhí)行平均耗時(shí)約為5.7s,。實(shí)驗(yàn)結(jié)果表明：本文提出的方法可在溫室條件下較準(zhǔn)確地估計(jì)草莓空間位姿和采摘點(diǎn),，為草莓采摘機(jī)器人提供有效的目標(biāo)定位信息，有效滿足實(shí)際采摘場(chǎng)景下的需求,。

摘要:針對(duì)目前軟體抓手的制造方式（如軟體平板印刷、失蠟鑄造等）存在成型工藝復(fù)雜,、粘結(jié)不牢靠,、接縫處易撕裂等問題，設(shè)計(jì)了一種光固化成型軟體采摘抓手一體式結(jié)構(gòu),，通過正,、負(fù)壓驅(qū)動(dòng)，可實(shí)現(xiàn)果蔬的自適應(yīng)抓取,。首先,，基于Yeoh模型，研究了軟體驅(qū)動(dòng)器彎曲變形運(yùn)動(dòng)中的非線性力學(xué)特性,，得出腔體內(nèi)部壓強(qiáng)與驅(qū)動(dòng)器彎曲角度之間的非線性關(guān)系模型,。然后，通過Abaqus有限元軟件分析軟體驅(qū)動(dòng)器的彎曲特性,，得到各主要結(jié)構(gòu)參數(shù)對(duì)彎曲角度的影響規(guī)律,，并結(jié)合正交試驗(yàn)法得到最佳的結(jié)構(gòu)參數(shù)組合：軟體驅(qū)動(dòng)器的腔體壁厚為1.6mm、腔體個(gè)數(shù)7,、腔體間隙3mm,、底層厚度3mm。最后,，根據(jù)最佳的結(jié)構(gòu)參數(shù)組合制造軟體采摘抓手樣機(jī),，并將其安裝在試驗(yàn)平臺(tái)上進(jìn)行果蔬抓取試驗(yàn)，驗(yàn)證了光固化一體成型軟體采摘抓手的實(shí)用性,。

摘要:為實(shí)現(xiàn)球形果實(shí)自適應(yīng)采摘,，仿人手觸覺傳感設(shè)計(jì)并制作了一種用于球果采摘的無系留智能軟體手爪，該手爪采用自循環(huán)供氣與傳感集成,，將柔性薄膜觸力傳感器內(nèi)嵌于軟體手爪內(nèi)并復(fù)合自循環(huán)氣泵,，可實(shí)現(xiàn)多尺寸、多類型球果自適應(yīng)抓取,。研究了自循環(huán)氣泵工作原理,，進(jìn)行了結(jié)構(gòu)優(yōu)化、壓力建模與性能測(cè)試,。試制了自適應(yīng)軟體手爪原理樣機(jī),，建立了手爪抓持力模型，并進(jìn)行了靜力學(xué)實(shí)驗(yàn),，獲得了其氣壓下的彎曲變形和力學(xué)特性,。建立了球果采摘手爪控制系統(tǒng)與自適應(yīng)抓取機(jī)制，搭建模擬采摘實(shí)驗(yàn)平臺(tái),，進(jìn)行了自適應(yīng)抓取實(shí)驗(yàn)驗(yàn)證及實(shí)驗(yàn)環(huán)境下的球果采摘與分揀,。結(jié)果表明，通過接觸力反饋與控制系統(tǒng),，該采摘手爪可安全有效地抓取球果,，抓取尺寸范圍為48.5~97mm，最大抓取球果質(zhì)量為350g,，平均采摘用時(shí)15s,，成功率為97.46%。

摘要:針對(duì)現(xiàn)有油菜播種膜上成穴打孔裝置實(shí)際作業(yè)過程中存在膜孔尺寸偏大、形狀不規(guī)則及膜孔粘連等問題,，基于滑切原理設(shè)計(jì)了一種滾動(dòng)式割膜打孔裝置,，確定了打孔裝置和仿形機(jī)構(gòu)結(jié)構(gòu)參數(shù)，建立了打孔裝置運(yùn)動(dòng)學(xué)模型,，分析確定了影響膜孔長度的主要因素及其取值范圍,。運(yùn)用DEM-MFBD耦合仿真，采用三因素三水平回歸正交試驗(yàn),，以整機(jī)前進(jìn)速度,、縱向刀片長度,、縱向刀片高度為試驗(yàn)因素,，膜孔長度和孔距差值為評(píng)價(jià)指標(biāo)進(jìn)行仿真試驗(yàn),，結(jié)果表明：各因素對(duì)膜孔長度的影響由大到小依次為縱向刀片長度、整機(jī)前進(jìn)速度,、縱向刀片高度,，各因素對(duì)孔距差值的影響由大到小依次為縱向刀片高度、整機(jī)前進(jìn)速度,、縱向刀片長度,。整機(jī)前進(jìn)速度為3.3km/h、縱向刀片長度為34mm,、縱向刀片高度為31mm時(shí),，膜孔長度為44.78mm、孔距差值為0.64mm,，打孔性能較優(yōu),。以較優(yōu)參數(shù)組合開展了滾動(dòng)式割膜打孔裝置田間試驗(yàn)，結(jié)果表明膜孔平均長度為43.15mm,，膜孔長度穩(wěn)定性變異系數(shù)為3.86%,，平均孔距差值為-1.32mm，膜孔孔距誤差為4.22%,，滿足油菜播種割膜打孔要求,，該研究可為油菜鋪膜播種機(jī)割膜打孔裝置提供參考。

摘要:變量施肥技術(shù)是實(shí)施科學(xué)施肥的重要手段，可使施肥更精準(zhǔn),、更有針對(duì)性,，有效減少農(nóng)田污染。在水稻高速插秧與同步施肥作業(yè)時(shí),，施肥量的調(diào)節(jié)主要采用提前標(biāo)定方式調(diào)控,，其調(diào)控費(fèi)時(shí)、精度不穩(wěn)定,。為快速準(zhǔn)確地調(diào)節(jié)施肥量,，實(shí)現(xiàn)變量施肥作業(yè)，本文設(shè)計(jì)了一種自動(dòng)控制的固體顆粒肥料變量施肥裝置,，闡述了變量施肥裝置總體結(jié)構(gòu)和工作原理,，進(jìn)行了關(guān)鍵部件設(shè)計(jì)與試驗(yàn),；以單片機(jī)STM32為控制核心，構(gòu)建了施肥量在線檢測(cè)及智能調(diào)控系統(tǒng),。采用試驗(yàn)設(shè)計(jì)優(yōu)化方法,，對(duì)肥料流量在線檢測(cè)系統(tǒng)性能與主要影響因素進(jìn)行試驗(yàn)，確定了最佳因素組合,；通過試驗(yàn)分別構(gòu)建了3種主要固體顆粒肥料檢測(cè)流量與壓電片電壓之間的關(guān)系模型,、3種主要固體顆粒肥料實(shí)際流量與排肥軸轉(zhuǎn)速之間的關(guān)系模型、排肥軸轉(zhuǎn)速與電動(dòng)推桿工作長度和插秧機(jī)前進(jìn)速度之間的關(guān)系模型,，并對(duì)模型進(jìn)行試驗(yàn)驗(yàn)證與分析,。開展了排肥軸轉(zhuǎn)速分別為20、25,、30r/min肥料質(zhì)量檢測(cè)精度試驗(yàn),，當(dāng)插秧機(jī)前進(jìn)速度為1m/s勻速條件下，3種肥料總體質(zhì)量檢測(cè)精度平均值分別為94.45%,、93.85%和93.15%,；進(jìn)行了復(fù)合肥施肥量為200、250,、300kg/hm2和尿素施肥量為165,、195、225kg/hm2調(diào)控性能試驗(yàn),，當(dāng)插秧機(jī)前進(jìn)速度為06~1.4m/s條件下,，3種肥料總體施肥量變異系數(shù)平均值分別為3.02%、3.15%和2.82%,；進(jìn)行了施肥量分別為180,、225kg/hm2的田間試驗(yàn)，當(dāng)插秧機(jī)前進(jìn)速度為1~1.4m/s條件下,，挪威復(fù)合肥施肥量準(zhǔn)確率平均值分別為94.89%和97.82%,。理論與試驗(yàn)分析表明，該變量施肥裝置調(diào)控性能穩(wěn)定,，能夠滿足水稻側(cè)深變量施肥的作業(yè)要求,。

摘要:針對(duì)水稻和油菜飛播普遍采用漫撒播方式而造成的落種散亂無序等問題,，設(shè)計(jì)了一種可同時(shí)適應(yīng)水稻和油菜條播農(nóng)藝要求的無人機(jī)播種裝置,。以成條飛播排種系統(tǒng)的兼用化、輕量化,、電驅(qū)化和模塊化為設(shè)計(jì)目標(biāo),，采用電驅(qū),、工作長度可調(diào)的外槽輪組件作為排種器，以舵機(jī)帶動(dòng)連桿驅(qū)動(dòng)的自動(dòng)折疊導(dǎo)種管為投種部件,，通過臺(tái)架試驗(yàn),、場(chǎng)地泥盒飛播試驗(yàn)和田間試驗(yàn)3種方式，確定結(jié)構(gòu)參數(shù)和工作參數(shù)并驗(yàn)證作業(yè)效果,。試驗(yàn)結(jié)果表明,，排種系統(tǒng)在排種電機(jī)額定轉(zhuǎn)速及扭矩范圍內(nèi)，能夠滿足5m/s以內(nèi)飛行速度下,，油菜播量6~7.5kg/hm2、雜交稻播量15~45kg/hm2及常規(guī)稻播量60~105kg/hm2的農(nóng)藝要求,，且各行一致性變異系數(shù),、總排量一致性變異系數(shù)等性能參數(shù)優(yōu)于行業(yè)標(biāo)準(zhǔn)要求，在作業(yè)高度1m,、作業(yè)速度4m/s時(shí),，泥盒中油菜和水稻種子平均條帶寬度分別為6.7、3.8cm,，播后30d田間幼苗成條效果明顯,。

