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:隨著移動(dòng)機(jī)器人技術(shù)不斷發(fā)展，里程計(jì)技術(shù)已經(jīng)成為移動(dòng)機(jī)器人實(shí)現(xiàn)環(huán)境感知的關(guān)鍵技術(shù),，其發(fā)展水平對提高機(jī)器人的自主化和智能化具有重要意義,。首先，系統(tǒng)闡述了同步定位與地圖構(gòu)建(Simultaneous localization and mapping, SLAM)中激光SLAM和視覺SLAM的發(fā)展近況,，闡述了經(jīng)典SLAM框架及其數(shù)學(xué)描述,，簡要介紹了3類常見相機(jī)的相機(jī)模型及其視覺里程計(jì)的數(shù)學(xué)描述。其次,，分別對傳統(tǒng)視覺里程計(jì)和深度學(xué)習(xí)里程計(jì)的研究進(jìn)展進(jìn)行系統(tǒng)闡述,。對比分析了近10年來各類里程計(jì)算法的優(yōu)勢與不足。另外,，對比分析了7種常用數(shù)據(jù)集的性能,。最后，從精度,、魯棒性,、數(shù)據(jù)集,、多模態(tài)等方面總結(jié)了里程計(jì)技術(shù)面臨的問題，從提高算法實(shí)時(shí)性,、魯棒性等方面展望了視覺里程計(jì)的發(fā)展趨勢為：更加智能化,、小型化新型傳感器的發(fā)展；與無監(jiān)督學(xué)習(xí)融合,；語義表達(dá)技術(shù)的提高,；集群機(jī)器人協(xié)同技術(shù)的發(fā)展。

摘要:路徑跟蹤控制是提高自主導(dǎo)航系統(tǒng)控制精度的關(guān)鍵。針對在復(fù)雜農(nóng)田作業(yè)環(huán)境下轉(zhuǎn)彎時(shí)純跟蹤算法跟蹤精度不高的問題,，本文提出了一種基于改進(jìn)純追蹤模型的四輪同步轉(zhuǎn)向農(nóng)機(jī)路徑跟蹤控制算法,。建立了基于四輪同步轉(zhuǎn)向農(nóng)機(jī)的運(yùn)動(dòng)學(xué)模型和純跟蹤模型，在此基礎(chǔ)上考慮航向誤差得到改進(jìn)純跟蹤模型,，進(jìn)行RTK定位坐標(biāo)修正,，根據(jù)量化誤差的評價(jià)函數(shù)搜索前視區(qū)域最優(yōu)目標(biāo)點(diǎn)，得到最優(yōu)前視距離,。本文算法能實(shí)時(shí)確定四輪同步轉(zhuǎn)向農(nóng)機(jī)改進(jìn)純跟蹤模型中的前視距離,，使航向誤差和橫向誤差最小化，實(shí)現(xiàn)目標(biāo)點(diǎn)的自適應(yīng)優(yōu)化,。仿真結(jié)果表明,，本文方法轉(zhuǎn)彎時(shí)平均絕對橫向誤差減至0.035m，平均絕對航向誤差減至0.212°,；水田實(shí)驗(yàn)結(jié)果表明,，當(dāng)四輪同步轉(zhuǎn)向農(nóng)機(jī)作業(yè)速度為3.6km/h時(shí)，四輪轉(zhuǎn)向農(nóng)機(jī)軌跡跟蹤平均絕對橫向誤差減至0.109m,，平均絕對航向誤差減至2.799°,，轉(zhuǎn)彎跟蹤精度顯著提高。

摘要:丘陵山區(qū)茶園土壤板結(jié)、石礫較多,，使用傳統(tǒng)旋轉(zhuǎn)或移動(dòng)式開溝機(jī)會(huì)出現(xiàn)打石跳刀,、刀具無法入土、開溝不深,、作業(yè)阻力大的問題,。為此，依據(jù)人工鏟土具有自發(fā)性以最低功耗完成最優(yōu)作業(yè)路徑的特點(diǎn),，設(shè)計(jì)仿人工鏟土動(dòng)作的曲柄搖桿式開溝裝置,，并研制小型茶園往復(fù)式開溝松土機(jī)。通過分析人工使用鐵鍬鏟土的動(dòng)作,，建立入土,、切土、拋土的運(yùn)動(dòng)模型,，基于Matlab軟件分析得到人工鏟土?xí)r鐵鍬鍬尖運(yùn)動(dòng)軌跡的擬合方程,，以此方程為基準(zhǔn)，建立曲柄連桿機(jī)構(gòu)的目標(biāo)函數(shù),，結(jié)合約束條件解出曲柄搖桿機(jī)構(gòu)結(jié)構(gòu)參數(shù),，同時(shí)對開溝鏟進(jìn)行開溝阻力分析，確定開溝鏟的結(jié)構(gòu)參數(shù),。建立Recurdyn和EDEM耦合的開溝鏟-土壤互作仿真模型,，并進(jìn)行三因素三水平正交試驗(yàn)，對作業(yè)和結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化,，得到最優(yōu)參數(shù)組合：機(jī)器前進(jìn)速度v為0.06m/s,、曲柄轉(zhuǎn)速n為42r/min、入土傾角φ為80°,。田間試驗(yàn)結(jié)果表明,，茶園往復(fù)式開溝松土機(jī)作業(yè)平均開溝深度為211.5mm，開溝功率為0.119kW,，溝深穩(wěn)定性系數(shù)為90.9%,，相較于傳統(tǒng)旋轉(zhuǎn)式開溝機(jī)，開溝功率降低6.3%,，溝深穩(wěn)定性系數(shù)提高3.1個(gè)百分點(diǎn),，整機(jī)作業(yè)質(zhì)量滿足茶園農(nóng)藝要求。

摘要:為適應(yīng)新疆滴灌區(qū)寬窄行免耕種植模式,，解決傳統(tǒng)大型玉米免耕播種機(jī)播種過程中觸碰根茬、無法精確約束路徑,、玉米粒距合格率低等問題,，結(jié)合免耕播種農(nóng)藝要求，在采用導(dǎo)航定位技術(shù)獲取播種機(jī)當(dāng)前位置與目標(biāo)路徑間偏差的基礎(chǔ)上,，設(shè)計(jì)一種玉米免耕播種自動(dòng)調(diào)偏系統(tǒng),。該系統(tǒng)主要包括避茬裝置、液壓執(zhí)行系統(tǒng)和控制系統(tǒng),，通過建立整機(jī)力學(xué)模型,，對避茬裝置和液壓執(zhí)行系統(tǒng)進(jìn)行運(yùn)動(dòng)和受力分析，確定避茬裝置和液壓執(zhí)行系統(tǒng)關(guān)鍵結(jié)構(gòu)參數(shù),，獲取避茬裝置最佳掛接長度和液壓執(zhí)行系統(tǒng)最大驅(qū)動(dòng)力,。進(jìn)一步優(yōu)化控制系統(tǒng)，實(shí)現(xiàn)避茬裝置自動(dòng)調(diào)偏及接收反饋信息功能,。對免耕播種避茬裝置自動(dòng)調(diào)偏系統(tǒng)進(jìn)行性能試驗(yàn),，試驗(yàn)結(jié)果表明，神經(jīng)網(wǎng)絡(luò)PID的期望調(diào)偏角最大穩(wěn)態(tài)誤差為0.932°,，超調(diào)量全部小于1%,，平均響應(yīng)穩(wěn)態(tài)誤差小于0.9°，滿足預(yù)期,。田間試驗(yàn)結(jié)果表明,，當(dāng)拖拉機(jī)作業(yè)速度不大于1.0m/s、行間秸稈覆蓋量不大于1.0kg/m2時(shí),，避茬率不小于85%,，縱向調(diào)整距離不大于8.6m，玉米粒距變異系數(shù)不大于21.63%,。此時(shí)播種機(jī)調(diào)偏避茬效果最佳,，滿足玉米免耕播種機(jī)農(nóng)藝指標(biāo)要求。

摘要:針對大豆-玉米復(fù)合密植播種模式下傳統(tǒng)氣吸式排種器單行種盤高轉(zhuǎn)速作業(yè)導(dǎo)致充種時(shí)間短、氣流穩(wěn)定性差,，難以實(shí)現(xiàn)高速精量密植播種的問題,，設(shè)計(jì)了一種氣吸雙行錯(cuò)置式玉米密植精量排種器，闡述了排種器結(jié)構(gòu)與工作原理，對其工作過程及關(guān)鍵部件進(jìn)行理論分析,，構(gòu)建充種和投種環(huán)節(jié)的種子力學(xué)模型,，確定排種盤內(nèi)外環(huán)型孔排布、投種輪,、氣室等關(guān)鍵結(jié)構(gòu)參數(shù),，并開展單、雙氣道內(nèi)負(fù)壓分布,、型孔內(nèi)氣流場特性分析，基于DEM-CFD耦合方法對排種器的排種過程進(jìn)行仿真分析,，以作業(yè)速度,、氣室結(jié)構(gòu)和負(fù)壓為試驗(yàn)因素，充種合格指數(shù),、重充指數(shù)和漏充指數(shù)為評價(jià)指標(biāo),，優(yōu)選出最優(yōu)氣室結(jié)構(gòu)。通過臺(tái)架試驗(yàn)開展不同氣吸式排種器排種性能對比試驗(yàn),。試驗(yàn)結(jié)果表明,，在作業(yè)速度為5~10km/h的高速密植工況下，氣吸雙行錯(cuò)置式密植精量排種器排種合格指數(shù)均大于88.7%,，且作業(yè)速度為10km/h時(shí),，相較于常用單圓環(huán)氣吸式排種器合格指數(shù)提高5.5個(gè)百分點(diǎn)，漏播指數(shù)降低5.6個(gè)百分點(diǎn),；田間試驗(yàn)結(jié)果表明,，在作業(yè)速度為5km/h下，播種合格指數(shù)為95.7%,，重播指數(shù)為1.6%,，漏播指數(shù)為2.8%。提出的氣吸雙行錯(cuò)置式玉米密植精量排種器在高速作業(yè)時(shí)擁有良好的排種性能,，能夠滿足大豆-玉米高速精量密植播種要求,。

摘要:針對花生播種向精準(zhǔn),、高速方向發(fā)展過程中高速作業(yè)狀態(tài)下花生種子充種效果差的問題,，設(shè)計(jì)了一種氣力輔助充種式花生精量排種器，重點(diǎn)設(shè)計(jì)了排種器排種盤結(jié)構(gòu)和氣力輔助充種結(jié)構(gòu),。針對顆粒尺寸大,、質(zhì)量大的花生種子，通過對花生種子在排種器中堆積現(xiàn)象與充種時(shí)間進(jìn)行分析，得出花生高速排種充種過程需增強(qiáng)充種性能,，從而提高充種效率,。通過對花生種子進(jìn)行充種原理分析，闡明花生種子充種過程中種子與排種器的運(yùn)動(dòng)關(guān)系與受力關(guān)系,，分析充種過程影響因素,。通過設(shè)計(jì)帶有導(dǎo)種槽的排種盤和帶有輔助吹種型孔的輔助充種結(jié)構(gòu)，分析計(jì)算排種盤吸種孔,、導(dǎo)種槽的關(guān)鍵結(jié)構(gòu)參數(shù)以及輔助吹種型孔參數(shù)與排列方式,。以充種合格率和充種漏充率為指標(biāo)，進(jìn)行三因素三水平組合試驗(yàn),，對試驗(yàn)結(jié)果進(jìn)行多元回歸分析,，以最優(yōu)目標(biāo)進(jìn)行優(yōu)化，確定排種盤最佳參數(shù)組合為排種器吸種負(fù)壓5.156kPa,、花生高速播種機(jī)前進(jìn)速度8.007km/h,、擾動(dòng)吹種正壓1.149kPa，此時(shí),，花生充種合格率為95.84%,、漏充率為4.06%，能夠?qū)崿F(xiàn)花生種子有效充種,。

