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

Abstract:

東北黑土地保護(hù)性用養(yǎng)技術(shù)主要包括保護(hù)性耕作和地力培育等技術(shù),。本文在綜述保護(hù)性用養(yǎng)技術(shù)應(yīng)用面積、技術(shù)模式和實(shí)施效應(yīng)的基礎(chǔ)上,，重點(diǎn)闡述了免少耕播種,、深松、秸稈還田和有機(jī)肥施用關(guān)鍵技術(shù)的工作原理,、技術(shù)特點(diǎn),，并分析歸納了現(xiàn)有保護(hù)性用養(yǎng)技術(shù)模式及配套機(jī)具的發(fā)展動(dòng)態(tài)。結(jié)合黑土地保護(hù)與利用的研究進(jìn)展與發(fā)展需求,，在厘清當(dāng)前黑土地保護(hù)性用養(yǎng)技術(shù)與機(jī)具發(fā)展存在的主要問(wèn)題基礎(chǔ)上,，從加強(qiáng)基礎(chǔ)理論研究、突破關(guān)鍵技術(shù)瓶頸,、提升保護(hù)性用養(yǎng)技術(shù)與機(jī)具智能化,、加強(qiáng)農(nóng)機(jī)農(nóng)藝融合和因地制宜發(fā)展黑土地保護(hù)性用養(yǎng)技術(shù)體系等方面展望了未來(lái)的發(fā)展方向。

Abstract:

當(dāng)前傳統(tǒng)化學(xué)和物理除草方法面臨環(huán)境污染和效率低等問(wèn)題,，因此智能化機(jī)械除草技術(shù)成為一種可行的替代方案,。本文系統(tǒng)闡述了旱田智能機(jī)械除草機(jī)工作原理與關(guān)鍵技術(shù)，結(jié)合國(guó)內(nèi)外研究現(xiàn)狀與應(yīng)用案例,，重點(diǎn)探討了作物行檢測(cè),、避苗控制以及多傳感器融合等核心環(huán)節(jié)。智能除草機(jī)基于高精度圖像識(shí)別與深度學(xué)習(xí)算法,，實(shí)現(xiàn)雜草精準(zhǔn)定位與識(shí)別，并利用機(jī)械臂或其他執(zhí)行機(jī)構(gòu)完成高效除草作業(yè),，不僅有效降低了對(duì)化學(xué)除草劑的依賴,，且可顯著提高作物產(chǎn)量，兼具突出的環(huán)境與經(jīng)濟(jì)效益,。然而,，田間環(huán)境的復(fù)雜性和成本高昂等限制了其廣泛應(yīng)用。進(jìn)一步探討了作物行檢測(cè),、避苗控制以及多傳感器融合等旱田智能機(jī)械除草系統(tǒng)的關(guān)鍵技術(shù),，強(qiáng)調(diào)了提升系統(tǒng)實(shí)時(shí)性和除草精準(zhǔn)度的必要性，并提出未來(lái)發(fā)展方向：多傳感器融合,、模塊化設(shè)計(jì)及適應(yīng)多樣化作物環(huán)境個(gè)性化解決方案,，以推動(dòng)農(nóng)業(yè)可持續(xù)發(fā)展,。

Abstract:

玉米苗期行間除草是保障作物健康生長(zhǎng)的重要環(huán)節(jié),，其作業(yè)精度直接影響除草效果。為提高玉米苗期行間除草精度和效率,，設(shè)計(jì)了一種二級(jí)機(jī)械對(duì)行裝置,，并對(duì)其結(jié)構(gòu)組成與關(guān)鍵參數(shù)進(jìn)行了優(yōu)化。裝置由一級(jí)導(dǎo)向機(jī)構(gòu)和二級(jí)行距調(diào)整機(jī)構(gòu)組成,，其中一級(jí)導(dǎo)向機(jī)構(gòu)通過(guò)液壓缸驅(qū)動(dòng)平行懸臂實(shí)現(xiàn)整機(jī)對(duì)行,，二級(jí)行距調(diào)整機(jī)構(gòu)通過(guò)伺服電缸和滑輪組調(diào)整除草單體位置以適應(yīng)不同行距。理論分析確定一級(jí)導(dǎo)向機(jī)構(gòu)液壓缸最小推力需滿足7536.37N,，二級(jí)行距調(diào)整機(jī)構(gòu)伺服電缸額定推力為1409N,。分別開(kāi)展了室內(nèi)模擬試驗(yàn)與田間試驗(yàn)，對(duì)伺服電缸性能及裝置在不同速度下對(duì)行誤差特性進(jìn)行評(píng)估,。室內(nèi)試驗(yàn)結(jié)果表明,，伺服電缸效率為82.3%，響應(yīng)時(shí)間為21ms,，具有較好的控制精度,。在雜草密度大于30株/m2的非標(biāo)準(zhǔn)種植玉米田中開(kāi)展田間試驗(yàn)，設(shè)定3種作業(yè)速度0.5,、1.0,、1.5m/s。試驗(yàn)結(jié)果表明,，當(dāng)速度為0.5,、1.0m/s時(shí)，一級(jí)機(jī)構(gòu)對(duì)行平均誤差分別為1.987,、3.619cm,，角度誤差為2.510°和2.660°，性能穩(wěn)定,；當(dāng)速度為1.5m/s時(shí),，偏移誤差增至2.603cm，角度誤差增至3.024°,，且二級(jí)機(jī)構(gòu)誤差出現(xiàn)離群值,。原因?yàn)椋诟咚僮鳂I(yè)時(shí)系統(tǒng)動(dòng)態(tài)響應(yīng)能力下降，可能受地表不平整和圖像識(shí)別頻率限制的影響,。該裝置在低速和中速條件下具備良好穩(wěn)定性和作業(yè)精度,，能夠滿足精細(xì)化除草需求。但在高速作業(yè)條件下需優(yōu)化控制算法,，以提升動(dòng)態(tài)響應(yīng)能力和整體穩(wěn)定性,。研究結(jié)果為玉米苗期行間除草裝置設(shè)計(jì)與應(yīng)用提供了技術(shù)支持。