摘要:針對(duì)半自動(dòng)移栽機(jī)作業(yè)效率低,、作業(yè)質(zhì)量差的問題，設(shè)計(jì)了一種面向蔬菜移栽機(jī)器人的夾莖式自動(dòng)取苗裝置,。取苗裝置經(jīng)過整排取苗,、等距分苗、精準(zhǔn)投苗,，可實(shí)現(xiàn)高效,、高質(zhì)自動(dòng)化取投苗作業(yè)。建立多級(jí)剪叉分苗機(jī)構(gòu)與夾苗裝置的運(yùn)動(dòng)力學(xué)模型,，對(duì)缽苗下落運(yùn)動(dòng),、氣動(dòng)系統(tǒng)進(jìn)行模型設(shè)計(jì)及分析計(jì)算，搭建取苗試驗(yàn)裝置,。試驗(yàn)選取穴盤辣椒苗作為研究對(duì)象,，以缽苗苗齡、基質(zhì)含水率,、取苗頻率為試驗(yàn)因素,，設(shè)計(jì)以取苗成功率,、基質(zhì)破碎率為評(píng)價(jià)指標(biāo)的單因素試驗(yàn)。根據(jù)試驗(yàn)結(jié)果,，采用Box-Behnken響應(yīng)曲面分析法設(shè)計(jì)正交試驗(yàn),，探究了苗齡與基質(zhì)含水率、苗齡與取苗頻率及基質(zhì)含水率與取苗頻率之間的交互作用對(duì)取苗效果的影響,，優(yōu)化取苗參數(shù),。試驗(yàn)結(jié)果表明，當(dāng)苗齡33d,、缽苗基質(zhì)含水率46%,、取苗頻率75株/min時(shí)，取苗成功率為97.36%,，基質(zhì)破碎5.07%,，可滿足大田自動(dòng)化移栽的取苗及投苗要求。

摘要:針對(duì)獼猴桃等藤架式果園狹小空間對(duì)有機(jī)肥施肥機(jī)的限制及現(xiàn)有施肥方式費(fèi)工費(fèi)時(shí)、肥效低的問題,，結(jié)合獼猴桃根系淺層分布的生長特點(diǎn),，提出了一種機(jī)械化有機(jī)肥免開溝施肥方法。該方法包括撒肥,、肥-土混合和覆土3個(gè)一體化連續(xù)步驟,，施肥過程不開溝，地表不露肥,?；诖耍O(shè)計(jì)了有機(jī)肥免開溝施肥機(jī),，整機(jī)高度1.5m,，配套動(dòng)力37.5kW，肥箱容積1.2m3,，主要包括低矮側(cè)座拖拉機(jī),、施肥拖車、拋肥裝置,、混肥裝置,、抗扭裝置、卷軸裝置,?；旆恃b置旋轉(zhuǎn)切土,，實(shí)現(xiàn)肥-土混合以及混合層的土壤覆蓋。確定了抗扭輪半徑以平衡混肥裝置單側(cè)布置產(chǎn)生的扭矩,，設(shè)計(jì)的卷軸裝置可同步收放混肥與抗扭裝置,，并根據(jù)地形調(diào)整混肥裝置傾角。通過混肥裝置離散元仿真確定最優(yōu)的刀機(jī)速比為32,。試驗(yàn)結(jié)果表明,，在最大設(shè)計(jì)施肥深度150mm、施肥量5kg/m工況下,，肥-土全層混合,，施肥深度的相對(duì)誤差小于等于7.73%，露肥率小于等于5.56%,，混肥裝置平均功耗為4.7kW,，滿足獼猴桃果園有機(jī)肥施肥要求。

摘要:抖篩是茶葉精制的重要環(huán)節(jié),，直接影響茶坯的凈度,，針對(duì)茶葉抖篩過程中抖篩機(jī)理（清篩）不清晰而導(dǎo)致抖篩過程中存在茶葉斷碎以及掛網(wǎng)等問題，本文研究茶葉在篩床上的抖篩規(guī)律,，建立茶葉顆粒沿篩床上下運(yùn)動(dòng),、離開篩面被拋起運(yùn)動(dòng)和落到篩孔后碰撞運(yùn)動(dòng)三段篩分過程的動(dòng)力學(xué)模型。結(jié)合茶葉在篩床上的抖篩規(guī)律,，通過EDEM建立茶葉篩床的仿真模型,，對(duì)茶葉在篩床上的速度與受力進(jìn)行分析，確定篩床曲柄轉(zhuǎn)速,、篩面傾斜角和曲柄半徑的最佳參數(shù),。最后通過三因素三水平的正交試驗(yàn)，確定實(shí)際篩分情況下的最優(yōu)參數(shù)與得出各個(gè)因素對(duì)誤篩率和生產(chǎn)率的影響由大到小為篩面傾斜角,、曲柄轉(zhuǎn)速,、曲柄半徑。試驗(yàn)結(jié)果表明,，當(dāng)曲柄轉(zhuǎn)速為247.99r/min,、篩面傾斜角為2.60°、曲柄半徑為23.11mm時(shí),，誤篩率和生產(chǎn)率分別為5.3%和440kg/(m2·h),，與優(yōu)化結(jié)果誤差在允許范圍內(nèi)。

摘要:隨著棉花種植和收獲的機(jī)械化程度提高,，獲取準(zhǔn)確的產(chǎn)量圖，分析田間產(chǎn)量數(shù)據(jù),，變得尤為重要,，而采棉機(jī)作業(yè)時(shí)在輸棉管道處監(jiān)測(cè)產(chǎn)量是一種有效、可行的方法?，F(xiàn)有光電對(duì)射式棉花測(cè)產(chǎn)傳感器在作業(yè)中會(huì)有粘液遮擋檢測(cè)通道,、環(huán)境光影響等問題，面對(duì)復(fù)雜的田間作業(yè)環(huán)境,，傳感器標(biāo)定普遍采用線性或多項(xiàng)式模型,，精度和抗干擾性表現(xiàn)不夠理想。針對(duì)上述現(xiàn)狀,，本文首先在傳感器的結(jié)構(gòu)和電路設(shè)計(jì)上做了抗干擾改進(jìn),。然后在傳感器標(biāo)定過程中，嘗試使用隨機(jī)森林回歸模型（Random forest regression,，RFR）,，對(duì)實(shí)驗(yàn)樣本進(jìn)行訓(xùn)練、測(cè)試,。在分析模型的表現(xiàn)后,，提出了麻雀算法(Sparrow search algorithm, SSA)改進(jìn)的隨機(jī)森林回歸模型，以均方誤差作為適應(yīng)度,，對(duì)模型進(jìn)行優(yōu)化,。經(jīng)過驗(yàn)證，在相同驗(yàn)證集下,，優(yōu)化后的模型有更好的檢測(cè)精確度,。通過研究尋優(yōu)上下界范圍，平衡運(yùn)行時(shí)間和檢測(cè)精度,，得到最優(yōu)檢測(cè)模型,。該模型在驗(yàn)證集上表現(xiàn)良好，決定系數(shù)R2為0.99,，平均絕對(duì)百分比誤差（MAPE）為6.34%,。臺(tái)架實(shí)驗(yàn)結(jié)果表明，不同風(fēng)速下最大誤差為9.21%,，平均誤差為8.33%,，改進(jìn)后的傳感器及檢測(cè)模型性能良好，能夠較準(zhǔn)確檢測(cè)采棉機(jī)作業(yè)時(shí)棉花產(chǎn)量。

摘要:針對(duì)自走式三七聯(lián)合收獲機(jī)在田間作業(yè)安全性不足與行駛穩(wěn)定性較弱等問題,，開展了黏重土壤條件下底盤的行駛通過性能研究。首先,，對(duì)聯(lián)合收獲機(jī)的直行轉(zhuǎn)向,、縱橫向爬坡和越障等行駛工況進(jìn)行理論分析，獲得了影響行駛通過性能的各因素參數(shù),，其次,，通過ADAMS ATV開展多體動(dòng)力學(xué)仿真分析，繪制了行駛工況下歐拉角與對(duì)應(yīng)的角速度曲線,，最后,，運(yùn)用相似理論的量綱分析法設(shè)計(jì)了1∶4的聯(lián)合收獲機(jī)底盤微縮平臺(tái)模型，對(duì)縱向爬坡,、跨越壕溝和翻越田埂3種典型行駛工況開展行駛通過性能模型試驗(yàn),。仿真結(jié)果表明，聯(lián)合收獲機(jī)底盤具有平穩(wěn)的直行與轉(zhuǎn)向性能,，能夠順利通過30°縱坡,、20°橫坡、600mm壕溝及300mm田?。荒Ｐ驮囼?yàn)結(jié)果表明,，模型能夠順利通過30°縱坡,、150mm壕溝和75mm田埂，以上3種工況下的俯仰角與對(duì)應(yīng)的角速度曲線趨勢(shì)與仿真一致,，且二者所得俯仰角曲線的幅值變化相同,，試驗(yàn)誤差主要受實(shí)際地形平整度與土壤均勻度的影響，因此表明模型試驗(yàn)?zāi)軌蝌?yàn)證仿真分析結(jié)果的正確性,，通過模型對(duì)原型的預(yù)測(cè)及仿真結(jié)果,，滿足了聯(lián)合收獲機(jī)行駛通過性能的設(shè)計(jì)要求，該研究可為丘陵山區(qū)根莖類聯(lián)合收獲機(jī)底盤的設(shè)計(jì)提供理論基礎(chǔ)與參考,。