摘要:為解決免耕播種機(jī)高速（12~16km/h）作業(yè)時(shí)因地勢起伏造成機(jī)械振動(dòng)與傳感器測量誤差導(dǎo)致的播種深度監(jiān)測系統(tǒng)精度降低,，以及單一傳感器監(jiān)測可靠性較差的問題,，研究了一種基于改進(jìn)野馬算法（Improved wild horse optimizer，IWHO）優(yōu)化擴(kuò)展卡爾曼濾波器（Extended Kalman filter,，EKF）中關(guān)鍵參數(shù)Qsigma,、Rsigma1、Rsigma2,、Rsigma3的多傳感器數(shù)據(jù)融合算法（IWHO-EKF）的高速免耕播種機(jī)播種深度監(jiān)測系統(tǒng),。首先，建立以激光,、超聲波與角度傳感器為多傳感器監(jiān)測單元的播種深度監(jiān)測模型,；其次，通過卡爾曼濾波算法對3個(gè)單一傳感器分別濾波,；最后,，提出一種加入萊維飛行與高斯變異的IWHO-EKF算法,，將濾波后的3個(gè)單一傳感器進(jìn)行數(shù)據(jù)融合，從而解決機(jī)械振動(dòng)干擾與傳感器測量誤差降低的問題,，同時(shí)充分發(fā)揮多傳感器融合信息,，確保免耕播種機(jī)高速作業(yè)時(shí)實(shí)現(xiàn)高精度、高可靠性播種深度實(shí)時(shí)監(jiān)測,。為驗(yàn)證其優(yōu)越性,，通過IWHO-EKF算法與單一傳感器監(jiān)測、單一傳感器濾波和WHO-EKF算法進(jìn)行仿真對比試驗(yàn)與田間試驗(yàn),。仿真試驗(yàn)表明：基于IWHO-EKF的高速免耕播種機(jī)播種深度監(jiān)測算法平均絕對誤差為0.073cm,，均方根誤差為0.090cm，相關(guān)系數(shù)為0.983,，實(shí)現(xiàn)了高精度監(jiān)測,，且精度相較于傳感器原始監(jiān)測值、濾波值與WHO-EKF算法均顯著提升,。田間試驗(yàn)結(jié)果表明：基于IWHO-EKF算法的高速免耕播種機(jī)播種深度監(jiān)測系統(tǒng)相較于3個(gè)單一傳感器監(jiān)測值,，平均絕對誤差和平均均方根誤差分別降低0.063cm和0.067cm,，同時(shí)平均相關(guān)系數(shù)提升0.027,，該系統(tǒng)能夠提高播種深度監(jiān)測系統(tǒng)的精確性和可靠性。

摘要:針對胡麻播種機(jī)用種量大、播量變異系數(shù)大,、播種不均勻的問題,，基于胡麻種子物理特性和種植農(nóng)藝要求，設(shè)計(jì)一種舀種勺舌式胡麻精量穴播器,。通過分析穴播器工作原理確定穴播器組成,、舀種勺結(jié)構(gòu)參數(shù)范圍及安裝數(shù)量；對舀種勺舀種過程和清種過程進(jìn)行力學(xué)分析,，確定穴播器角速度范圍,；通過EDEM仿真過程得知，花紋內(nèi)壁聚種斜槽在不影響舀種勺填充效果的同時(shí),，不僅可以提高仿真效率,，還可以增大種子流動(dòng)性，便于舀種勺充種,。以穴播器角速度,、舀種勺頂端過渡圓角半徑,、種室隔離板高度為試驗(yàn)因素，穴播器排種合格率,、漏播率和重播率為試驗(yàn)指標(biāo),，利用EDEM離散元仿真軟件開展二次旋轉(zhuǎn)正交組合試驗(yàn)，得到最優(yōu)參數(shù)組合為：穴播器角速度2.9rad/s,、舀種勺頂端過渡圓角半徑2.5mm,、種室隔離板高6.8mm；將該舀種勺3D打印制作進(jìn)行排種性能試驗(yàn)驗(yàn)證,，臺(tái)架試驗(yàn)得到該舀種勺排種合格率,、漏播率和重播率平均值分別為87.00%、6.33%,、6.67%,；田間試驗(yàn)得到該舀種勺排種合格率為88.33%，漏播率為6.67%,，重播率為5.00%,；胡麻平均種植密度為50株/m2，其臺(tái)架試驗(yàn)與田間試驗(yàn)結(jié)果基本一致,，性能滿足胡麻精量播種農(nóng)藝要求,。

摘要:為了降低番茄缽苗移栽過程取缽機(jī)構(gòu)對秧苗缽?fù)粮档膿p傷,，同時(shí)避免機(jī)械式缽苗移栽機(jī)構(gòu)設(shè)計(jì)特殊取苗軌跡與姿態(tài)的優(yōu)化難題，提出了一種可與系列移栽機(jī)構(gòu)配合使用的番茄缽苗探出式取缽機(jī)構(gòu),，實(shí)現(xiàn)取苗各關(guān)鍵位置機(jī)構(gòu)秧針以固定角度完成探出入缽,、移動(dòng)送苗及收回推秧工序。根據(jù)缽苗移栽取缽過程分析與設(shè)計(jì)要求,，建立了探出式取缽機(jī)構(gòu)力學(xué)分析模型,，并獲得影響秧針扎入缽?fù)習(xí)r驅(qū)動(dòng)桿受最小驅(qū)動(dòng)力的因素?；贛atlab App Designer平臺(tái)開發(fā)了取缽機(jī)構(gòu)計(jì)算機(jī)輔助分析設(shè)計(jì)軟件,，獲得滿足番茄缽苗移栽要求的取缽機(jī)構(gòu)設(shè)計(jì)參數(shù)集。采用三因素五水平二次回歸正交旋轉(zhuǎn)中心組合試驗(yàn)方法,，以驅(qū)動(dòng)桿斜桿夾角,、缽體含水率、入缽深度為試驗(yàn)因素,，以缽體完整率和取苗成功率為評價(jià)指標(biāo),，試制樣機(jī)并搭建臺(tái)架實(shí)施參數(shù)組合優(yōu)化及驗(yàn)證試驗(yàn),，結(jié)果表明：探出式取缽機(jī)構(gòu)可有效地配合取苗機(jī)構(gòu)完成各項(xiàng)性能工作要求，在參數(shù)組合為驅(qū)動(dòng)斜桿間夾角112°,、缽體含水率57.5%,、入缽深度28.4mm時(shí)作業(yè)效果最佳，缽體完整率為96.44%,，取苗成功率為97.06%,，滿足缽苗移栽作業(yè)性能。

摘要:目前植物工廠巖棉塊種苗移植裝備自動(dòng)化程度低,，作業(yè)時(shí)大多依賴于人工，勞動(dòng)強(qiáng)度大,，效率低,?；谥参锕S水培葉菜種苗移植現(xiàn)狀設(shè)計(jì)了一種二級(jí)變間距的高速移植部件,，并配備有一種撥指式定植杯分離輔助機(jī)構(gòu)。對移植手取苗過程中巖棉塊種苗進(jìn)行受力分析,，為移植手設(shè)計(jì)提供依據(jù),；開展撥指式定植杯分離輔助機(jī)構(gòu)落杯試驗(yàn)，為后續(xù)植苗至栽培槽孔的定植杯中奠定基礎(chǔ),。搭建移植機(jī)構(gòu)試驗(yàn)平臺(tái),，以取苗深度、巖棉塊含水率,、移植部件橫移速度,、移植手升降速度、移植手夾苗間距為試驗(yàn)因素進(jìn)行五因素三水平正交試驗(yàn),，通過方差分析各因素對移植成功率的影響,。試驗(yàn)結(jié)果表明：當(dāng)取苗深度為24mm、巖棉塊含水率為90%,、移植部件橫移速度為0.8m/s,、移植手升降速度為0.24m/s,、移植手夾苗間距為14mm時(shí)，機(jī)構(gòu)移植成功率為97.9%,，移植速度為3.132株/h,，能夠滿足高速、高效,、穩(wěn)定的植物工廠巖棉塊葉菜種苗移植機(jī)械化作業(yè)的技術(shù)需求,。

摘要:為提高設(shè)施蔬菜生產(chǎn)機(jī)械化率,，設(shè)計(jì)了一種雙排夾莖式取投苗裝置。利用兩個(gè)對置移栽臂上的雙排夾取爪實(shí)現(xiàn)辣椒苗循環(huán)取投苗作業(yè),，PLC控制系統(tǒng)保證取投苗裝置有序平穩(wěn)運(yùn)轉(zhuǎn),。夾取爪核心部件由軟性材料和彈簧鋼片緊貼構(gòu)成，其精確定位由水平和豎直運(yùn)動(dòng)機(jī)構(gòu)實(shí)現(xiàn),。分析軟性材料厚度,、辣椒苗苗齡、夾取爪氣缸壓力對取苗失敗率,、運(yùn)苗失敗率和投苗失敗率的影響規(guī)律,，以取投成功率為優(yōu)化目標(biāo)進(jìn)行正交試驗(yàn)，確定雙排自動(dòng)取投苗裝置的最佳工作參數(shù),。試驗(yàn)結(jié)果表明：當(dāng)軟性材料厚度為10mm,、辣椒苗苗齡為51d、夾取爪氣缸壓力為0.40MPa時(shí),，平均取投成功率達(dá)到94.6%,，基本滿足蔬菜移栽作業(yè)的技術(shù)要求。