Abstract:

針對(duì)玉米大壟雙行種植模式下追肥作業(yè)效率低和排肥均勻性較差等問(wèn)題，依據(jù)該種植模式下的追肥作業(yè)特點(diǎn),，設(shè)計(jì)一種適用于該種植模式的螺旋輸送器排肥,、多行集排、氣流輸肥的追肥裝置,，并對(duì)螺旋輸送器式排肥裝置和氣力輸送裝置關(guān)鍵參數(shù)進(jìn)行了理論計(jì)算和優(yōu)化設(shè)計(jì),。依據(jù)排肥流量需求設(shè)計(jì)螺旋輸送器葉片結(jié)構(gòu)，并確定螺旋輸送器驅(qū)動(dòng)電機(jī)功率,；確定氣-肥輸送主管道和氣-肥輸送分配管道結(jié)構(gòu)尺寸,；采用三通管將氣-肥輸送分配管道合并方式，使雙苗帶中間施肥量多于兩側(cè),。對(duì)該裝置進(jìn)行排肥試驗(yàn),，結(jié)果表明：螺旋輸送器式排肥裝置排肥穩(wěn)定，排肥量與轉(zhuǎn)速具有較好的線性相關(guān)性,；設(shè)計(jì)二因素三水平排肥試驗(yàn)探究風(fēng)速和排肥轉(zhuǎn)速對(duì)肥料分配均勻性的影響,，排肥轉(zhuǎn)速、風(fēng)速以及排肥轉(zhuǎn)速與風(fēng)速的交互作用均對(duì)各行排肥量一致性變異系數(shù)影響顯著,，各行排肥量一致性變異系數(shù)隨著轉(zhuǎn)速和風(fēng)速的增大而增大,；氣-肥輸送分配管道合并后，各行排肥量一致性變異系數(shù)略有增加,，未合并出肥口各行排肥量一致性變異系數(shù)為6.5%~7.1%,，合并出肥口各行排肥量一致性變異系數(shù)為3.8%~5.8%，合并出肥口排肥量為未合并出肥口排肥量的1.7倍左右,，排肥性能達(dá)到設(shè)計(jì)目標(biāo)，滿足玉米追肥機(jī)械作業(yè)標(biāo)準(zhǔn)要求,。

Abstract:

針對(duì)現(xiàn)有玉米電驅(qū)精量播種機(jī)檢測(cè)系統(tǒng)精度低,、功能集成度差和同步性不足等問(wèn)題，對(duì)檢測(cè)參數(shù)所需傳感器進(jìn)行了選型,，構(gòu)建了傳感器-檢測(cè)參數(shù)模型,，開(kāi)發(fā)了信號(hào)同步采集、處理及交互程序,，設(shè)計(jì)了基于cDAQ控制器的玉米電驅(qū)精量播種機(jī)作業(yè)工況參數(shù)檢測(cè)系統(tǒng),。該系統(tǒng)基于高頻、實(shí)時(shí),、同步采樣原則，為各參數(shù)信號(hào)分別配置單獨(dú)的采樣通道，結(jié)合LabVIEW平臺(tái)設(shè)計(jì)信號(hào)處理程序與人機(jī)交互界面,，為所有信號(hào)采集循環(huán)設(shè)置統(tǒng)一的軟件觸發(fā)器,，并配置網(wǎng)絡(luò)，由上位機(jī)通過(guò)網(wǎng)絡(luò)端口為系統(tǒng)提供時(shí)鐘信號(hào),，實(shí)現(xiàn)作業(yè)速度,、排種盤(pán)轉(zhuǎn)速、排種量,、播種深度,、下壓力、風(fēng)壓,、振動(dòng)等多種參數(shù)實(shí)時(shí)高精度檢測(cè),。對(duì)系統(tǒng)開(kāi)展了排種盤(pán)轉(zhuǎn)速、排種量檢測(cè)臺(tái)架試驗(yàn)以及作業(yè)速度,、播種深度檢測(cè)和下壓力檢測(cè)田間試驗(yàn),。試驗(yàn)結(jié)果表明，排種盤(pán)轉(zhuǎn)速檢測(cè)平均絕對(duì)誤差不大于0.44r/min,，平均相對(duì)誤差均不大于3.56%,；排種量檢測(cè)準(zhǔn)確率不小于98.50%。當(dāng)作業(yè)速度為0~15km/h時(shí),，作業(yè)速度檢測(cè)平均相對(duì)誤差為4.42%,；當(dāng)作業(yè)速度大于6km/h時(shí)，3行單體播種深度檢測(cè)平均值,、標(biāo)準(zhǔn)差,、變異系數(shù)相對(duì)誤差分別為2.70%~7.53%、10.07%~19.29%和13.99%~17.42%；下壓力靜態(tài)檢測(cè)試驗(yàn)中,，兩組單體下壓力平均差值接近實(shí)際差值,，相對(duì)誤差不大于5.93%，在低速3~6km/h與高速12~15km/h作業(yè)下,，系統(tǒng)檢測(cè)2組單體下壓力平均差值與實(shí)際值最大相對(duì)誤差分別為14.91%和19.30%,。本系統(tǒng)檢測(cè)精度高、檢測(cè)參數(shù)多,、同步性高,，可以滿足玉米電驅(qū)精量播種機(jī)工況參數(shù)檢測(cè)需求。