摘要:針對(duì)現(xiàn)有王草收獲機(jī)作業(yè)時(shí)農(nóng)藝匹配性差,、配套動(dòng)力不足等問題,，優(yōu)化設(shè)計(jì)了一款履帶自走式王草收獲機(jī)專用底盤,；基于減少割茬碾壓、低速平穩(wěn)收割的作業(yè)要求,，設(shè)計(jì)了行走裝置與無級(jí)變速驅(qū)動(dòng)裝置,；根據(jù)小地塊、緩坡地的地形特征,，設(shè)計(jì)和選型了液壓助力轉(zhuǎn)向系統(tǒng)與車架,。開展了整機(jī)的穩(wěn)定性分析及性能試驗(yàn)，結(jié)果顯示：王草收獲機(jī)底盤的最高行駛速度為9.02km/h,，最小轉(zhuǎn)彎半徑為1349mm,，最大爬坡度為26°；在橫向傾角為15°~16°的坡地等高線行駛時(shí)無側(cè)滑,、傾翻現(xiàn)象,；在坡度為10°~12°的縱向坡道，沿上,、下坡方向可靠停駐時(shí)間均大5min,；在坡度為8°~9°的緩坡地作業(yè)時(shí)可實(shí)現(xiàn)速度0~4.19km/h無級(jí)變速，動(dòng)力充足且運(yùn)行平穩(wěn),，王草的平均割茬碾壓率為7.43%,。研究表明，設(shè)計(jì)的履帶自走式王草收獲機(jī)底盤能夠滿足小地塊,、緩坡地王草機(jī)械化收獲作業(yè)要求,。

摘要:針對(duì)丘陵果園傳統(tǒng)大型施藥裝備入園難,、施藥勞動(dòng)強(qiáng)度大、作業(yè)效率低及藥液浪費(fèi)嚴(yán)重等問題,，根據(jù)丘陵果園農(nóng)藝特點(diǎn)和病蟲害防治需求,，設(shè)計(jì)一種丘陵果園自走式小型靶標(biāo)跟隨噴霧機(jī)，可配合植保無人機(jī)作業(yè),，提升果樹冠層藥液覆蓋效果,。噴霧機(jī)上集成靶標(biāo)探測(cè)追蹤系統(tǒng)與自主導(dǎo)航系統(tǒng)，靶標(biāo)跟隨噴霧機(jī)構(gòu)采用雙噴頭聯(lián)動(dòng)式設(shè)計(jì),，噴霧角度與高度的調(diào)節(jié)范圍根據(jù)霧滴運(yùn)動(dòng)規(guī)律進(jìn)行確定,，實(shí)現(xiàn)了果園植保自主作業(yè)。果園試驗(yàn)結(jié)果表明，對(duì)靶噴霧時(shí)果樹冠層不同高度葉片正面的平均霧滴沉積個(gè)數(shù)變異系數(shù)為34.22%,，同一高度不同采樣點(diǎn)葉片正面的平均霧滴沉積個(gè)數(shù)變異系數(shù)為34.56%,，相比于非對(duì)靶噴霧，噴施用水量,、地面流失量與冠后飄移流失量分別降低26.70%,、84.93%和53.50%，在減少藥液浪費(fèi)的同時(shí),，有效提高了果樹冠層中下部葉片正面的霧滴分布均勻性,。

摘要:為解決噴桿式噴霧機(jī)在對(duì)馬鈴薯等茄科茄屬作物進(jìn)行噴施作業(yè)時(shí)噴桿相對(duì)作物冠層距離精確測(cè)量與控制問題,，設(shè)計(jì)了一套馬鈴薯噴霧機(jī)噴桿高度控制系統(tǒng)。該系統(tǒng)采用二維激光雷達(dá)掃描田間馬鈴薯的植株冠層,，根據(jù)種植模式對(duì)田間馬鈴薯植株進(jìn)行冠層單元分割,，通過融合姿態(tài)傳感器的數(shù)據(jù)對(duì)雷達(dá)輸出數(shù)據(jù)矯正，并基于中值濾波算法,、移動(dòng)最小二乘曲線擬合方法處理冠層點(diǎn)云數(shù)據(jù),，實(shí)時(shí)解算出噴桿相對(duì)冠層頂部的垂直距離信息，同時(shí)融合油缸位移傳感器數(shù)據(jù)設(shè)計(jì)了雙閾值噴桿高度調(diào)控策略,，實(shí)現(xiàn)噴桿相對(duì)馬鈴薯冠層距離的精準(zhǔn)調(diào)控,。系統(tǒng)應(yīng)用于3WP-1500型噴霧機(jī)，通過高度檢測(cè)精度試驗(yàn)和高度調(diào)節(jié)試驗(yàn)測(cè)試了系統(tǒng)性能,。試驗(yàn)結(jié)果表明,，通過激光雷達(dá)檢測(cè)作物冠層高度的最大相對(duì)誤差為7.16%，平均相對(duì)誤差為3.95%,。高度調(diào)節(jié)試驗(yàn)表明，通過確定最優(yōu)的調(diào)節(jié)閾值,，可以有效降低噴桿高度調(diào)節(jié)誤差,，提高系統(tǒng)穩(wěn)定性，測(cè)試高度調(diào)節(jié)標(biāo)準(zhǔn)偏差為21.81mm,，平均相對(duì)誤差為3.08%,，系統(tǒng)運(yùn)行平穩(wěn)，滿足噴桿相對(duì)冠層距離自動(dòng)控制需求,。

摘要:為了研究小型無人機(jī)下洗氣流場(chǎng)對(duì)霧滴運(yùn)動(dòng)特性的影響規(guī)律,，以小型無人機(jī)為基礎(chǔ),，采用Navier-Stokes（N-S）方程、realizable k-ε模型和Semi-Implicit Method for Pressure-Linked Equations算法,，對(duì)施藥過程中的下洗氣流場(chǎng)和霧滴離散運(yùn)動(dòng)進(jìn)行了詳細(xì)的數(shù)值模擬分析,。研究分析無人機(jī)下洗氣流的速度特性、霧滴沉積特性以及作業(yè)高度對(duì)農(nóng)藥沉積效果的影響,。通過試驗(yàn)結(jié)果可知,，模擬值與試驗(yàn)值的相對(duì)誤差在20%以內(nèi)，驗(yàn)證了下洗氣流場(chǎng)數(shù)值模型的可行性,。進(jìn)一步模擬分析結(jié)果表明,，在無人機(jī)噴藥平臺(tái)的影響下，下洗氣流場(chǎng)在距離旋翼1m處達(dá)到速度峰值,。隨著作業(yè)高度的增加,，霧滴逐漸分散并擴(kuò)散。霧滴主要分布在兩個(gè)“氣流引入?yún)^(qū)”和兩個(gè)“氣流導(dǎo)出區(qū)”,，該分布特征有助于優(yōu)化施藥效果和提高農(nóng)藥的使用效率,。根據(jù)分析結(jié)果，當(dāng)無人機(jī)飛行作業(yè)姿態(tài)與地表保持平行,，且將作業(yè)高度調(diào)整至0.8~1.0m之間時(shí),，可顯著提高農(nóng)藥沉積量，從而提高植保無人機(jī)的施藥效果,。本研究驗(yàn)證了下洗氣流場(chǎng)數(shù)值模型的可行性,，為小型植保無人機(jī)的對(duì)靶霧滴漂移及沉積研究提供了參考依據(jù)。

摘要:液滴粒徑分布是噴霧過程質(zhì)量、動(dòng)量和能量輸運(yùn)的關(guān)鍵參數(shù),，為確定噴霧中液滴粒徑的分布,，基于最大熵原理，通過平均直徑約束條件,，構(gòu)建霧滴粒徑數(shù)量概率密度分布的最大熵模型,，應(yīng)用環(huán)形鼓風(fēng)噴嘴霧化的實(shí)驗(yàn)數(shù)據(jù)對(duì)液滴粒徑分布模型進(jìn)行優(yōu)選。結(jié)果表明,，構(gòu)建的三參數(shù)和四參數(shù)最大熵模型的預(yù)測(cè)結(jié)果最為理想,，預(yù)測(cè)的液滴粒徑分布與實(shí)驗(yàn)值的相關(guān)系數(shù)均高于0.96,，均方根誤差均低于0.135。通過對(duì)比三參數(shù)和四參數(shù)最大熵模型預(yù)測(cè)結(jié)果的赤池信息準(zhǔn)則數(shù),，表明三參數(shù)最大熵模型更適合噴霧液滴粒徑分布的預(yù)測(cè),，應(yīng)用不同類型噴嘴的霧化液滴粒徑分布實(shí)驗(yàn)數(shù)據(jù)對(duì)三參數(shù)最大熵模型的適用性進(jìn)行檢驗(yàn)，結(jié)果表明模型的預(yù)測(cè)值與實(shí)驗(yàn)值吻合較好,。最后將優(yōu)選的三參數(shù)最大熵模型應(yīng)用到Pratt & Whitney Canada公司制造的壓力噴嘴噴霧液滴的粒徑分布預(yù)測(cè)研究中,。研究表明，構(gòu)建的三參數(shù)最大熵模型,，預(yù)測(cè)結(jié)果與實(shí)驗(yàn)數(shù)據(jù)基本吻合,。