摘要:為了提高蔬菜育苗流水線育苗盤轉(zhuǎn)運(yùn)效率，針對人工取盤疊放存在的勞動(dòng)強(qiáng)度大和整齊度偏低的問題,，設(shè)計(jì)了一款針對蔬菜漂浮育苗的多適應(yīng)性自動(dòng)疊盤裝置,。該裝置由機(jī)架、育苗盤輸送機(jī)構(gòu),、育苗盤疊盤機(jī)構(gòu)和控制系統(tǒng)組成,，裝置以200Smart PLC為控制核心,，利用主副傳送帶實(shí)現(xiàn)育苗盤的輸送，并結(jié)合光電傳感器實(shí)現(xiàn)育苗盤的定位,，可以完成不同尺寸泡沫育苗盤的自動(dòng)疊盤,，設(shè)計(jì)的水平調(diào)節(jié)單元和減振單元可實(shí)現(xiàn)育苗盤在疊盤機(jī)構(gòu)上的水平位置調(diào)節(jié)并降低疊盤過程的振動(dòng)沖擊。試驗(yàn)結(jié)果表明,，育苗流水線播種環(huán)節(jié)在生產(chǎn)率450盤/h下,，自動(dòng)疊盤裝置在減振彈簧線徑為1.5mm、主副傳送帶速度差為0.1m/s以及電缸升降速度為0.13m/s時(shí),，200孔穴育苗盤疊盤效果最佳,，疊盤成功率為100%，疊盤錯(cuò)位差方差為2.32mm2,，同時(shí)振動(dòng)檢測試驗(yàn)中育苗盤X軸,、Y軸、Z軸方向的振幅均未超過0.8mm,，更換135,、160孔穴的泡沫育苗盤進(jìn)行試驗(yàn)，疊盤成功率均為100%,，疊盤錯(cuò)位差方差分別為3.94mm2和5.98mm2,，說明該裝置滿足多適應(yīng)性的要求。在此最優(yōu)作業(yè)參數(shù)下,，將育苗流水線播種環(huán)節(jié)生產(chǎn)率提升至900盤/h時(shí),，育苗盤最大振幅為0.709mm，振幅無明顯變化,，說明該裝置作業(yè)穩(wěn)定性較好,。該研究結(jié)果可為播種流水線疊盤裝置提高疊盤效果和降低疊盤振動(dòng)等研究提供參考。

摘要:針對機(jī)收殘膜混合物資源化利用困難,、現(xiàn)有粉碎與揉絲裝置處理的殘膜混合物不滿足白星花金龜幼蟲適口性等問題，設(shè)計(jì)了一種殘膜混合物粉碎揉絲裝置,，利用粉碎揉絲技術(shù)對殘膜混合物進(jìn)行加工處理以滿足白星花金龜幼蟲的適口性,。該裝置主要由粉碎裝置、輸送裝置和揉絲裝置等組成,，通過對殘膜混合物粉碎,、揉絲裝置作業(yè)過程進(jìn)行運(yùn)動(dòng)學(xué)與動(dòng)力學(xué)分析確定了各零部件的結(jié)構(gòu)參數(shù)與工作參數(shù),。為了驗(yàn)證殘膜混合物粉碎揉絲裝置的作業(yè)性能，以粉碎輥轉(zhuǎn)速,、揉絲輥轉(zhuǎn)速與揉絲輥間隙作為試驗(yàn)因素,，殘膜破碎合格率、棉稈粉碎長度合格率,、棉稈揉絲率為試驗(yàn)指標(biāo)進(jìn)行三因素三水平二次回歸響應(yīng)面試驗(yàn),，建立了回歸模型，分析了各因素對殘膜混合物粉碎揉絲裝置作業(yè)性能的影響,，并進(jìn)行了參數(shù)優(yōu)化與試驗(yàn)驗(yàn)證,。試驗(yàn)結(jié)果表明：影響殘膜破碎合格率和棉稈粉碎長度合格率的因素大小順序?yàn)榉鬯檩佫D(zhuǎn)速、揉絲輥間隙,、揉絲輥轉(zhuǎn)速,；影響棉稈揉絲率的因素大小順序?yàn)槿嘟z輥間隙、揉絲輥轉(zhuǎn)速,、粉碎輥轉(zhuǎn)速,。優(yōu)化后最優(yōu)工作參數(shù)組合為：粉碎輥轉(zhuǎn)速13.0r/min、揉絲輥轉(zhuǎn)速60.0r/min,、揉絲間隙1.6mm,。以此參數(shù)組合進(jìn)行試驗(yàn)，得到殘膜破碎合格率,、棉稈粉碎長度合格率和棉稈揉絲率平均值分別為90.4%,、92.6%、92.2%,，與理論優(yōu)化值相對誤差不超過2.0%,，研究結(jié)果可為殘膜混合物粉碎揉絲裝置的設(shè)計(jì)提供參考。

摘要:設(shè)計(jì)了基于頂芽智能識(shí)別的棉花化學(xué)打頂系統(tǒng)，為實(shí)現(xiàn)精準(zhǔn)作業(yè),，合理高效使用棉花化學(xué)打頂藥劑,，以減少因化學(xué)打頂劑的過度使用造成的環(huán)境污染。該系統(tǒng)主要由棉花頂芽識(shí)別系統(tǒng),、控制系統(tǒng)和噴施系統(tǒng)組成,。采用YOLO v5s算法構(gòu)建棉花頂芽識(shí)別模型。控制系統(tǒng)采用STM32F407單片機(jī),，負(fù)責(zé)接收識(shí)別系統(tǒng)的信號(hào),，并對各個(gè)棉花打頂劑管道進(jìn)行控制。同時(shí),，顯示界面能夠?qū)崟r(shí)顯示機(jī)具行駛速度,、藥液流量、打頂劑液位等參數(shù),。試驗(yàn)結(jié)果表明,，在田間全天光照試驗(yàn)中，上午和下午時(shí)間段識(shí)別效果最優(yōu),；在速度0.4m/s下,，平均識(shí)別率約為94%；信號(hào)發(fā)送區(qū)間為100mm時(shí),，成功向下位機(jī)發(fā)送信號(hào)的成功率達(dá)到92%,；田間對靶噴施試驗(yàn)表明，有效噴施率為94%,，滿足作業(yè)要求,。

摘要:為揭示超聲技術(shù)應(yīng)用于簇生番茄切割采收的機(jī)理及優(yōu)勢,，比較了簇生番茄果梗材料在常規(guī)切割和超聲切割中的切割力和去除特性。首先測定了簇生番茄果梗和自制超聲切割刀的參數(shù),，然后基于Abaqus進(jìn)行仿真,，將果梗纖維化，在宏觀和微觀仿真中對比常規(guī)切割和超聲切割過程中的應(yīng)力及去除機(jī)理,。最后,，自制試驗(yàn)臺(tái)，通過改變超聲切割刀的激振頻率,、輸入電壓,、切割速度和切割角度進(jìn)行切割力測定試驗(yàn)并采用響應(yīng)面法的Box-Behnken進(jìn)行四因素三水平分析，隨后觀察果梗斷面形貌,。結(jié)果表明：在自制超聲刀工作頻率（35~37kHz）和電壓（340~380V）內(nèi), 切割速度,、角度對切割效果影響最顯著，激振頻率和輸入電壓在特定值附近時(shí)切割效果最好,；在36kHz、360V、0.125cm/s,、0°的條件下,，仿真中超聲切割耗時(shí)約為8s，平均最大切割力為0.635N,，相對于常規(guī)切割（1.019N）降低37.7%,；試驗(yàn)中超聲切割耗時(shí)約為5.3s，所需切割力最大為0.543N,，相較于常規(guī)最大切割力（1.017N）降低46.6%,，同時(shí)表面粗糙度降低20.9%，試驗(yàn)與有限元仿真的切割力結(jié)果誤差為8.9%,，基本吻合,。超聲切割可以降低切割力，縮短切割耗時(shí),，同時(shí)還提高斷面質(zhì)量,，減少果梗組織損傷、水分散失,，對延長果實(shí)保鮮時(shí)間具有一定的意義,。

摘要:液力透平作為一種液體余壓能回收裝置,，在小水電建設(shè)和能量回收領(lǐng)域得到廣泛應(yīng)用,，但其內(nèi)部能量損失特性不清。以兩級(jí)徑流式液力透平為研究對象,，基于熵產(chǎn)理論和Omega渦識(shí)別準(zhǔn)則分析了各過流部件內(nèi)能量耗散機(jī)理,。結(jié)果表明：速度脈動(dòng)和壁面效應(yīng)是能量損失的主要來源，設(shè)計(jì)工況下二者總占比為98.03%,。葉輪和導(dǎo)葉是透平內(nèi)能量耗散的主要區(qū)域,；小流量工況，葉輪損失占比較高,；大流量工況下,，導(dǎo)葉損失占比較高。葉輪內(nèi)的能量損失源于葉片前緣分離渦,、吸力面回流渦以及葉片尾緣渦等不穩(wěn)定流動(dòng)現(xiàn)象,，而相對液流角與葉片進(jìn)口安放角的不匹配是導(dǎo)致葉輪內(nèi)產(chǎn)生不穩(wěn)定流動(dòng)的根本原因；在導(dǎo)葉和導(dǎo)葉Ⅱ-反導(dǎo)葉中,，不同流量下導(dǎo)致其能量耗散的因素基本保持一致,，葉片前緣失速渦和流動(dòng)分離等劣態(tài)流動(dòng)引起的動(dòng)量交換是導(dǎo)致能量損失的主要原因。環(huán)形吸水室內(nèi)流動(dòng)的非對稱性導(dǎo)致導(dǎo)葉Ⅰ各流道內(nèi)熵產(chǎn)率分布不均勻，而導(dǎo)葉Ⅱ-反導(dǎo)葉通過正導(dǎo)葉的整流減小了沖擊效應(yīng),，各流道內(nèi)熵產(chǎn)率分布均勻且高熵區(qū)較小,。

摘要:為了提高冬小麥單產(chǎn)估測精度,，改善估產(chǎn)模型存在的高產(chǎn)低估和低產(chǎn)高估等現(xiàn)象，以陜西省關(guān)中平原為研究區(qū)域,，選取旬尺度條件植被溫度指數(shù)（VTCI）,、葉面積指數(shù)（LAI）和光合有效輻射吸收比率（FPAR）為遙感特征參數(shù)，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）局部特征提取能力和基于自注意力機(jī)制的Transformer網(wǎng)絡(luò)的全局信息提取能力,，構(gòu)建CNN-Transformer深度學(xué)習(xí)模型,，用于估測關(guān)中平原冬小麥產(chǎn)量。與Transformer模型（R2為0.64,，RMSE為465.40kg/hm2,，MAPE為8.04%）相比，CNN-Transformer模型具有更高的冬小麥單產(chǎn)估測精度（R2為0.70,，RMSE為420.39kg/hm2,，MAPE為7.65%），能夠從遙感多參數(shù)中提取更多與產(chǎn)量相關(guān)的信息,，且對于Transformer模型存在的高產(chǎn)低估和低產(chǎn)高估現(xiàn)象均有所改善,。基于5折交叉驗(yàn)證法和留一法進(jìn)一步驗(yàn)證了CNN-Transformer模型的魯棒性和泛化能力,。此外,，基于CNN-Transformer模型捕獲冬小麥生長過程的累積效應(yīng)，分析逐步累積旬尺度輸入?yún)?shù)對產(chǎn)量估測的影響,，評估模型對于冬小麥不同生長階段的累積過程的表征能力,。結(jié)果表明，模型能有效捕捉冬小麥生長的關(guān)鍵時(shí)期,，3月下旬至5月上旬是冬小麥生長的關(guān)鍵時(shí)期,。