摘要:由于外部運(yùn)行條件頻繁變化,，混流泵常于非設(shè)計(jì)工況運(yùn)行，導(dǎo)致其運(yùn)行效率偏低,。針對(duì)混流泵開展多工況優(yōu)化以擴(kuò)大其高效區(qū)范圍具有重要意義,。采用環(huán)量法，以輪轂及輪緣處流線方向環(huán)量的偏導(dǎo)數(shù)(載荷),、葉輪出口處翼展方向環(huán)量控制參數(shù)以及葉片尾緣傾角為設(shè)計(jì)參數(shù),，以設(shè)計(jì)點(diǎn)揚(yáng)程為約束條件，以0.8,、1.2倍設(shè)計(jì)點(diǎn)處效率為優(yōu)化目標(biāo),，結(jié)合實(shí)驗(yàn)設(shè)計(jì)、近似模型和優(yōu)化算法對(duì)一導(dǎo)葉式混流泵葉輪進(jìn)行變環(huán)量優(yōu)化與分析,。研究結(jié)果表明：變環(huán)量設(shè)計(jì)在混流泵葉輪的多工況優(yōu)化中是有效的,；輪轂處流線方向前加載，輪緣處流線方向后加載,，葉輪出口處環(huán)量從輪轂到輪緣遞增分布均有利于混流泵性能的提升,；優(yōu)化后混流泵模型在0.8、1.0,、1.2倍設(shè)計(jì)流量處泵段效率分別為81.11%,、88.38%和80.56%，在設(shè)計(jì)流量處揚(yáng)程為12.33m,，相比于原始模型，效率分別提升0.63,、3.18,、6.72個(gè)百分點(diǎn),，而揚(yáng)程變化小于2%。因此,，所提出的基于變環(huán)量設(shè)計(jì)的混流泵葉輪多工況優(yōu)化方法是有效的,，可以為同類型葉輪機(jī)械的設(shè)計(jì)優(yōu)化提供參考。

摘要:通過ANSYS Fluent軟件對(duì)全貫流泵裝置的停機(jī)過渡過程進(jìn)行研究,，主要探討了停機(jī)過程中外特性和內(nèi)流場(chǎng),，研究發(fā)現(xiàn)：全貫流泵的制動(dòng)工況占整個(gè)停機(jī)過程的比值最小，飛逸轉(zhuǎn)速約為設(shè)計(jì)轉(zhuǎn)速的84%,，飛逸流量為設(shè)計(jì)流量的1.17倍,。間隙回流在停機(jī)過程中的流向始終從葉輪出口流向葉輪進(jìn)口，且其流量整體呈現(xiàn)逐漸減小的趨勢(shì),。在停機(jī)過程中,，軸向力整體呈現(xiàn)下降的趨勢(shì)；轉(zhuǎn)子徑向力整體呈現(xiàn)先減小后增大的趨勢(shì),；葉輪進(jìn),、出口的壓力脈動(dòng)先減小后增大，在制動(dòng)工況達(dá)到最大值后,，在水輪機(jī)工況迅速減小,，直至進(jìn)入飛逸工況趨于穩(wěn)定。葉輪進(jìn)口的壓力脈動(dòng)幅值是泵裝置內(nèi)最大的,，約為葉輪出口的2倍,。由于受到間隙回流的影響，在葉輪進(jìn)口靠近輪緣區(qū)域存在一個(gè)小型旋渦,，該旋渦的范圍在水泵工況先減小,，在制動(dòng)工況突然增大，最后在水輪機(jī)工況和飛逸工況再次減小,。葉輪進(jìn)口旋渦的位置受到主流流向的影響逐漸向進(jìn)口導(dǎo)葉方向轉(zhuǎn)移,。全貫流泵裝置內(nèi)部的熵產(chǎn)主要集中在以葉輪為首的下游域。隨著停機(jī)過程的發(fā)展,，泵裝置內(nèi)的高熵產(chǎn)區(qū)域逐漸向進(jìn)口導(dǎo)葉的方向轉(zhuǎn)移,，高熵產(chǎn)區(qū)域的范圍先減小后增大。全貫流泵泵段內(nèi)高熵產(chǎn)率區(qū)域的位置和范圍與旋渦出現(xiàn)的位置和尺寸相對(duì)應(yīng),，這表明旋渦與脫流等不良流態(tài)是導(dǎo)致全貫流泵段內(nèi)部熵產(chǎn)率較高的主要原因,。

摘要:淤地壩作為黃土高原水土流失嚴(yán)重地區(qū)重要而獨(dú)特的治溝工程,，具有滯洪、攔淤,、蓄水等作用,，但在該地區(qū)利用數(shù)字高程模型（DEM）進(jìn)行流域水系分析時(shí)，提取的河網(wǎng)會(huì)受淤地壩的干擾出現(xiàn)河網(wǎng)偏移,、錯(cuò)位問題,。本文提出一種通過對(duì)淤地壩進(jìn)行檢測(cè)并修正DEM的自動(dòng)化方法來實(shí)現(xiàn)河網(wǎng)的有效提取。該方法先利用區(qū)域生長和形態(tài)學(xué)算法提取河道中心線,，以縮小淤地壩檢測(cè)范圍,，再基于改進(jìn)的直線段檢測(cè)（LSD）算法以及角度濾波確定淤地壩候選輪廓直線，然后構(gòu)建十字模型定位淤地壩,，最后對(duì)淤地壩所在柵格高程進(jìn)行修正以提取河網(wǎng),。該方法在黃土高原兩個(gè)典型樣區(qū)中檢測(cè)淤地壩的F1值分別為86.67%和86.95%，相比于僅使用填充,、裂開的兩種河網(wǎng)提取方法,，本文方法能有效解決河網(wǎng)偏移問題。結(jié)果表明,，本文方法提取的河網(wǎng)結(jié)果更符合真實(shí)地形,，可為黃土高原淤地壩地區(qū)的流域數(shù)字地形分析技術(shù)提供有益補(bǔ)充與支持。

摘要:為辨別農(nóng)作物所受重金屬脅迫種類,，以受重金屬銅（Cu）、鉛（Pb)脅迫的玉米葉片為研究對(duì)象,，利用ASD地物光譜儀獲得葉片高光譜數(shù)據(jù),，通過分?jǐn)?shù)階微分（FD）對(duì)原始光譜數(shù)據(jù)進(jìn)行處理，采用競爭性自適應(yīng)重加權(quán)采樣法（CARS）提取特征波段,，最后通過多層感知機(jī)（MLP）,、K最近鄰（KNN）、支持向量機(jī)（SVM) 3種模型對(duì)受脅迫的葉片光譜進(jìn)行辨別,，選擇最優(yōu)的MLP構(gòu)建的FD-CARS-MLP模型,，進(jìn)行玉米生長銅鉛污染信息光譜辨別。結(jié)果表明,，F(xiàn)D-CARS-MLP模型對(duì)于受脅迫葉片光譜辨別的能力相較于傳統(tǒng)方式有所提高,，試驗(yàn)集辨別精度均可達(dá)到98%以上,，0.1、0.2階分?jǐn)?shù)階微分辨別精度可達(dá)到99%以上,。選取苗期與抽穗期的玉米葉片，對(duì)其進(jìn)行FD-CARS-MLP模型的可行性測(cè)試,，經(jīng)驗(yàn)證可得,，F(xiàn)D-CARS-MLP模型辨別受重金屬脅迫玉米葉片光譜數(shù)據(jù)的精度更高且更穩(wěn)定，可為監(jiān)測(cè)谷類作物不同重金屬脅迫提供技術(shù)與方法,。

摘要:芽眼檢測(cè)是馬鈴薯種薯智能切塊首先要解決的問題,，為實(shí)現(xiàn)種薯芽眼精準(zhǔn)高效檢測(cè),，提出了一種基于改進(jìn)YOLO v5s的馬鈴薯種薯芽眼檢測(cè)方法。首先通過加入CBAM注意力機(jī)制,，加強(qiáng)對(duì)馬鈴薯種薯芽眼圖像的特征學(xué)習(xí)和特征提取,，同時(shí)弱化與芽眼相似的馬鈴薯種薯表面背景對(duì)檢測(cè)結(jié)果的影響。其次引入加權(quán)雙向特征金字塔BiFPN增加經(jīng)骨干網(wǎng)絡(luò)提取的種薯芽眼原始信息,，為不同尺度特征圖賦予不同權(quán)重,，使得多尺度特征融合更加合理。最后替換為改進(jìn)的高效解耦頭Decoupled Head區(qū)分回歸和分類,，加快模型收斂速度,，進(jìn)一步提升馬鈴薯種薯芽眼檢測(cè)性能。試驗(yàn)結(jié)果表明,，改進(jìn)YOLO v5s模型準(zhǔn)確率,、召回率和平均精度均值分別為93.3%、93.4%和95.2%,；相比原始YOLO v5s模型,，平均精度均值提高3.2個(gè)百分點(diǎn)，準(zhǔn)確率,、召回率分別提高0.9,、1.7個(gè)百分點(diǎn)；不同模型對(duì)比分析表明,，改進(jìn)YOLO v5s模型與Faster R-CNN,、YOLO v3、YOLO v6,、YOLOX和YOLO v7等模型相比有著較大優(yōu)勢(shì),，平均精度均值分別提高8.4,、3.1、9.0,、12.9,、4.4個(gè)百分點(diǎn)。在種薯自動(dòng)切塊芽眼檢測(cè)試驗(yàn)中,，改進(jìn)YOLO v5s模型平均召回率為91.5%,，相比原始YOLO v5s模型提高17.5個(gè)百分點(diǎn)。本文方法可為研制馬鈴薯種薯智能切塊芽眼識(shí)別裝置提供技術(shù)支持,。

摘要:受到土壤種類、水分等客觀因素的干擾,，基于圖像預(yù)測(cè)土壤有機(jī)質(zhì)（Soil organic matter,，SOM）含量與傳統(tǒng)方法在檢測(cè)精度上仍存在差距，限制了相關(guān)技術(shù)的推廣和普及,。為提升基于圖像預(yù)測(cè)SOM含量的精度,，本研究提出N-DenseNet網(wǎng)絡(luò)模型，在DenseNet169基礎(chǔ)上加入多尺度池化模塊,，通過獲取更多的維度特征提升模型的性能,，并結(jié)合Android端開發(fā)SOM實(shí)時(shí)檢測(cè)應(yīng)用程序（APP），通過內(nèi)網(wǎng)透射實(shí)現(xiàn)PC端與手機(jī)端數(shù)據(jù)的及時(shí)傳輸,。以黑龍江省友誼縣,、北京市昌平區(qū)、山東省泰安市3地的350份土樣為基礎(chǔ),，通過手機(jī)以及多光譜無人機(jī)獲取原位土壤的高清圖像,，R波段、紅邊波段與近紅外波段圖像,，以豐富數(shù)據(jù)信息,，并通過室內(nèi)脅迫的方式拍攝土壤樣品在不同水分梯度下的圖像緩解水分對(duì)圖像造成的影響。對(duì)比不同深度學(xué)習(xí)模型,，基于多光譜圖像數(shù)據(jù)訓(xùn)練的N-DenseNet表現(xiàn)最好,，整體表現(xiàn)優(yōu)于DenseNet169，測(cè)試集R2為0.833,，RMSE為3.943g/kg,，R2相比于可見光數(shù)據(jù)提升0.016，證明了訓(xùn)練過程加入R波段與紅邊和近紅外波段圖像后有助于提升模型的性能，證明了該方法的可行性,。手機(jī)端APP與后臺(tái)端數(shù)據(jù)相連實(shí)現(xiàn)數(shù)據(jù)實(shí)時(shí)傳輸,，實(shí)現(xiàn)了田間土樣SOM含量的實(shí)時(shí)預(yù)測(cè)，經(jīng)田間試驗(yàn)驗(yàn)證,，模型預(yù)測(cè)集R2為0.805,，檢測(cè)時(shí)間為2.8s，滿足了田間SOM含量檢測(cè)的需求,，為SOM含量實(shí)時(shí)檢測(cè)提供了新的思路,。

摘要:針對(duì)密林情況下，GEDI數(shù)據(jù)與現(xiàn)有的Tandem-X DEM數(shù)字地面模型估測(cè)林下地形精度沒有進(jìn)行整體評(píng)價(jià)問題,，擬以密林情況作為主要分析場(chǎng)景,，通過提取GEDI L2A數(shù)據(jù)產(chǎn)品對(duì)應(yīng)光斑的經(jīng)緯度、林下地形信息與數(shù)據(jù)質(zhì)量篩選參數(shù),，開展數(shù)據(jù)質(zhì)量篩選,，用以估測(cè)基于GEDI數(shù)據(jù)的林下地形數(shù)據(jù)，與Tandem-X DEM數(shù)據(jù)估測(cè)密林情況下研究區(qū)林下地形開展比較,，并進(jìn)一步探究冠層高度,、森林覆蓋度與植被類型對(duì)估測(cè)精度的影響。GEDI與Tandem-X DEM的R2分別為0.99和0.98,，GEDI估測(cè)林下地形結(jié)果的RMSE,、Average與STD分別6.49、-1.92,、4.42m,，Tandem-X DEM估測(cè)林下地形結(jié)果的RMSE、Average與STD分別為18.15,、14.63,、7.35m。GEDI數(shù)據(jù)在混交林和稀疏草原情況下RMSE與Average分別變化8.05m和6.04m,，Tandem-X DEM數(shù)據(jù)在常綠針葉林與農(nóng)田/天然植被情況下,，RMSE與Average變化幅度為21.63、26.43m,。實(shí)驗(yàn)結(jié)果表明,， GEDI與Tandem-X DEM數(shù)據(jù)與機(jī)載驗(yàn)證數(shù)據(jù)存在強(qiáng)相關(guān)性，且GEDI相對(duì)Tandem-X DEM數(shù)據(jù)表現(xiàn)出更優(yōu)的評(píng)價(jià)標(biāo)準(zhǔn),；地表植被類型相對(duì)冠層高度和植被覆蓋度會(huì)對(duì)兩數(shù)據(jù)估測(cè)林下地形精度產(chǎn)生更大的影響,。

摘要:為了快速,、精準(zhǔn)地感知水稻稻曲病的發(fā)生,，實(shí)現(xiàn)稻曲病大面積早期監(jiān)測(cè)，利用機(jī)載UHD185高光譜儀采集帶有發(fā)病區(qū)域的多組水稻冠層高光譜圖像數(shù)據(jù),，對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理并建立數(shù)據(jù)集,。對(duì)健康區(qū)域和發(fā)病區(qū)域進(jìn)行分類訓(xùn)練，建立支持向量機(jī)（SVM）識(shí)別模型和主成分分析（PCA）加人工神經(jīng)網(wǎng)絡(luò)（ANN）的識(shí)別模型,，通過驗(yàn)證樣本來檢驗(yàn)識(shí)別模型的準(zhǔn)確性,，達(dá)到識(shí)別發(fā)病水稻的目的。支持向量機(jī)識(shí)別模型選用兩組特征波長下的假彩色圖像：第1組波長組合（TZH1）為654,、838,、898nm；第2組波長組合（TZH2）為630,、762,、806nm，兩組數(shù)據(jù)的錯(cuò)分誤差/漏分誤差總體分別達(dá)到4.24%和5.41%,；其中S型核函數(shù)的SVM模型診斷性能最好,，總體分類精度最高可達(dá)到 95.64%，Kappa系數(shù)可達(dá)到0.94,，基本達(dá)到了準(zhǔn)確識(shí)別水稻稻曲病的目的,。主成分分析加人工神經(jīng)網(wǎng)絡(luò)的識(shí)別模型選用前3個(gè)主成分，貢獻(xiàn)率分別為93.67%,、2.80%,、1.24%，作為最優(yōu)波長建立人工神經(jīng)網(wǎng)絡(luò)識(shí)別模型,；其中非線性分類的效果優(yōu)于線性分類的效果,，總體分類精度達(dá)到了96.41%，Kappa系數(shù)可達(dá)到0.95,。通過兩個(gè)實(shí)驗(yàn)組數(shù)據(jù)的支持向量機(jī)診斷結(jié)果可知,，使用支持向量機(jī)識(shí)別模型分類精度整體平穩(wěn)，4種核函數(shù)的診斷效果沒有比較明顯的差異,。就總體分類精度而言,，主成分分析加人工神經(jīng)網(wǎng)絡(luò)識(shí)別模型中的非線性分類比支持向量機(jī)識(shí)別模型的S型核函數(shù)分類高0.77個(gè)百分點(diǎn)。因此,，主成分分析加人工神經(jīng)網(wǎng)絡(luò)模型的非線性分類更適用于水稻稻曲病的早期監(jiān)測(cè),。

摘要:茶葉采摘點(diǎn)定位是茶葉選擇性采摘的關(guān)鍵技術(shù)之一，在茶樹采摘場(chǎng)景中，存在采摘點(diǎn)尺度小,、背景干擾大,、光照情況復(fù)雜等問題，導(dǎo)致準(zhǔn)確分割茶葉采摘點(diǎn)成為難題,。本研究針對(duì)茶園場(chǎng)景下采摘點(diǎn)精確分割問題,，構(gòu)建了一種基于多頭自注意力機(jī)制結(jié)合多尺度特征融合的語義分割算法——RMHSA-NeXt。首先使用ConvNeXt卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征,；其次構(gòu)造基于殘差和多頭自注意力機(jī)制的注意力模塊,，將模型注意力集中于分割目標(biāo)，增強(qiáng)重要特征的表達(dá),；再次通過多尺度結(jié)構(gòu)(Atrous spatial pyramid pooling, ASPP)將不同尺度的特征進(jìn)行融合,，在其中針對(duì)采摘點(diǎn)特性，在融合過程中使用條狀池化(Strip pooling),，減少無用特征的獲?。蛔詈笸ㄟ^卷積以及上采樣等操作完成信息的解碼,，得出分割結(jié)果。試驗(yàn)表明,，茶園環(huán)境下該模型可以對(duì)采摘點(diǎn)進(jìn)行有效分割,，模型的像素準(zhǔn)確率達(dá)75.20%，平均區(qū)域重合度為70.78%,，運(yùn)行速度達(dá)到8.97f/s,。基于相同測(cè)試集將本文模型與HRNet V2,、EfficientUNet++,、DeeplabV3+、BiSeNet V2模型進(jìn)行對(duì)比,，結(jié)果表明相比于其他模型同時(shí)具有準(zhǔn)確性高,、推理速度快、參數(shù)量小等優(yōu)點(diǎn),，能夠較好地平衡精度與速度指標(biāo),。本文的研究成果可以為精準(zhǔn)定位茶葉采摘點(diǎn)提供有效可靠的參考。

摘要:針對(duì)羊胴體后腿骨肉邊界未知、尺寸多變和可見性約束限制造成的機(jī)器人自主分割精確度低與易受阻卡住的問題，提出一種羊胴體后腿自適應(yīng)分割控制方法,，并開展羊胴體后腿分割試驗(yàn)進(jìn)行驗(yàn)證,。該方法以接觸狀態(tài)感知為核心，有效提取接觸類型特征,、接觸異常度特征和接觸方向特征,，通過構(gòu)建深度時(shí)空神經(jīng)網(wǎng)絡(luò)識(shí)別接觸類型，構(gòu)建深度自編碼網(wǎng)絡(luò)估計(jì)接觸異常度,，采用主成分分析方法檢測(cè)主要接觸方向,，實(shí)現(xiàn)接觸狀態(tài)多模態(tài)感知，機(jī)器人通過動(dòng)態(tài)運(yùn)動(dòng)基元模仿學(xué)習(xí)人類操作技能,，并結(jié)合接觸狀態(tài)感知信息實(shí)現(xiàn)關(guān)節(jié)運(yùn)動(dòng)的自適應(yīng)調(diào)節(jié),。試驗(yàn)結(jié)果表明：深度時(shí)空網(wǎng)絡(luò)模型在羊胴體后腿分割驗(yàn)證集上的識(shí)別準(zhǔn)確率為98.44%；深度自編碼網(wǎng)絡(luò)模型能夠較好地估計(jì)驗(yàn)證集樣本的接觸異常度,，區(qū)分不同的接觸狀態(tài),。機(jī)器人基于自適應(yīng)分割控制方法開展實(shí)際分割試驗(yàn)，與對(duì)照組相比,，最大分割力下降幅度為29N,，最大力矩下降幅度為7N·m，證明該方法的有效性,；平均最大殘留肉厚度為3.6mm,，平均分割殘留率為4.9%，分割殘留率與羊胴體質(zhì)量呈現(xiàn)負(fù)相關(guān),，證明該方法具有良好的泛化性和準(zhǔn)確性,，并且整體分割效果較好，滿足羊胴體后腿分割要求,。