摘要:針對高光譜圖像(Hyperspectral image,，HSI)分類研究中小樣本學(xué)習(xí)時(shí),，無法達(dá)到理想分類效果的問題,，以多注意力機(jī)制融合、編譯圖神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合提出了一種新的高光譜圖像分類方法,。設(shè)計(jì)了一種基于混合注意力機(jī)制的網(wǎng)絡(luò)(Multiple mixed attention convolutional neural network,MCNN)與編譯圖神經(jīng)網(wǎng)絡(luò)（Compiled graph neural network,CGNN）,在學(xué)習(xí)樣本有限的情況下,，其能有效保留HSI的光譜與空間信息,。引入的圖編碼器與圖解碼器可以有效地映射不規(guī)則的HSI地物類別特征信息,。設(shè)計(jì)的多注意力機(jī)制可以重點(diǎn)關(guān)注一些重要的空間像素特征。研究了不同訓(xùn)練樣本下對不同算法學(xué)習(xí)示例分類的影響,，在公共數(shù)據(jù)集Botswana (BS)的實(shí)驗(yàn)表明,，本文方法比CEGCN(CNN-enhanced graph convolutional network)、WFCG(Weighted feature fusion of convolutional neural network)算法總體分類精度(Overall classification accuracy,OA)分別高2.72,、3.86個(gè)百分點(diǎn),。同樣在IndianPines(IP)數(shù)據(jù)集上僅用3%訓(xùn)練樣本數(shù)據(jù)的實(shí)驗(yàn)結(jié)果顯示，本研究方法比CEGCN與WFCG算法的OA分別高0.44,、1.42個(gè)百分點(diǎn),。說明本研究提出的方法不僅對HSI具有良好的空間與光譜信息感知能力,，而且在微小學(xué)習(xí)數(shù)據(jù)下仍然表現(xiàn)出強(qiáng)有力的分類準(zhǔn)確性,。

摘要:為準(zhǔn)確獲取柑橘果園空間分布信息,，實(shí)現(xiàn)柑橘種植結(jié)構(gòu)調(diào)整,、產(chǎn)量估算和資源管理,，以贛南3個(gè)柑橘種植主產(chǎn)區(qū)（信豐縣,、安遠(yuǎn)縣及尋烏縣）為研究區(qū)域,，針對南方地區(qū)多云多雨導(dǎo)致傳統(tǒng)光學(xué)影像較為缺乏的問題，使用Sentinel系列數(shù)據(jù)和PIE-Engine平臺(tái),，構(gòu)建和優(yōu)選了光譜特征,、植被水體指數(shù)特征、紅邊波段特征和紋理特征,，并引入時(shí)間序列Sentinel-1合成孔徑雷達(dá)（SAR）數(shù)據(jù)的后向散射系數(shù),，共同探討不同特征組合對柑橘種植園的識(shí)別提取效果，基于隨機(jī)森林算法并融合Sentinel-2與時(shí)序Sentinel-1 SAR特征識(shí)別提取了贛南柑橘種植區(qū),。結(jié)果表明：5,、9、11月柑橘種植園與其他地物的平均后向散射系數(shù)分離性最佳,，是識(shí)別提取柑橘的關(guān)鍵時(shí)期,；指數(shù)特征及紋理特征參與分類改善了分類效果且提高了分類精度；相較于單一SAR特征及指數(shù),、紋理特征,，加入時(shí)序SAR特征的分類結(jié)果中總體精度達(dá)90.084%,，Kappa系數(shù)達(dá)0.863，錯(cuò)分,、漏分誤差較小,，符合實(shí)際地物分布情況，說明了時(shí)序SAR特征的可用性和實(shí)用性,。本研究可為多云多雨的南方柑橘果園的識(shí)別提取提供參考,。

摘要:農(nóng)業(yè)監(jiān)測智慧化需要實(shí)時(shí),、高效,、可靠的視頻數(shù)據(jù)處理和傳輸方案，為了解決傳統(tǒng)基于CPU和GPU架構(gòu)的系統(tǒng)速率低,、實(shí)時(shí)性差的問題,，設(shè)計(jì)了基于Zynq架構(gòu)的PCIe級(jí)聯(lián)網(wǎng)口的高速傳輸系統(tǒng)。針對PCIe接口開發(fā),，在硬件層面,，優(yōu)化配置 XDMA IP核參數(shù)，完成接口的數(shù)據(jù)收發(fā)引擎設(shè)計(jì),，并基于MIG 7 IP核優(yōu)化配置了DDR緩存區(qū),。在軟件層面，基于PCIe驅(qū)動(dòng),，調(diào)度VLC軟件完成視頻數(shù)據(jù)讀取,，實(shí)現(xiàn)板卡和上位機(jī)之間數(shù)據(jù)的快速收發(fā)和流暢播放。針對網(wǎng)口協(xié)議棧的實(shí)現(xiàn),，利用ARM可編程特性,，調(diào)度LWIP輕量級(jí)協(xié)議棧，完成TCP協(xié)議的開發(fā),，實(shí)現(xiàn)了網(wǎng)口的數(shù)據(jù)快速收發(fā),，避免了上位機(jī)CPU直接處理網(wǎng)絡(luò)協(xié)議的時(shí)延和運(yùn)算開銷。此外調(diào)度AXI協(xié)議完成PCIe接口和網(wǎng)口的高速連通,。在Zynq MZ7030FA平臺(tái)上傳輸視頻文件對系統(tǒng)進(jìn)行速率和可靠性實(shí)測,。結(jié)果表明：網(wǎng)口傳輸速率達(dá)800Mb/s，基本實(shí)現(xiàn)了千兆以太網(wǎng),；PCIe接口的最高傳輸速率達(dá)816MB/s,，逼近硬件PCIe 2.0 x2的最高速率，且整個(gè)系統(tǒng)在應(yīng)用層上實(shí)現(xiàn)了可靠傳輸,。本文的研究為農(nóng)業(yè)監(jiān)測視頻傳輸應(yīng)用提供了高效可靠的解決方案,，且系統(tǒng)具有較好的擴(kuò)展性和推廣性,。

摘要:面向綠熟番茄采后持續(xù)轉(zhuǎn)熟特征,，適時(shí)調(diào)溫是滿足不同成熟度番茄適宜貯運(yùn)溫度需求的關(guān)鍵,，而果實(shí)成熟度自動(dòng)識(shí)別與動(dòng)態(tài)預(yù)測則是實(shí)現(xiàn)溫度適時(shí)調(diào)控的基礎(chǔ)條件。本文基于Swin Transformer與改進(jìn)GRU提出了一種番茄成熟度識(shí)別與時(shí)序動(dòng)態(tài)預(yù)測模型,，首先通過融合番茄兩側(cè)圖像獲取番茄表觀全局紅色總占比,，構(gòu)建不同成熟番茄圖像數(shù)據(jù)集,，并基于遷移學(xué)習(xí)優(yōu)化Swin Transformer模型初始權(quán)重配置,，實(shí)現(xiàn)番茄成熟度分類識(shí)別；其次,，周期性采集不同儲(chǔ)藏溫度（4,、9、14℃）下番茄圖像數(shù)據(jù),，結(jié)合番茄初始顏色特征與貯藏環(huán)境信息,，構(gòu)建基于Swin Transformer與GRU的番茄成熟度時(shí)序預(yù)測模型，并融合時(shí)間注意力模塊優(yōu)化模型預(yù)測精度,；最后,，對比分析不同模型預(yù)測結(jié)果，驗(yàn)證本研究所提模型的準(zhǔn)確性與優(yōu)越性,。結(jié)果表明,，番茄成熟度正確識(shí)別率為95.783%，相比VGG16,、AlexNet,、ResNet50模型，模型正確識(shí)別率分別提升2.83%,、3.35%,、12.34%。番茄成熟度時(shí)序預(yù)測均方誤差（MSE）為0.225,，相比原始GRU,、LSTM、BiGRU模型MSE最高降低29.46%,。本研究為兼顧番茄成熟度實(shí)現(xiàn)貯藏溫度柔性適時(shí)調(diào)控提供了關(guān)鍵理論基礎(chǔ),。

摘要:密集蘑菇簇會(huì)嚴(yán)重影響蘑菇質(zhì)量和自動(dòng)采摘成功率,。為避免形成超密集蘑菇簇,，提出一種蘑菇生長狀態(tài)時(shí)空預(yù)測算法，對蘑菇生長狀態(tài)進(jìn)行預(yù)測以指導(dǎo)提前疏蕾,。該算法采用編碼器-預(yù)測器框架,，將歷史序列圖像轉(zhuǎn)換為3D張量序列作為模型的輸入；編碼器網(wǎng)絡(luò)中將卷積和長短時(shí)記憶（Long short term memory,，LSTM）網(wǎng)絡(luò)融合實(shí)現(xiàn)對蘑菇生長的時(shí)空相關(guān)性特征的提?。辉陬A(yù)測網(wǎng)絡(luò)中加入擴(kuò)散模型以解決預(yù)測圖像的模糊問題,；此外,，在損失函數(shù)中增加了蘑菇面積差異損失函數(shù)來進(jìn)一步減小預(yù)測蘑菇與實(shí)際蘑菇的形狀和位置偏差。實(shí)驗(yàn)結(jié)果表明,，本文算法峰值信噪比可達(dá)35.611dB,、多層級(jí)結(jié)構(gòu)相似性為 0.927、蘑菇預(yù)測準(zhǔn)確性高達(dá)0.93,，有效提高了蘑菇生長狀態(tài)圖像預(yù)測質(zhì)量和精度,，為食用菌生長預(yù)測提供了一種新思路。

摘要:針對自然果園環(huán)境下蘋果果實(shí)識(shí)別中,，傳統(tǒng)的目標(biāo)檢測算法往往很難在檢測模型的檢測精度,、速度和輕量化方面實(shí)現(xiàn)平衡，提出了一種基于改進(jìn)YOLO v7的輕量化蘋果檢測模型,。首先,，引入部分卷積（Partial convolution，PConv）替換多分支堆疊模塊中的部分常規(guī)卷積進(jìn)行輕量化改進(jìn),，以降低模型的參數(shù)量和計(jì)算量,；其次，添加輕量化的高效通道注意力（Efficient channel attention,，ECA）模塊以提高網(wǎng)絡(luò)的特征提取能力,，改善復(fù)雜環(huán)境下遮擋目標(biāo)的錯(cuò)檢漏檢問題；在模型訓(xùn)練過程中采用基于麻雀搜索算法（Sparrow search algorithm,，SSA）的學(xué)習(xí)率優(yōu)化策略來進(jìn)一步提高模型的檢測精度,。試驗(yàn)結(jié)果顯示：相比于YOLO v7原始模型，改進(jìn)后模型的精確率,、召回率和平均精度分別提高4.15,、0.38、1.39個(gè)百分點(diǎn)，其參數(shù)量和計(jì)算量分別降低22.93%和27.41%,，在GPU和CPU上檢測單幅圖像的平均用時(shí)分別減少0.003s和0.014s,。結(jié)果表明，改進(jìn)后的模型可以實(shí)時(shí)準(zhǔn)確地識(shí)別復(fù)雜果園環(huán)境中的蘋果,，模型參數(shù)量和計(jì)算量較小,，適合部署于蘋果采摘機(jī)器人的嵌入式設(shè)備上，為實(shí)現(xiàn)蘋果的無人化智能采摘奠定了基礎(chǔ),。