摘要:針對(duì)雞只個(gè)體較小,、個(gè)體間存在遮擋,，對(duì)蛋雞日常行為識(shí)別造成干擾的問題，提出了一種基于SEEC-YOLO v5s的蛋雞日常行為識(shí)別方法,。通過在YOLO v5s模型輸出部分添加SEAM注意力模塊,、在特征融合部分引入顯式視覺中心模塊(EVCBlock)，擴(kuò)大了模型的感受野,，提高了模型對(duì)小個(gè)體遮擋情況下的目標(biāo)識(shí)別能力,，提升了模型對(duì)蛋雞站立,、采食、飲水,、探索,、啄羽和梳羽6種行為的識(shí)別精度。提出了一種基于視頻幀數(shù)與視頻幀率比值計(jì)算蛋雞日常行為持續(xù)時(shí)間的統(tǒng)計(jì)方法,，并對(duì)蛋雞群體一天之中不同時(shí)間段及全天各行為變化規(guī)律進(jìn)行了分析,。將改進(jìn)后的模型進(jìn)行封裝、打包,，設(shè)計(jì)了蛋雞日常行為智能識(shí)別與統(tǒng)計(jì)系統(tǒng),。試驗(yàn)結(jié)果表明，SEEC-YOLO v5s模型對(duì)6種行為識(shí)別的平均精度均值為84.65%,，比 YOLO v5s模型高2.34個(gè)百分點(diǎn),，對(duì)比Faster R-CNN、YOLO X-s,、YOLO v4-tiny和YOLO v7-tiny模型,，平均精度均值分別提高4.30、3.06,、7.11,、2.99個(gè)百分點(diǎn)。本文方法對(duì)蛋雞的日常行為監(jiān)測(cè)及健康狀況分析提供了有效的支持,，為智慧養(yǎng)殖提供了借鑒,。

摘要:高光譜遙感技術(shù)可對(duì)作物生長狀況進(jìn)行無損、高效地監(jiān)測(cè),，是推動(dòng)現(xiàn)代精準(zhǔn)農(nóng)業(yè)發(fā)展的必要手段,。以不同施氮水平與覆膜處理下的開花期大豆葉面積指數(shù)(Leaf area index，LAI)為研究對(duì)象,，對(duì)原始開花期大豆高光譜反射率數(shù)據(jù)進(jìn)行0~2階微分變換處理（步長0.5）,，并篩選出各階光譜指數(shù)中與開花期大豆LAI相關(guān)性最高的指數(shù)作為最優(yōu)光譜指數(shù)進(jìn)行輸入，采用支持向量機(jī)(Support vector machine, SVM),、隨機(jī)森林(Random forest,，RF)、遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(BP neural network optimized by genetic algorithm, GA-BP)3種機(jī)器學(xué)習(xí)方法構(gòu)建大豆LAI預(yù)測(cè)模型,。結(jié)果表明：0~2階光譜指數(shù)與大豆LAI相關(guān)系數(shù)平均值分別為0.616,、0.657,、0.666、0.669,、0.658,，相比于原始與整數(shù)階高光譜反射率，分?jǐn)?shù)階微分變換處理后的高光譜反射率構(gòu)建的光譜指數(shù)與開花期大豆LAI具有更強(qiáng)的相關(guān)性,；相關(guān)系數(shù)平均值最高的15階微分處理最優(yōu)光譜指數(shù)波長組合分別為：TVI(687nm,754nm),、DI(687nm,754nm)、SAVI(728nm,738nm),、RI(687nm,744nm),、NDVI(620nm,653nm)，其余各階最優(yōu)光譜指數(shù)組合對(duì)應(yīng)波段也集中分布于紅邊波段（680~760nm）,；隨著微分階數(shù)提高,，光譜指數(shù)與大豆LAI的相關(guān)性和構(gòu)建的預(yù)測(cè)模型的精度均呈先升后降的趨勢(shì)；當(dāng)輸入變量相同時(shí),，RF為3種機(jī)器學(xué)習(xí)模型中的最佳建模方法,。經(jīng)過綜合比較，以1.5階微分處理得到的最優(yōu)光譜指數(shù)組合作為輸入數(shù)據(jù),，基于RF構(gòu)建的大豆LAI預(yù)測(cè)模型取得了最高的精度,，驗(yàn)證集的決定系數(shù)R2為0.880，均方根誤差（RMSE）為0.3200cm2/cm2,，標(biāo)準(zhǔn)均方根誤差（NRMSE）為10.354%,，平均相對(duì)誤差（MRE）為9.572%。研究結(jié)果可為提高大豆LAI高光譜反演精度與指導(dǎo)精準(zhǔn)農(nóng)業(yè)生產(chǎn)提供理論參考,。

摘要:植被含水率是農(nóng)田生態(tài)系統(tǒng)敏感性的重要表征,，為提高近地遙感植被含水率反演效率和精度,，基于無人機(jī)多光譜影像數(shù)據(jù)，提取苜蓿,、玉米2種植被覆蓋的光譜反射率,，在此基礎(chǔ)上引入紅邊波段計(jì)算改進(jìn)光譜指數(shù)。將5種光譜反射率及25個(gè)光譜指數(shù)利用變量投影重要性（Variable importance in projection, VIP）分析,、灰色關(guān)聯(lián)度（Gray relational analysis, GRA）分析與皮爾遜（Person）相關(guān)性分析進(jìn)行篩選,，并建立基于反向神經(jīng)網(wǎng)絡(luò)（Back-propagation neural network, BPNN）、偏最小二乘法（Partial least squares regression, PLSR）,、支持向量回歸（Support vector regression, SVR）和隨機(jī)森林（Random forest, RF）4種機(jī)器學(xué)習(xí)模型,，以確定不同作物覆蓋下的最佳植被含水率反演模型,。結(jié)果表明，3種篩選算法中VIP和GRA的模型精度明顯優(yōu)于Person相關(guān)性分析,，且反演結(jié)果波動(dòng)較小;在4種機(jī)器學(xué)習(xí)算法中,，SVR算法在非線性問題中相較于BPNN、PLSR,、RF算法具有較強(qiáng)的解析能力和模型魯棒性,，驗(yàn)證集決定系數(shù)R2達(dá)到0.77以上，其結(jié)果能較真實(shí)反映植被含水率;兩種樣地基于GRA的植被含水率反演模型精度最高,，苜蓿覆蓋地GRA-SVR驗(yàn)證集R2達(dá)0.889,，RMSE為0.798%，MAE為0.533%;玉米覆蓋地反演結(jié)果驗(yàn)證集R2為0.848,，RMSE為0.668%,，MAE為0.542%。研究結(jié)果可為植被含水率的快速,、精準(zhǔn)反演提供理論依據(jù),。

摘要:為及時(shí)準(zhǔn)確地預(yù)測(cè)我國黃土高原蘋果產(chǎn)量,，首先選取黃土高原蘋果產(chǎn)區(qū)86個(gè)基地縣的氣象觀測(cè)數(shù)據(jù)，分別提取出蘋果生長季內(nèi)不同月份的氣溫,、降水量,、太陽輻射等氣象特征變量，花期凍害時(shí)間,、連陰雨時(shí)間和標(biāo)準(zhǔn)化降水蒸發(fā)指數(shù)（Standardized precipitation evapotranspiration index,，SPEI）等氣象災(zāi)害特征變量，以及氣象站點(diǎn)經(jīng)度,、緯度和高程等空間特征變量,，再根據(jù)斯皮爾曼相關(guān)性分析確定影響蘋果產(chǎn)量的最重要?dú)庀筇卣髯兞?。然后,，采用梯度提升樹（Gradient boosting decision tree，GBDT）,、支持向量機(jī)（Support vector machine,，SVM）、貝葉斯正則化反向傳播神經(jīng)網(wǎng)絡(luò)（Bayesian regularization back propagation artificial neural network, BRBP）和多元線性回歸（Multiple linear regression, MLR）算法,，建立蘋果相對(duì)氣象產(chǎn)量的預(yù)測(cè)模型,，并確定最佳模型輸入特征變量組合,。最后，基于不同生育期和生長季內(nèi)各月份最佳模型輸入特征變量組合,，分析不同模型預(yù)測(cè)蘋果相對(duì)氣象產(chǎn)量的提前期,。結(jié)果表明：影響蘋果相對(duì)氣象產(chǎn)量的最重要?dú)庀筇卣髯兞繛樽罡邭鉁亍⒆畹蜌鉁?、空氣相?duì)濕度,、降水量和太陽輻射;最佳模型輸入變量組合為最重要?dú)庀筇卣髯兞俊⒖臻g特征變量和災(zāi)害特征變量;基于最佳模型輸入變量組合,，GBDT和BRBP模型精度較好（相關(guān)系數(shù)r為0.77,，均方根誤差（RMSE）為0.44;r為0.70，RMSE為0.44）,，而MLR模型表現(xiàn)最差（r為0.63,，RMSE為0.49）。在蘋果不同生育期內(nèi),，GBDT和BRBP模型在各個(gè)生育期內(nèi)均能獲得相對(duì)較高的蘋果相對(duì)氣象產(chǎn)量預(yù)測(cè)精度,，SVM和MLR模型可在果實(shí)膨大期獲取較為理想的蘋果相對(duì)氣象產(chǎn)量模擬結(jié)果。在蘋果生長季內(nèi)各月份,，GBDT,、SVM、BRBP和MLR模型可在蘋果成熟期前1~2個(gè)月實(shí)現(xiàn)對(duì)蘋果相對(duì)氣象產(chǎn)量的早期預(yù)測(cè),。本研究可為黃土高原蘋果產(chǎn)量早期產(chǎn)量預(yù)測(cè)提供科學(xué)依據(jù)和技術(shù)參考,。

摘要:為探明不同水土保持耕作技術(shù)對(duì)東北黑土坡耕地玉米氮素利用和溫室氣體排放的影響,，以大田試驗(yàn)為基礎(chǔ)，設(shè)置7個(gè)耕作處理：等高耕作（Transverse slope planting, TP）,、壟向區(qū)田（Ridge to the district field, RF）,、深松耕（Subsoiling tillage, SF）、等高耕作+深松耕（Transverse slope planting+subsoiling tillage, TP-S）,、壟向區(qū)田+深松耕（Ridge to the district field+subsoiling tillage, RF-S）,、等高耕作+壟向區(qū)田（Transverse slope planting+ridge to the district field,TP-R）、常規(guī)耕作（Down-slope cultivation, CK）,，探究水土保持耕作技術(shù)對(duì)東北黑土坡耕地土壤養(yǎng)分狀況,、溫室氣體排放、氮素吸收利用和產(chǎn)量的影響,。結(jié)果表明：在玉米全生育期內(nèi),，水土保持耕作處理顯著提高了玉米產(chǎn)量,、器官氮素轉(zhuǎn)運(yùn)率以及氮肥利用率，部分水土保持耕作措施也可以顯著降低N2O與CO2排放,。其中,，玉米成熟期時(shí)，實(shí)施水土保持耕作措施的植株產(chǎn)量較CK處理增加3.39%～26.43%,，TP-S處理提升效果最高,。對(duì)于氮肥利用率，水土保持耕作技術(shù)較CK處理提高25.23%（RF處理）～76.98%（TP-S處理）,，提升效果顯著,。對(duì)于CO2排放，除SF處理外,，其余水土保持耕作處理均顯著低于CK處理,。但對(duì)于N2O排放，TP處理,、 TP-S處理和TP-R處理顯著低于CK,，而SF處理、RF處理以及RF-S處理較CK處理則明顯增加,。故綜合來看,，建議當(dāng)?shù)赜衩追N植采取等高耕作+深松耕的水土保持耕作技術(shù)。

摘要:為探究季節(jié)性凍土區(qū)凍結(jié)前后施加生物炭和秸稈對(duì)農(nóng)田土壤的改良效果,，選取黑土作為研究對(duì)象,，基于田間試驗(yàn)，設(shè)置4種不同調(diào)控措施(BL：空白對(duì)照;CLS：施用生物炭;JLS：施用秸稈;CJLS：聯(lián)合施用),，分析土壤團(tuán)聚體穩(wěn)定性,、孔徑分布特征、土壤水分特征曲線,、土壤累計(jì)入滲量,、飽和導(dǎo)水率Ksat的變化，在此基礎(chǔ)上,，探究土壤持水性,、導(dǎo)水性等土壤物理特性變異特征。結(jié)果表明,，施用生物炭和秸稈有效抑制凍融循環(huán)作用對(duì)土壤結(jié)構(gòu)的不利影響,，有效保持土壤團(tuán)聚體穩(wěn)定性,。施加外源生物質(zhì)材料改善土壤孔隙分布,，在凍結(jié)前期增加中間段孔徑（0.3~100μm）比例,，在外源生物質(zhì)材料和凍融交替作用雙重影響下，增加中間段孔徑比例19.05%~35.04%,，增加土壤空隙（>100μm）比例4.33%~16.22%,，降低極微孔徑（0~0.3μm）比例9.09%~18.18%，其中CJLS處理表現(xiàn)最優(yōu),。在凍結(jié)前期,，施用生物炭和秸稈增加張力-5cm條件下60min的土壤累計(jì)入滲量73.68%、60.52%,、151.10%,，而在融化期，受外源生物質(zhì)材料凍融老化影響,，其發(fā)揮的積極效應(yīng)有所減弱,，土壤累計(jì)入滲量最高僅增加11228%。同時(shí),，施加生物炭和秸稈提高凍融前后的土壤飽和含水率,，增強(qiáng)土壤持水能力，這有助于提高春季土壤抗干旱能力,。在外源生物質(zhì)材料和凍融循環(huán)雙重作用下植物可用含水率增加,，同時(shí)凍融前后Ksat均增加，但融化期CLS和JLS處理與BL的差異逐漸減緩,。研究結(jié)果對(duì)于合理施用生物炭和秸稈資源,、揭示改良土壤物理特性響應(yīng)機(jī)制具有重要意義。

摘要:為揭示不同灌水量和灌水鹽分下老化生物炭對(duì)溫室氣體排放與玉米生長的影響,，設(shè)置2個(gè)生物炭水平：0t/hm2（B0）、60t/hm2（B1）,，2個(gè)灌溉水含鹽量：0.71g/L（S0）和4.0g/L（S1）,，2個(gè)灌溉水平：充分灌溉（W1）和虧缺灌溉（W2，1/2 W1),，于2022年4—9月在甘肅武威綠洲農(nóng)業(yè)高效用水國家野外科學(xué)觀測(cè)研究站進(jìn)行了春玉米田間試驗(yàn),。結(jié)果表明，虧缺灌溉相較于充分灌溉CO2累積排放量減少24.13%~52.68%,，但二者的N2O排放沒有顯著差異,。微咸水灌溉導(dǎo)致CO2和N2O累積排放量分別增加9.06%~24.79%、9.95%~18.03%。在4種灌溉處理下,，老化生物炭使CO2和N2O累積排放量分別減小7.33%~18.78%和21.14%~29.76%,。不同處理間的CH4排放無顯著影響。虧缺和微咸水灌溉抑制了作物的生長;老化生物炭顯著提高了春玉米生物量,，總體增加7.86%~25.82%,，但其對(duì)W1S0、W1S1,、W2S0處理下玉米產(chǎn)量增產(chǎn)效果并不顯著,，且W2S1處理下玉米產(chǎn)量顯著降低。同一灌溉水平下,，微咸水灌溉增加了全球增溫潛勢(shì),，而利用老化生物炭和虧缺灌溉會(huì)降低全球增溫潛勢(shì)。微咸水和虧缺灌溉顯著降低了農(nóng)田土壤炭收益,，分別減小17.70%~65.36%和37.30%~71.96%,。不同灌溉處理下，老化生物炭均顯著增加了農(nóng)田土壤炭收益,，增加15.86%~33.52%,。總體上在W1S0,、W1S1和W2S0處理下施用老化生物炭小幅提高了玉米產(chǎn)量,，大幅降低了全球增溫潛勢(shì)和促進(jìn)了農(nóng)田凈碳收益，因此在這3種灌溉方式下,，老化生物炭施用可增加當(dāng)?shù)氐慕?jīng)濟(jì)和環(huán)境效益,。

摘要:科學(xué)高效的灌溉管理是提高水分生產(chǎn)力的關(guān)鍵。針對(duì)覆膜前后土壤水熱條件有明顯差異,，灌水參數(shù)如何影響作物生長與耗水尚不明確的問題,，本研究以制種玉米為研究對(duì)象在甘肅武威綠洲農(nóng)業(yè)高效用水國家野外科學(xué)觀測(cè)研究站進(jìn)行了田間試驗(yàn)。設(shè)計(jì)3種滴頭流量D1（2.0L/h）,、D2（2.5L/h）,、D3（3.0L/h），5種灌水間隔時(shí)間P1（6d）,、P2（8d）,、P3（10d）,、P4（12d）、P5（14d）,，探究灌溉方案對(duì)覆膜制種玉米生長,、產(chǎn)量和蒸騰耗水的影響。結(jié)果表明滴頭流量較大和灌水間隔時(shí)間較小時(shí)制種玉米株高與葉面積指數(shù)表現(xiàn)更好,。D1處理下，隨灌水間隔時(shí)間增加株高和葉面積指數(shù)呈先增大后減小的趨勢(shì),，在P2取得最大值,。籽粒產(chǎn)量與灌水間隔時(shí)間呈現(xiàn)顯著的二次函數(shù)關(guān)系，D1,、D3處理下最大值均出現(xiàn)在P2,。灌水間隔時(shí)間為6~10d時(shí)D2可以獲得最高的產(chǎn)量。單株日尺度液流速率與小時(shí)尺度液流速率均隨滴頭流量增大而增加,，隨灌水間隔時(shí)間增加而減小,。D3處理小時(shí)尺度液流速率峰值比D2、D1處理分別增加85.88%~127.02%,、117.80%~151.89%,。灌水間隔時(shí)間由P1增加到P5時(shí)，小時(shí)尺度液流速率峰值降低23.56%~31.48%,。制種玉米蒸騰量隨滴頭流量增大而增加,。一定范圍內(nèi)（P1~P4），增加灌水間隔時(shí)間顯著降低了全生育期耗水量,。灌水間隔時(shí)間不大于10d時(shí),，D2耗水量最低，比D1降低1.86%~4.14%,，且獲得更高的水分生產(chǎn)力,。D1、D2處理均在P2處理獲得最高水分生產(chǎn)力,。為實(shí)現(xiàn)高效節(jié)水,，滴頭流量為2.5L/h (D2)、灌水間隔時(shí)間為8~10d是適宜干旱地區(qū)覆膜制種玉米的較優(yōu)灌水方案,，而灌水間隔時(shí)間為6~8d時(shí)可以實(shí)現(xiàn)更高的產(chǎn)量和水分生產(chǎn)力,。