摘要:花椒樹產(chǎn)果量大,，枝干縱橫交錯(cuò)，樹葉茂密,，給花椒的自動(dòng)化采摘帶來了困難,。因此，本文設(shè)計(jì)一種基于改進(jìn)YOLO v5的復(fù)雜環(huán)境下花椒簇的快速識(shí)別與定位方法,。通過在主干提取網(wǎng)絡(luò)CSPDarknet的CSPLayer層和Neck的上采樣之后增加高效通道注意力ECA（Efficient channel attention）來簡化CSPLayer層的計(jì)算量,，提升了特征提取能力。同時(shí)在下采樣層增加協(xié)同注意力機(jī)制CA（Coordinate attention）,，減少下采樣過程中信息的損失，強(qiáng)化特征空間信息,，配合熱力圖(Grad-CAM)和點(diǎn)云深度圖,，來完成花椒簇的空間定位。測試結(jié)果表明,，與原YOLO v5相比較,，改進(jìn)的網(wǎng)絡(luò)將殘差計(jì)算減少至1次，保證了模型輕量化,，提升了效率,。同幀數(shù)區(qū)間下，改進(jìn)后的網(wǎng)絡(luò)精度為96.27%,，對比3個(gè)同類特征提取網(wǎng)絡(luò)YOLO v5,、YOLO v5-tiny、Faster R-CNN,，改進(jìn)后網(wǎng)絡(luò)精確度P分別提升5.37,、3.35、15.37個(gè)百分點(diǎn),，連株花椒簇的分離識(shí)別能力也有較大提升,。實(shí)驗(yàn)結(jié)果表明，自然環(huán)境下系統(tǒng)平均識(shí)別率為81.60%,、漏檢率為18.39%,，能夠滿足花椒簇識(shí)別要求,，為移動(dòng)端部署創(chuàng)造了條件。

摘要:傳統(tǒng)茶葉病害分類主要依賴人工方法,，此類方法費(fèi)工費(fèi)時(shí)，同時(shí)茶葉病害樣本較少使得現(xiàn)有的機(jī)器學(xué)習(xí)方法的模型訓(xùn)練不充分,，病害分類準(zhǔn)確率不夠高,。針對茶炭疽病、茶黑煤病,、茶餅病和茶白星病4類病害,，提出一種基于雙節(jié)點(diǎn)-雙邊圖神經(jīng)網(wǎng)絡(luò)的茶葉病害分類方法。首先通過兩分支卷積神經(jīng)網(wǎng)絡(luò)提取RGB茶葉病害特征和灰度茶葉病害特征,，兩分支均采用ResNet12作為骨干網(wǎng)絡(luò),，參數(shù)獨(dú)立不共享，兩類特征作為圖神經(jīng)網(wǎng)絡(luò)的兩個(gè)子節(jié)點(diǎn),，以獲得不同域樣本所包含的病害信息,；其次構(gòu)建相對度量邊和相似性邊兩類邊，從而強(qiáng)化節(jié)點(diǎn)對相鄰節(jié)點(diǎn)所含病害特征的聚合能力,。最后,，經(jīng)過雙節(jié)點(diǎn)特征和雙邊特征更新模塊，實(shí)現(xiàn)雙節(jié)點(diǎn)和雙邊交替更新,，提高邊特征對節(jié)點(diǎn)距離度量的準(zhǔn)確性,，從而實(shí)現(xiàn)訓(xùn)練樣本較少條件下對茶葉病害的準(zhǔn)確分類。本文方法和小樣本學(xué)習(xí)方法進(jìn)行了對比實(shí)驗(yàn),，結(jié)果表明,，本文方法獲得更高的準(zhǔn)確率，在miniImageNet和PlantVillage數(shù)據(jù)集上5way-1shot的準(zhǔn)確率分別達(dá)到69.30%和88.42%,，5way-5shot準(zhǔn)確率分別為82.48%和93.04%,。同時(shí)在茶葉數(shù)據(jù)集TeaD-5上5way-1shot和5way-5shot準(zhǔn)確率分別達(dá)到84.74%和86.34%。

摘要:針對蘋果園害蟲識(shí)別過程中的粘連問題,，提出了一種基于形色篩選的害蟲粘連圖像分割方法,。首先，采集蘋果園害蟲圖像,，聚焦于羽化害蟲,。害蟲在羽化過程中已完成大部分生長發(fā)育，其外部形態(tài),、顏色,、紋理更為穩(wěn)定顯著。因此,，基于不同種類害蟲的形色特征信息分析,，來獲取害蟲HSV分割閾值和模板輪廓。其次,，利用形狀因子判定分割粘連區(qū)域,，通過顏色分割法和輪廓定位分割法來實(shí)現(xiàn)非種間與種間粘連害蟲的分割。最后,，對采集的蘋果園害蟲圖像進(jìn)行了試驗(yàn)分析,，采用基于形色篩選的分割法對單個(gè)害蟲進(jìn)行分割，結(jié)果表明,，本文方法的平均分割率,、平均分割錯(cuò)誤率和平均分割有效率分別為101%、3.14%和96.86%,，分割效果優(yōu)于傳統(tǒng)圖像分割方法,。此外，通過預(yù)定義的顏色閾值,，本文方法實(shí)現(xiàn)了棉鈴蟲、桃蛀螟與玉米螟的精準(zhǔn)分類,，平均分類準(zhǔn)確率分別為97.77%,、96.75%與96.83%。同時(shí),，以Mask R-CNN模型作為識(shí)別模型,，平均識(shí)別精度作為評價(jià)指標(biāo)，分別對已用本文方法和未用本文方法分割的害蟲圖像進(jìn)行識(shí)別試驗(yàn),。結(jié)果表明,，已用本文方法分割的棉鈴蟲、桃蛀螟和玉米螟害蟲圖像平均識(shí)別精度分別為96.55%,、94.80%與95.51%,，平均識(shí)別精度分別提高16.42、16.59、16.46個(gè)百分點(diǎn),。這表明該方法可為果園害蟲精準(zhǔn)識(shí)別提供理論和方法基礎(chǔ),。

摘要:為實(shí)現(xiàn)茶葉病害精準(zhǔn)分類，針對茶葉病害圖像分類中小樣本問題及類別分布不均的問題,，提出了一種基于遷移學(xué)習(xí)的SimAM-ConvNeXt-FL模型的病害圖像分類方法,。首先在ConvNeXt模型中加入SimAM模塊，以加強(qiáng)復(fù)雜特征的提取,。其次針對樣本分布不均問題,，將Focal Loss函數(shù)作為訓(xùn)練過程中的損失函數(shù)，通過增加數(shù)量較少樣本的權(quán)重來減小樣本分布不均的影響,。最后使用SimAM-ConvNeXt-FL模型對Plant Village數(shù)據(jù)集訓(xùn)練,，將訓(xùn)練得到的參數(shù)遷移到實(shí)測的茶葉病害圖像上并進(jìn)行微調(diào)，減少過擬合帶來的影響,，設(shè)置消融實(shí)驗(yàn)證明模型改進(jìn)的有效性,，并與不同分類模型（AlexNet、VGG16,、ResNet34模型）分別進(jìn)行對比實(shí)驗(yàn),。實(shí)驗(yàn)結(jié)果表明，SimAM-ConvNeXt-FL模型識(shí)別效果最佳,，準(zhǔn)確率達(dá)96.48%,， SimAM-ConvNeXt-FL模型較原ConvNeXt模型在茶煤病、茶藻斑病,、茶炭疽病,、健康葉片和茶白星病的F1值分別提高4.46、3.76,、0.43,、0.22、5.23個(gè)百分點(diǎn),。結(jié)果表明本文提出的模型具有較高的分類準(zhǔn)確率與較強(qiáng)的泛化性,，可推進(jìn)茶葉病害分類工作發(fā)展。

摘要:奶牛身體部位的精準(zhǔn)分割廣泛應(yīng)用于奶牛體況評分,、姿態(tài)檢測、行為分析及體尺測量等領(lǐng)域,。受奶牛表面污漬和遮擋等因素的影響,，現(xiàn)有奶牛部位精準(zhǔn)分割方法實(shí)用性較差。本研究在YOLO v8n-seg模型的基礎(chǔ)上,，加入多尺度融合模塊與雙向跨尺度加權(quán)特征金字塔結(jié)構(gòu),，提出了YOLO v8n-seg-FCA-BiFPN奶牛身體部位分割模型。其中,，多尺度融合模塊使模型更好地提取小目標(biāo)幾何特征信息,，雙向跨尺度加權(quán)特征金字塔結(jié)構(gòu)實(shí)現(xiàn)了更高層次的特征融合。首先在奶牛運(yùn)動(dòng)通道處采集奶牛側(cè)面圖像作為數(shù)據(jù)集,，為保證數(shù)據(jù)集質(zhì)量,，采用結(jié)構(gòu)相似性算法剔除相似圖像，共得到1452幅圖像,。然后對目標(biāo)奶牛的前肢,、后肢、乳房,、尾部,、腹部、頭部,、頸部和軀干8個(gè)部位進(jìn)行標(biāo)注并輸入模型訓(xùn)練,。測試結(jié)果表明，模型精確率為96.6%,，召回率為94.6%,，平均精度均值為97.1%，參數(shù)量為3.3×106,，檢測速度為6.2f/s,。各部位精確率在90.3%~98.2%之間，平均精度均值為96.3%,。與原始YOLO v8n-seg相比,，YOLO v8n-seg-FCA-BiFPN的精確率提高3.2個(gè)百分點(diǎn)，召回率提高2.6個(gè)百分點(diǎn),，平均精度均值提高3.1個(gè)百分點(diǎn)，改進(jìn)后的模型在參數(shù)量基本保持不變的情況下具有更強(qiáng)的魯棒性,。遮擋情況下該模型檢測結(jié)果表明,，精確率為93.8%，召回率為91.67%,，平均精度均值為93.15%,。結(jié)果表明,，YOLO v8n-seg-FCA-BiFPN網(wǎng)絡(luò)可以準(zhǔn)確、快速地實(shí)現(xiàn)奶牛身體部位精準(zhǔn)分割,。

摘要:在水產(chǎn)養(yǎng)殖中,，水質(zhì)參數(shù)與魚類活動(dòng)之間有著密不可分的相互映射關(guān)系,。過去的監(jiān)測更多偏向于單向映射，一般都是通過魚類的行為表明水質(zhì)的情況,。針對僅僅通過魚類行為反映水質(zhì)情況會(huì)產(chǎn)生誤判和滯后的問題,，本文構(gòu)建一種基于隨機(jī)森林的魚類行為與水質(zhì)情況雙向映射模型。雙向映射模型不僅可以提供更多的信息從而提高預(yù)測的準(zhǔn)確性,，而且也可以通過相互驗(yàn)證提高模型的可靠性,。首先，通過引入可變形卷積模塊對YOLO v7進(jìn)行改進(jìn),，利用改進(jìn)模型檢測出視頻中魚類的位置再通過前后幀的坐標(biāo)量化出魚的游動(dòng)參數(shù),。隨后，將采集到的魚類游動(dòng)參數(shù)及對應(yīng)的水質(zhì)參數(shù)作為輸入,，使用隨機(jī)森林模型進(jìn)行分類,、回歸，分別完成魚類游動(dòng)參數(shù)和水質(zhì)參數(shù)具體數(shù)值的預(yù)測以及指標(biāo)異常級(jí)別的預(yù)測,，從而得到雙向映射關(guān)系,。為了表明模型的泛化能力，分別在黎安港和新村港漁場2個(gè)數(shù)據(jù)集下進(jìn)行實(shí)驗(yàn),。實(shí)驗(yàn)結(jié)果表明：提出的方法可以較好地實(shí)現(xiàn)魚類行為與水質(zhì)關(guān)系的雙向映射,，其中，分類實(shí)驗(yàn)平均準(zhǔn)確率可以達(dá)到90.947%,，回歸實(shí)驗(yàn)決定系數(shù)R2的平均值可以達(dá)到0.801,。

摘要:水-能源-糧食系統(tǒng)存在相互依存,、相互制約的復(fù)雜關(guān)系,，量化該系統(tǒng)的相互關(guān)系，對于合理配置和協(xié)調(diào)利用水,、能源和糧食資源,，促進(jìn)區(qū)域社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展具有重要意義。本文運(yùn)用能源和糧食生產(chǎn)水足跡模型,、競爭指數(shù)模型,、脫鉤理論及錫爾指數(shù)等方法,，核算分析了四川省2009—2019年能源和糧食生產(chǎn)水足跡及其時(shí)空變化特征，以及能源和糧食生產(chǎn)對水的競爭關(guān)系,，探究了水足跡和地區(qū)生產(chǎn)總值的內(nèi)在聯(lián)系,。研究結(jié)果表明：能源和糧食生產(chǎn)水足跡均呈上升趨勢。能源生產(chǎn)藍(lán)水足跡年均值為5.45×109m3,，占能源生產(chǎn)水足跡的93.76%,；糧食生產(chǎn)藍(lán)水足跡年均值為1.06×1010m3，占糧食生產(chǎn)水足跡的26.02%,，綠水足跡的貢獻(xiàn)率超過藍(lán)水足跡和灰水足跡之和,，占比53.06%。四川省能源和糧食生產(chǎn)對水的競爭指數(shù)呈上升趨勢,，增幅為42.69%,。由于川西北生態(tài)示范區(qū)和攀西經(jīng)濟(jì)區(qū)等地區(qū)兼顧糧食和水電生產(chǎn)，其競爭指數(shù)明顯高于其他地區(qū),。四川省水足跡和地區(qū)生產(chǎn)總值的脫鉤關(guān)系為弱脫鉤,，處于相對協(xié)調(diào)發(fā)展?fàn)顟B(tài)，說明經(jīng)濟(jì)發(fā)展對用水量的控制狀態(tài)相對較好,；水足跡強(qiáng)度總差異呈擴(kuò)張趨勢,，說明四川省用水效率不均衡性逐漸擴(kuò)大，但研究后期有所下降,，發(fā)展逐漸趨同,。該研究可為四川省水資源調(diào)配、能源開發(fā)和糧食生產(chǎn)提供建議,，也可為該地區(qū)優(yōu)化經(jīng)濟(jì)發(fā)展方式以及用水效率的協(xié)同發(fā)展提供參考,。

摘要:農(nóng)業(yè)面源污染是我國水環(huán)境保護(hù)面臨的重要問題,，風(fēng)險(xiǎn)評價(jià)對于農(nóng)業(yè)面源污染防治具有重要意義。本研究以河南省為研究區(qū)域,，采用層次分析法的分級(jí)賦值方法,，基于熵值法和專家打分確定各影響因子權(quán)重，構(gòu)建河南省氮素農(nóng)業(yè)面源污染風(fēng)險(xiǎn)多因子綜合評價(jià)模型,，計(jì)算河南省氮素農(nóng)業(yè)面源污染風(fēng)險(xiǎn)指數(shù)并在流域尺度上進(jìn)行驗(yàn)證,，劃分氮素農(nóng)業(yè)面源污染的風(fēng)險(xiǎn)等級(jí)并識(shí)別關(guān)鍵管控區(qū)。結(jié)果表明：種植源,、養(yǎng)殖源和生活源分別貢獻(xiàn)河南省31.52%,、38.47%和30.01%的氮素流失負(fù)荷，流失負(fù)荷呈現(xiàn)為西低,，中,、東部高的特點(diǎn)。河南省有39.429km2的區(qū)域存在中風(fēng)險(xiǎn),，約占河南省總面積的23.61%,，有17.318km2的區(qū)域存在高風(fēng)險(xiǎn)，約占總面積的10.37%,；劃定距河流2km以內(nèi)的中,、高風(fēng)險(xiǎn)區(qū)為一般管控區(qū)和重點(diǎn)管控區(qū)，面積分別為10.982km2和9.285km2,。通過與同期水質(zhì)自動(dòng)監(jiān)測數(shù)據(jù)進(jìn)行相關(guān)分析,，決定系數(shù)為0.82，表明模型模擬結(jié)果具有較高的精準(zhǔn)度,。綜合結(jié)果表明,，建立的多因子綜合評價(jià)模型具有科學(xué)性和準(zhǔn)確性，可用于氮素農(nóng)業(yè)面源污染風(fēng)險(xiǎn)的識(shí)別,。

摘要:長江下游稻麥輪作區(qū)農(nóng)田排水是區(qū)域面源污染的主要來源,，明確農(nóng)田排水與氮素流失特征對于區(qū)域農(nóng)業(yè)生產(chǎn)可持續(xù)發(fā)展與生態(tài)環(huán)境保護(hù)具有重要意義?，F(xiàn)有稻麥輪作農(nóng)田排水與氮素流失研究中，一般采用農(nóng)田測筒觀測地表徑流與深層滲漏量來估算農(nóng)田氮素流失量,，這與農(nóng)田土壤水分與氮素主要通過側(cè)向徑流進(jìn)入農(nóng)田排水系統(tǒng)的實(shí)際情況存在偏差,。本文基于4年的大田監(jiān)測數(shù)據(jù)，運(yùn)用田間水文水質(zhì)模型DRAINMOD-N〖KG-*3〗Ⅱ,，模擬研究了不同氣象條件下稻麥輪作農(nóng)田排水與氮素流失規(guī)律,。結(jié)果表明，稻麥輪作周年內(nèi),，由排水造成的氮素流失量多年平均值為28.4kg/hm2,，占施肥量的6.0%，其中大部分集中在稻季,，平均為25.6kg/hm2,，麥季氮素流失量僅為2.8kg/hm2。與現(xiàn)有文獻(xiàn)報(bào)道值相比,，本文模擬得出的排水總量高35.4%,，氮素流失總量則低44.6%,；差異主要來自麥作期，文獻(xiàn)報(bào)道平均值（31.8kg/hm2）是本文的11倍,，估算方法不同可能是造成這一差異大的主要原因,。結(jié)合降雨規(guī)律分析發(fā)現(xiàn)，農(nóng)田排水量和氮素流失量與降雨變化關(guān)系顯著（決定系數(shù)R2>0.56）,，三者相對增量的變化規(guī)律幾乎一致,；在降雨頻率為20%~80%的年份內(nèi)，氮素流失量相對穩(wěn)定,，維持在均值的0.8~1.2倍之間,；只有在重現(xiàn)期大于5年的干旱或濕潤年份，氮素流失量才會(huì)出現(xiàn)較大變化,。因此,，通過排灌控制措施穩(wěn)定農(nóng)田水文過程是有效控制農(nóng)田排水氮素流失的關(guān)鍵。

摘要:通過盆栽試驗(yàn),，采用太陽能供電方式,，探究在干濕交替的水分條件下，水稻種植過程中極性交換電場輔助植物修復(fù)(EKPR)土壤重金屬鎘（Cd）污染的可行性,?？刂乒喔葪l件下，兩電極板附近的土壤區(qū)域種植水稻作物,，中間土壤區(qū)域種植水蔥作富集植物,。結(jié)果表明，交換電極使電解水反應(yīng)產(chǎn)生的氫離子（H+）和氫氧根離子（OH-）不斷被中和,，有效避免了土壤pH值極化,。土壤電流變化范圍為0.08~0.36A，說明極性交換和較高的土壤含水率有效確保土壤中的可遷移離子數(shù)量和離子流動(dòng)性,，能夠驅(qū)動(dòng)重金屬遷移,。與對照處理（CK）相比，EKPR處理水蔥根部干物質(zhì)量顯著增加34.93%,；水稻根部和稻谷干物質(zhì)量顯著降低17.21%~30.16%,、16.18%~22.28%，葉片和莖部干物質(zhì)量分別提高3.82%~13.17%、7.59%~30.91%,。EKPR處理水蔥根部,、地上部Cd含量分別提高15.49%~22.45%、33.30%~35.45%,；水稻根部,、稻谷Cd含量分別降低14.48%~35.06%、39.04%~57.43%,。極性交換電場輔助植物修復(fù)技術(shù)可提高水蔥對Cd的富集量，同時(shí)降低水稻對Cd的富集量,，與CK處理相比,，EKPR處理水蔥Cd生物富集量顯著增加46.48%，水稻Cd生物富集量顯著降低24.75%,。試驗(yàn)結(jié)束后,，水稻根系附近的土壤Cd含量下降16.33%~19.14%。研究結(jié)果表明,，在控制灌溉水稻種植過程中,，極性交換電場輔助植物修復(fù)是一種可行的修復(fù)手段，在作物生產(chǎn)過程中利用電動(dòng)修復(fù)和植物修復(fù)實(shí)現(xiàn)土壤凈化,，具有良好的應(yīng)用前景和現(xiàn)實(shí)意義,。

摘要:在干旱,、半干旱地區(qū)農(nóng)業(yè)生產(chǎn)中，廣泛采用接種根瘤菌,、施用氮素等措施來促進(jìn)大豆生長以提高產(chǎn)量,，然而少有研究討論接種根瘤菌與施用氮素的交互作用對大豆生長和產(chǎn)量的影響規(guī)律。本研究通過為期2年的田間試驗(yàn),，設(shè)置4個(gè)施氮水平（N0：0kg/hm2,；N1: 60kg/hm2；N2: 120kg/hm2,；N3: 180kg/hm2）和2種接種水平,，即接種根瘤菌（R）和清水拌種。在大豆各生育期測量根瘤數(shù),、根瘤干質(zhì)量,、葉面積指數(shù)、干物質(zhì)積累及根系特性等大豆生長指標(biāo)和葉綠素含量、光合參數(shù),、熒光參數(shù)等生理指標(biāo),，同時(shí)還測定氮素吸收量等指標(biāo)并計(jì)算氮素利用效率。結(jié)果表明,，RN2處理下的大豆生長狀況最佳,，2年平均最大根瘤數(shù)為241.47、最大根瘤干質(zhì)量為1.30g,、最大根長密度為 15.00cm/cm3,、最大葉面積指數(shù)為5.44cm2/cm2、最大干物質(zhì)積累量為17530.51kg/hm2,、最大葉綠素含量為53.55,、最大凈光合速率為32.75μmol/(m2·s)、最大種子產(chǎn)量為4659.4kg/hm2,。由此可見減少氮肥施用量（N2）的同時(shí)接種根瘤菌（R）對于促進(jìn)關(guān)中平原大豆的生理生長,、提升對氮素的利用效率、提高大豆產(chǎn)量具有重要意義,。本研究可為提高干旱半干旱地區(qū)大豆生產(chǎn)水平提供理論支持和實(shí)踐經(jīng)驗(yàn),。