摘要:骨炭作為不同動(dòng)物源骨粉資源化利用的一種重要產(chǎn)物,，含有豐富的孔隙結(jié)構(gòu)和活性位點(diǎn)，可被用作于催化劑載體或水體、土壤等環(huán)境中的吸附劑,。為了三維,、原位可視化表征不同動(dòng)物源骨炭顆粒的孔隙結(jié)構(gòu)特征，選擇熱解溫度為400,、500,、600、700,、800℃的豬,、牛骨炭顆粒為研究對(duì)象。骨炭顆粒Micro-CT掃描條件為：管電壓50kV,、管電流200mA,、圖像分辨率10μm;Micro-CT圖像二值化方法為Adaptive mean-C。結(jié)果表明：UM和ACE相結(jié)合的Micro-CT圖像濾波處理方法最優(yōu);不同熱解溫度骨炭顆粒的斷層結(jié)構(gòu)圖像和容積模型與電鏡結(jié)果相近;骨炭顆粒比表面積,、孔隙率和孔徑分布的定量表征結(jié)果與實(shí)驗(yàn)室BET法的測(cè)定值相吻合,。研究結(jié)果可為骨炭孔隙結(jié)構(gòu)原位三維分析提供一種非破壞、可視化的表征新手段,。

摘要:為解決現(xiàn)有無線檢測(cè)系統(tǒng)無法精準(zhǔn)有效反映溫室內(nèi)立體空間的環(huán)境變化情況,，以及傳感器節(jié)點(diǎn)定位誤差大、硬件成本高等問題,，設(shè)計(jì)了一種基于UWB（Ultra wide band）定位的智能溫室三維溫濕度檢測(cè)系統(tǒng),。系統(tǒng)通過一款自主設(shè)計(jì)的集成UWB定位模塊的STM32F系統(tǒng)板對(duì)各傳感器節(jié)點(diǎn)進(jìn)行定位，并搭載AHT25型高精度傳感器對(duì)環(huán)境數(shù)據(jù)進(jìn)行采集,。UWB主基站使用4G網(wǎng)絡(luò)通信模塊將各傳感器數(shù)據(jù)及位置信息發(fā)送到上位機(jī),，并在Web端根據(jù)HTML5技術(shù)實(shí)現(xiàn)溫室三維溫濕度場(chǎng)可視化，完成溫室三維溫濕度遠(yuǎn)程檢測(cè),。系統(tǒng)定位測(cè)試試驗(yàn)證明,，各傳感器節(jié)點(diǎn)精度主要集中在10～30cm范圍內(nèi)，部分節(jié)點(diǎn)測(cè)量位置誤差大于50cm,，各節(jié)點(diǎn)最大丟包率為2.5%,，平均丟包率為1.9%，滿足溫室測(cè)量基本需求,，對(duì)檢測(cè)溫室熱工缺陷區(qū)域以及研究植物生長適宜環(huán)境有重要意義,。

摘要:以添加不同質(zhì)量濃度水溶性β-葡聚糖的模擬葡萄汁為試材，接種釀酒酵母啟動(dòng)酒精發(fā)酵,，分別在第2,、3、4,、7天檢測(cè)供試菌株的抗氧化活性,，并于發(fā)酵結(jié)束后采用HS-SPME-GC-MS測(cè)定發(fā)酵酒樣的揮發(fā)性香氣化合物，探討菌株抗氧化活性和揮發(fā)性香氣物質(zhì)之間的相關(guān)性,。結(jié)果表明,，外源性添加水溶性β-葡聚糖處理組酵母細(xì)胞中的ATP酶、SOD酶活力和還原型谷胱甘肽含量顯著高于對(duì)照組（P<0.05）,，活性氧和丙二醛含量顯著低于對(duì)照組（P<0.05）,。300mg/L水溶性β葡聚糖可以明顯提高模擬葡萄汁發(fā)酵酒樣中揮發(fā)性香氣化合物的含量,，尤其是辛酸乙酯,、癸酸乙酯等花果香類物質(zhì)較對(duì)照組顯著增加（P<0.05），且與釀酒酵母細(xì)胞的ATP酶,、SOD酶活力和GSH含量呈正相關(guān),。綜上，質(zhì)量濃度為300mg/L的水溶性β-葡聚糖,，能夠明顯增強(qiáng)釀酒酵母細(xì)胞的抗氧化能力,，增加模擬葡萄汁發(fā)酵酒樣中酯類、高級(jí)醇類物質(zhì)的含量,，具有提高葡萄酒發(fā)酵香氣化合物的應(yīng)用潛力,。

摘要:永磁電機(jī)閉環(huán)控制需要準(zhǔn)確的轉(zhuǎn)子位置信息,，而傳統(tǒng)的機(jī)械傳感器在農(nóng)業(yè)生產(chǎn)等惡劣工況下的可靠性難以保證。為了提高系統(tǒng)可靠性,，對(duì)無傳感器控制方法進(jìn)行了研究,。在傳統(tǒng)基于滑模觀測(cè)器的無傳感器控制中，系統(tǒng)抖振和穩(wěn)定性差的問題嚴(yán)重影響了無傳感器運(yùn)行的控制效果,。為此,，本文提出了一種基于模糊滑模觀測(cè)器和模糊鎖相環(huán)的無傳感器控制方法，有效地解決了這一問題,。首先,，利用模糊控制器對(duì)滑模觀測(cè)器和鎖相環(huán)的控制參數(shù)進(jìn)行處理，并根據(jù)電機(jī)的實(shí)際工況實(shí)時(shí)調(diào)整這些參數(shù),，提高了系統(tǒng)魯棒性,。其次,，采用遞歸最小二乘自適應(yīng)線性諧波提取器對(duì)反電動(dòng)勢(shì)的高諧波分量進(jìn)行有效濾波，避免了高頻分量對(duì)觀測(cè)結(jié)果的影響,。實(shí)驗(yàn)結(jié)果表明,，所提出的控制方法提高了對(duì)轉(zhuǎn)速和轉(zhuǎn)子位置的估計(jì)精度。

摘要:針對(duì)現(xiàn)有拖拉機(jī)牽引性能預(yù)測(cè)模型未包含前后輪附著差異,、載荷轉(zhuǎn)移和前后橋運(yùn)動(dòng)不協(xié)調(diào)等因素對(duì)滑轉(zhuǎn)效率和滾動(dòng)阻力的影響，導(dǎo)致四輪驅(qū)動(dòng)拖拉機(jī)的田間牽引性能預(yù)測(cè)精度較低,。為此本文從拖拉機(jī)輪胎的驅(qū)動(dòng)特性和載荷特性入手,，通過引入輪胎指數(shù)、機(jī)動(dòng)指數(shù)等特征參數(shù),，分別建立了土壤-輪胎驅(qū)動(dòng)模型與包含軸荷轉(zhuǎn)移的前后輪胎載荷模型;在牽引受力分析的基礎(chǔ)上,，考慮實(shí)際前后橋運(yùn)動(dòng)不協(xié)調(diào)性對(duì)總體底盤作業(yè)的影響，分別建立了整機(jī)滾動(dòng)效率與滑轉(zhuǎn)效率的預(yù)測(cè)模型,，導(dǎo)出了包含輪胎規(guī)格,、土壤特性、整機(jī)前后橋運(yùn)動(dòng)不協(xié)調(diào)特性,、傳動(dòng)效率的四輪驅(qū)動(dòng)拖拉機(jī)牽引性能預(yù)測(cè)模型,。針對(duì)模型多變量、非線性產(chǎn)生的求解難題,，基于雙維度迭代法設(shè)計(jì)了預(yù)測(cè)算法與流程;采用研究的方法開展了實(shí)例分析應(yīng)用;針對(duì)預(yù)測(cè)模型的有效性驗(yàn)證需求,，設(shè)計(jì)并開展了實(shí)車田間牽引試驗(yàn)，結(jié)果表明：最大牽引力與特征滑轉(zhuǎn)率對(duì)應(yīng)的牽引力的仿真值誤差分別為1.41%與1.74%,，滾動(dòng)阻力誤差為0.64%,，較對(duì)照組準(zhǔn)確度提升較大，總體誤差較小,。

摘要:對(duì)一種3T1R解耦并聯(lián)機(jī)構(gòu)的動(dòng)力學(xué)性能及其慣量耦合強(qiáng)度進(jìn)行了分析,。對(duì)機(jī)構(gòu)進(jìn)行運(yùn)動(dòng)學(xué)分析,，給出了機(jī)構(gòu)的位置正反解方程，得到動(dòng)平臺(tái)的雅可比矩陣,，推導(dǎo)了機(jī)構(gòu)各構(gòu)件的速度,、加速度;基于牛頓-歐拉法，考慮構(gòu)件重力以及外負(fù)載,，建立了機(jī)構(gòu)逆向動(dòng)力學(xué)模型,，并用ADAMS軟件進(jìn)行了仿真驗(yàn)證;基于所建的逆向動(dòng)力學(xué)模型,，分析了加速度和動(dòng)平臺(tái)姿態(tài)角對(duì)支鏈驅(qū)動(dòng)力的影響;基于關(guān)節(jié)空間的慣量矩陣，建立了慣量耦合強(qiáng)度評(píng)價(jià)指標(biāo),，分析了其在工作空間內(nèi)的分布規(guī)律,，并與降耦前Quadrupteron機(jī)構(gòu)的慣量耦合強(qiáng)度進(jìn)行了對(duì)比分析。結(jié)果表明,，結(jié)構(gòu)降耦不僅降低了支鏈間的耦合強(qiáng)度,，而且整個(gè)工作空間內(nèi)慣量耦合強(qiáng)度的分布更為一致，提升了機(jī)構(gòu)動(dòng)態(tài)性能的各向同性,。