摘要:當(dāng)前工廠化食用菌生產(chǎn)菇房空調(diào)控制方法存在節(jié)能效率低,、室內(nèi)溫度波動(dòng)大等問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network, CNN）,、門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)（Gated recurrent unit neural network, GRU）與注意力機(jī)制（Attention）的菇房空調(diào)節(jié)能控制方法,。該方法以CNN-GRU-Attention組合神經(jīng)網(wǎng)絡(luò)為預(yù)測模型，結(jié)合預(yù)測誤差補(bǔ)償和預(yù)測模型數(shù)據(jù)集動(dòng)態(tài)更新機(jī)制,，實(shí)現(xiàn)對菇房室內(nèi)溫度精準(zhǔn)預(yù)測,；建立以空調(diào)控制量為狀態(tài)量的目標(biāo)函數(shù)，分別利用熵權(quán)法,、主觀法明確目標(biāo)函數(shù)權(quán)重系數(shù),，運(yùn)用帶精英策略的快速非支配排序遺傳算法(Non-dominated-sorting genetic algorithm Ⅱ, NSGA-Ⅱ)求解出空調(diào)在控制時(shí)域內(nèi)最優(yōu)控制序列，集成滾動(dòng)優(yōu)化和反饋機(jī)制,，實(shí)現(xiàn)菇房環(huán)境的精準(zhǔn)及節(jié)能控制,。試驗(yàn)結(jié)果表明，提出的CNN-GRU-Attention菇房室內(nèi)溫度預(yù)測模型,，以歷史30min數(shù)據(jù)預(yù)測未來10min室內(nèi)溫度效果最好,，選取的典型日內(nèi)預(yù)測最大均方根誤差為0.122℃、最小決定系數(shù)為0.807、最大平均絕對百分比誤差為0.611%,；菇房空調(diào)模型預(yù)測控制方法對天氣波動(dòng)具有較好的抗干擾能力,。與閾值開關(guān)法和PID法相比，在空調(diào)節(jié)能方面,，能耗分別減少21%和14%,；在控制溫度精度方面，RMSE可分別降低72%,、46%,。

摘要:隨著基于區(qū)塊鏈的農(nóng)產(chǎn)品溯源系統(tǒng)迅速發(fā)展,，區(qū)塊鏈查詢能力面臨著巨大挑戰(zhàn)。對于供應(yīng)鏈參與方來說,，區(qū)塊鏈中保存的數(shù)據(jù)多為編碼或序列化的數(shù)據(jù),，使得供應(yīng)鏈參與方的審計(jì)和監(jiān)督等存在多條件查詢的工作變得十分困難。通常情況下,，原生區(qū)塊鏈并未提供滿足多條件查詢的查詢方式,。因此，為了實(shí)現(xiàn)多條件查詢并提高查詢效率,，本研究提出一種農(nóng)產(chǎn)品溯源數(shù)據(jù)多條件查詢優(yōu)化方法,。首先，該方法采用一種優(yōu)化的Merkle樹結(jié)構(gòu)（n-Tree）對交易信息進(jìn)行重構(gòu),，從而提供更高效的條件驗(yàn)證能力,。其次，通過自適應(yīng)多條件區(qū)塊布隆過濾器判斷交易信息中查詢條件的存在性,，進(jìn)而快速過濾區(qū)塊,。最后，提出一種應(yīng)用TWTN-Heap（Time weight and transaction number based heap）結(jié)構(gòu)的索引構(gòu)建方法,，以區(qū)塊權(quán)重為序構(gòu)建主條件相關(guān)的區(qū)塊號(hào)索引列表,。產(chǎn)品數(shù)據(jù)的查詢過程包括遍歷區(qū)塊號(hào)索引列表、過濾非相關(guān)區(qū)塊以及驗(yàn)證特定查詢條件,，從而獲得條件查詢結(jié)果,。實(shí)驗(yàn)結(jié)果表明，本研究提出的產(chǎn)品數(shù)據(jù)條件查詢優(yōu)化方法能夠有效地解決農(nóng)產(chǎn)品供應(yīng)鏈面臨的條件查詢問題,，同時(shí)保證查詢時(shí)間消耗維持在15ms左右,，查詢效率較默克爾語義字典樹(Merkle semantic trie，MST)方法提高60.9%，較原始遍歷（Orignal traverse, OT）方法提高87.7%,。

摘要:本研究以寧夏賀蘭山東麓5個(gè)子產(chǎn)區(qū)（銀川、青銅峽,、紅寺堡,、石嘴山和農(nóng)墾產(chǎn)區(qū)）自然發(fā)酵的赤霞珠干紅葡萄酒為研究對象，測定其基本理化指標(biāo)和電學(xué)特性,，分析不同產(chǎn)區(qū)葡萄酒間電學(xué)特性的差異,，篩選出區(qū)分不同產(chǎn)區(qū)葡萄酒的特征頻率和有效電學(xué)參數(shù)，初步探索基于電學(xué)特性識(shí)別寧夏賀蘭山東麓不同子產(chǎn)區(qū)葡萄酒的能力,，以期為簡捷快速有效識(shí)別產(chǎn)區(qū)葡萄酒提供新方法,。結(jié)果表明，寧夏賀蘭山東麓5個(gè)子產(chǎn)區(qū)的葡萄酒理化指標(biāo)間存在顯著性差異,，農(nóng)墾產(chǎn)區(qū)的葡萄酒可滴定酸含量最高,，而還原糖含量最低；銀川產(chǎn)區(qū)的葡萄酒揮發(fā)酸含量最低,，石嘴山產(chǎn)區(qū)的葡萄酒酒精度最高,。通過相關(guān)性分析、方差分析和多重比較,，篩選出電壓2V下,，區(qū)分不同產(chǎn)區(qū)葡萄酒的電學(xué)特性特征頻率為0.1kHz，有效電學(xué)參數(shù)為Z,、Lp,、X、Cp和Q,。主成分分析和判別分析均顯示,，利用葡萄酒電學(xué)參數(shù)能夠明顯區(qū)分賀蘭山東麓5個(gè)子產(chǎn)區(qū)，采用Fisher- 判別分析建立的預(yù)測模型,，其回代檢測和交叉驗(yàn)證正確率均為100%,。因此，利用葡萄酒電學(xué)特性識(shí)別產(chǎn)區(qū)具有可行性,。

摘要:蘋果從采摘到銷售過程中易發(fā)生機(jī)械損傷,，需要及時(shí)剔除以避免腐爛變質(zhì)。然而機(jī)械損傷早期蘋果外觀顏色變化不明顯,，通常表現(xiàn)為隱性損傷,，檢測比較困難。提出了一種基于結(jié)構(gòu)光反射成像（SIRI）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）的蘋果隱性損傷檢測方法,。通過搭建SIRI系統(tǒng),，采集待測蘋果調(diào)制的結(jié)構(gòu)光圖像，再利用三相位解調(diào)法提取交流分量,，增強(qiáng)蘋果隱性損傷對比度,；然后利用交流分量圖像制作蘋果隱性損傷數(shù)據(jù)集，并使用基于CNN的語義分割網(wǎng)絡(luò)FCN,、UNet,、HRNet、PSPNet,、DeepLabv3+、LRASPP和SegNet訓(xùn)練損傷檢測模型,，多組試驗(yàn)結(jié)果表明上述模型均能有效地檢測出不同情況下的蘋果隱性損傷,。其中HRNet模型精確率、召回率,、F1值和平均交并比較高,，分別為97.96%、97.52%,、97.74%和97.58%,，但檢測速度僅為60f/s；PSPNet模型檢測速度較快,，可達(dá)到217f/s,，但其檢測精度略低，精確率,、召回率,、F1值和平均交并比分別為97.10%、94.57%,、95.82%和95.90%,。

摘要:為提高干冰微粒速凍藍(lán)莓的噴嘴霧化特性,，優(yōu)化設(shè)計(jì)一種多出口扇形噴嘴,，噴射出扇形干冰微粒射流，更均勻更快速地凍結(jié)藍(lán)莓,。建立多出口扇形噴嘴的物理模型及藍(lán)莓速凍干冰射流流場計(jì)算模型,。基于Fluent軟件,，采用氣固兩相動(dòng)力學(xué)模型DPS,、Realizable、k-ε湍流模型對多出口扇形噴嘴干冰微粒噴射速凍藍(lán)莓的過程進(jìn)行數(shù)值模擬研究,。探究了扇形噴嘴出口不同V形切槽角（60°,、70°、80°,、90°）在相同的入口流量和出口孔徑下,，對干冰微粒在速凍腔內(nèi)的流場分布、藍(lán)莓的凍結(jié)速率和凍結(jié)均勻性等參數(shù)的影響,。結(jié)果表明：隨著V形切槽角的增加,，扇形沖擊射流寬度降低，沖擊射流核心區(qū)域內(nèi)的流速增加,。當(dāng)多出口扇形噴嘴出口V形切槽角為70°時(shí),，相比60°、80°,、90°速凍腔內(nèi)整盤藍(lán)莓的凍結(jié)完成時(shí)間分布最集中,，整體的凍結(jié)速度快，流場最均勻,，為此噴嘴模型（入口孔徑30mm,，入口流速0.25m/s，出口為圓周布置的孔徑5.2mm×6(6個(gè)孔徑為5.2mm的出口)和中心布置的孔徑2mm×4的組合）最優(yōu)出口參數(shù),。隨后對模擬仿真最優(yōu)結(jié)果進(jìn)行實(shí)驗(yàn)測試,，可得整盤藍(lán)莓完成速凍的時(shí)間為119s，凍結(jié)速率為0.50cm/min,，實(shí)驗(yàn)與模擬降溫曲線誤差為4.3%,。對速凍后藍(lán)莓的花青素含量、可溶性固形物質(zhì)量分?jǐn)?shù)以及失水率等進(jìn)行測試,，結(jié)果表明干冰速凍后藍(lán)莓在貯藏期間的感官品質(zhì)保持較好,，優(yōu)于速凍藍(lán)莓標(biāo)準(zhǔn),。

摘要:針對分布式驅(qū)動(dòng)電動(dòng)拖拉機(jī)（Distributed drive electric tractor,，DDET）牽引效率低、系統(tǒng)能量損耗大的問題,，提出了一種基于多島遺傳算法（Multi-island genetic algorithm,，MIGA）的分布式驅(qū)動(dòng)系統(tǒng)參數(shù)優(yōu)化設(shè)計(jì)與驗(yàn)證方法。根據(jù)犁耕作業(yè)工況,，建立了拖拉機(jī)分布式驅(qū)動(dòng)系統(tǒng)7自由度耦合動(dòng)力學(xué)模型以及輪胎-土壤交互模型,，完成了驅(qū)動(dòng)系統(tǒng)關(guān)鍵部件參數(shù)設(shè)計(jì)和匹配選型。提出基于MIGA的前后輪邊傳動(dòng)比參數(shù)優(yōu)化策略,，將輪邊傳動(dòng)比作為決策變量,，驅(qū)動(dòng)系統(tǒng)能量損失最小為優(yōu)化目標(biāo)，驅(qū)動(dòng)電機(jī)功率和轉(zhuǎn)速為約束條件,。搭建Matlab/Simulink-NI PXI聯(lián)合仿真平臺(tái)驗(yàn)證了參數(shù)優(yōu)化策略的正確性和實(shí)時(shí)可執(zhí)行性,。結(jié)果表明，基于MIGA參數(shù)優(yōu)化后的分布式驅(qū)動(dòng)系統(tǒng)各方面性能得到了有效提升,。犁耕循環(huán)工況下,，拖拉機(jī)平均牽引力為10.610N，最大牽引功率為31.25kW,；平均效率提升了0.38%,，驅(qū)動(dòng)電機(jī)能耗降低了7.53%。本研究可為分布式驅(qū)動(dòng)電動(dòng)拖拉機(jī)優(yōu)化設(shè)計(jì)和系統(tǒng)控制提供理論基礎(chǔ)和驗(yàn)證方法,。

摘要:針對溫室小型農(nóng)機(jī)對地面平整度敏感,，微小的地面起伏便會(huì)造成機(jī)具俯仰的情況,，基于課題組已開發(fā)的溫室電動(dòng)拖拉機(jī)，將基于時(shí)間序列分析的角度預(yù)測方法引入前饋PID控制（Angle prediction and feedforward PID,，APF-PID）,，解決了溫室旋耕作業(yè)中因機(jī)具俯仰而出現(xiàn)的響應(yīng)性差、耕深不穩(wěn)定和功率突變的問題,。建立了溫室電動(dòng)拖拉機(jī)旋耕作業(yè)的功率模型,，并建立了俯仰角-耕深的轉(zhuǎn)換矩陣,，得到了旋耕系統(tǒng)實(shí)際耕深的轉(zhuǎn)換值；采用時(shí)間序列分析預(yù)測機(jī)身俯仰角,，并作為旋耕系統(tǒng)的擾動(dòng)輸入,；結(jié)合耕深的轉(zhuǎn)換值和預(yù)測得到的擾動(dòng)，采用APF-PID控制器調(diào)節(jié)旋耕系統(tǒng)的提升機(jī)構(gòu),，將旋耕機(jī)維持在目標(biāo)耕深,；在溫室內(nèi)未旋耕和已旋耕的兩種地塊進(jìn)行實(shí)車試驗(yàn)。結(jié)果表明：俯仰角時(shí)序預(yù)測模型的相關(guān)系數(shù)可達(dá)0.9832,；APF-PID控制的控制性能優(yōu)于PID控制,，在目標(biāo)耕深6cm的測試路面中，APF-PID在兩種試驗(yàn)地塊上的平均耕深分別為6.47cm和6.44cm,，均方根誤差為0.80cm和0.72cm,，絕對平均誤差為0.67cm和0.58cm，耕深穩(wěn)定性系數(shù)為89.95%和91.30%,，消耗的總能量較PID控制分別降低4.18%和19.13%,，較好地實(shí)現(xiàn)了溫室電動(dòng)拖拉機(jī)旋耕穩(wěn)定性控制，滿足溫室作業(yè)需求,。

摘要:運(yùn)動(dòng)學(xué)分析是并聯(lián)機(jī)器人運(yùn)動(dòng)學(xué)性能評估和結(jié)構(gòu)尺寸優(yōu)化的基礎(chǔ)。現(xiàn)有并聯(lián)機(jī)器人運(yùn)動(dòng)學(xué)分析方法存在幾何建模與幾何計(jì)算相分離的問題,，本文利用共形幾何代數(shù)（Conformal geometric algebra, CGA）集幾何表示和計(jì)算為一體的優(yōu)勢,，提出一種并聯(lián)機(jī)器人逆運(yùn)動(dòng)學(xué)分析方法。根據(jù)動(dòng)平臺(tái)位姿參數(shù)給出動(dòng)平臺(tái)剛體運(yùn)動(dòng)算子,，通過共形幾何代數(shù)框架下的幾何積實(shí)現(xiàn)動(dòng)平臺(tái)上任意點(diǎn)的剛體變換,，得到任意點(diǎn)在運(yùn)動(dòng)過程中的共形幾何表達(dá)式；結(jié)合機(jī)構(gòu)中尺寸,、幾何約束,，利用內(nèi)積運(yùn)算，建立機(jī)構(gòu)運(yùn)動(dòng)學(xué)方程,；根據(jù)運(yùn)動(dòng)學(xué)方程,，進(jìn)行運(yùn)動(dòng)學(xué)反解計(jì)算和速度分析。以3自由度的3-RPS并聯(lián)機(jī)器人和6自由度6-UPS并聯(lián)機(jī)器人為例,，對所提方法進(jìn)行驗(yàn)證,，并將逆運(yùn)動(dòng)學(xué)推導(dǎo)結(jié)果與仿真軟件所得結(jié)果進(jìn)行了對比，驗(yàn)證了本文提出方法的正確性,。該方法將空間向量和旋轉(zhuǎn)表示等幾何對象與矩陣乘法,、矢量外積等計(jì)算方式相結(jié)合,，使得并聯(lián)機(jī)器人空間幾何問題統(tǒng)一在一個(gè)代數(shù)系統(tǒng)中進(jìn)行處理，因此分析過程幾何直觀性較強(qiáng),，簡化了運(yùn)動(dòng)學(xué)逆解分析計(jì)算過程,。

摘要:為了解決基于模型的控制方法在四足機(jī)器人步態(tài)轉(zhuǎn)換過程中穩(wěn)定控制問題,，本文在仿生學(xué)和機(jī)構(gòu)學(xué)基礎(chǔ)上設(shè)計(jì)了一款四足機(jī)器人樣機(jī)平臺(tái)，并推導(dǎo)了機(jī)器人單腿運(yùn)動(dòng)學(xué)模型,。在足端可達(dá)工作空間內(nèi)規(guī)劃了機(jī)器人抬腿高度和邁步步長,，利用理想的復(fù)合擺線軌跡，通過合理控制步態(tài)周期,，提出了一種過渡段變周期控制方法,，實(shí)現(xiàn)了步態(tài)轉(zhuǎn)換前后定速度控制和變步長控制，保證了步態(tài)轉(zhuǎn)換前后速度不變或可變,。為了驗(yàn)證所提算法的正確性和穩(wěn)定性,，分別開展了單腿足端軌跡實(shí)驗(yàn)和整機(jī)步態(tài)轉(zhuǎn)換實(shí)驗(yàn)。在完成整機(jī)運(yùn)動(dòng)控制的基礎(chǔ)上,，對比了基于模型的控制方式和基于中樞模式發(fā)生器的控制方式在四足機(jī)器人步態(tài)轉(zhuǎn)換過程的應(yīng)用,。仿真和實(shí)驗(yàn)結(jié)果表明，在基于模型的控制算法下,，四足機(jī)器人可以實(shí)現(xiàn)步態(tài)的平滑轉(zhuǎn)換,，且速度能伴隨步長和周期的變化實(shí)現(xiàn)調(diào)節(jié)，滿足了不同速度下的行走要求,，為四足機(jī)器的運(yùn)動(dòng)控制提供了參考,。

摘要:為了改善潤滑間隙效應(yīng)引起的空間并聯(lián)機(jī)構(gòu)動(dòng)態(tài)性能的漸變劣化問題,，以3-R[TXX-]RPaR冗余并聯(lián)機(jī)構(gòu)為研究對象，提出一種考慮潤滑間隙效應(yīng)的空間并聯(lián)機(jī)構(gòu)動(dòng)力學(xué)優(yōu)化方法,。建立了考慮潤滑轉(zhuǎn)動(dòng)副間隙的 3-R[TXX-]RPaR冗余并聯(lián)機(jī)構(gòu)動(dòng)力學(xué)模型；以優(yōu)化末端執(zhí)行器的動(dòng)力學(xué)響應(yīng)誤差和優(yōu)化間隙關(guān)節(jié)處的約束反力為目的設(shè)置目標(biāo)函數(shù),，通過優(yōu)化末端執(zhí)行器質(zhì)量以及轉(zhuǎn)動(dòng)慣量的方式來緩解運(yùn)動(dòng)副間隙導(dǎo)致的劣化效應(yīng),，建立了考慮潤滑間隙效應(yīng) 3-R[TXX-]RPaR冗余并聯(lián)機(jī)構(gòu)動(dòng)力學(xué)優(yōu)化模型；試驗(yàn)驗(yàn)證了所建動(dòng)力學(xué)模型的有效性,，對比分析兩種目標(biāo)函數(shù)對優(yōu)化效果的影響以選擇最佳優(yōu)化方式,，并分析優(yōu)化前后考慮潤滑間隙效應(yīng)的空間并聯(lián)機(jī)構(gòu)動(dòng)力學(xué)特性,，結(jié)果表明動(dòng)力學(xué)優(yōu)化使?jié)櫥g隙轉(zhuǎn)動(dòng)副處約束反力峰值降低16.16%，為改善間隙效應(yīng)提高空間并聯(lián)機(jī)構(gòu)動(dòng)態(tài)性能提供了理論支撐,。

摘要:現(xiàn)有遲滯模型由于采用離線參數(shù)辨識(shí)方法,，難以表征氣動(dòng)肌肉遲滯的時(shí)變性和負(fù)載相關(guān)性，極易產(chǎn)生較大的建模誤差,。為了精確表征氣動(dòng)肌肉的遲滯特性,，利用Prandtl-Ishlinskii（PI）模型描述氣動(dòng)肌肉的位移-氣壓遲滯特性，并采用帶遺忘因子的遞推最小二乘法在線辨識(shí)PI模型參數(shù),。在此基礎(chǔ)上,，結(jié)合PI逆模型設(shè)計(jì)了一種帶有前饋在線補(bǔ)償?shù)膹?fù)合控制方法用于氣動(dòng)肌肉的運(yùn)動(dòng)控制。同時(shí)搭建相應(yīng)的實(shí)驗(yàn)裝置進(jìn)行了氣動(dòng)肌肉遲滯建模和運(yùn)動(dòng)控制實(shí)驗(yàn),。實(shí)驗(yàn)結(jié)果表明,，采用在線參數(shù)辨識(shí)方法后的PI模型能有效描述氣動(dòng)肌肉遲滯的負(fù)載相關(guān)性，且極大地降低了負(fù)載變化帶來的控制誤差,。