Abstract:

針對(duì)玉米免耕播種機(jī)播種鎮(zhèn)壓力穩(wěn)定性差和鎮(zhèn)壓強(qiáng)度不均等問(wèn)題,，設(shè)計(jì)了一種基于PID控制的鎮(zhèn)壓力精準(zhǔn)調(diào)控系統(tǒng),。該系統(tǒng)由鎮(zhèn)壓力檢測(cè)單元、液壓調(diào)節(jié)裝置,、控制器,、終端和機(jī)械執(zhí)行部件組成?；诶鞲衅?、角度傳感器測(cè)量數(shù)據(jù)，采用Origin軟件構(gòu)建鎮(zhèn)壓力與兩傳感器測(cè)量數(shù)據(jù)之間的關(guān)系模型,。系統(tǒng)通過(guò)鎮(zhèn)壓力進(jìn)行閉環(huán)反饋,，應(yīng)用PID控制算法計(jì)算控制變量，實(shí)時(shí)調(diào)節(jié)液壓缸伸縮,，實(shí)現(xiàn)對(duì)鎮(zhèn)壓力的精確控制,。系統(tǒng)階躍響應(yīng)測(cè)試結(jié)果表明，鎮(zhèn)壓力精準(zhǔn)調(diào)控系統(tǒng)調(diào)節(jié)時(shí)間均值為1.13s,，穩(wěn)態(tài)誤差均值為2.7N,，超調(diào)量均值為3.23%。田間試驗(yàn)結(jié)果表明,，當(dāng)設(shè)定目標(biāo)鎮(zhèn)壓力為159,、182N、播種機(jī)作業(yè)速度為5～9km/h時(shí),，基于液控調(diào)節(jié)方式下鎮(zhèn)壓力相對(duì)誤差為3.08%～5.38%,，均方根誤差為6.63～10.09N,，機(jī)械調(diào)節(jié)方式下鎮(zhèn)壓力相對(duì)誤差為5.05%～11.48%，均方根誤差為11.67～22.49N,。基于液控調(diào)節(jié)方式的播種機(jī)試驗(yàn)指標(biāo)顯著優(yōu)于基于機(jī)械調(diào)節(jié)方式的指標(biāo),，提高了鎮(zhèn)壓力穩(wěn)定性,，為保障玉米免耕播種質(zhì)量提供了技術(shù)裝備支撐。

Abstract:

針對(duì)深松作業(yè)質(zhì)量評(píng)價(jià)指標(biāo)單一、橫向比較偏差顯著等問(wèn)題,，通過(guò)在農(nóng)機(jī)上裝載智能終端設(shè)備,，采集農(nóng)機(jī)作業(yè)GNSS、作業(yè)深度等信息,，基于最小-最大歸一化法,，分析深松作業(yè)面積、作業(yè)效率,、作業(yè)覆蓋率,、作業(yè)深度達(dá)標(biāo)率、作業(yè)時(shí)間利用率等深松作業(yè)特征向量,，并基于專家打分的調(diào)查問(wèn)卷法確定特征向量權(quán)重,，構(gòu)建深松作業(yè)質(zhì)量指數(shù)（AMQI），評(píng)估深松作業(yè)綜合質(zhì)量,。2022年在黑龍江省紅星農(nóng)場(chǎng)開(kāi)展深松作業(yè)質(zhì)量監(jiān)測(cè)實(shí)驗(yàn),，通過(guò)對(duì)33臺(tái)不同深松設(shè)備跟蹤分析，并與傳統(tǒng)分析方法進(jìn)行對(duì)比,，結(jié)果表明,，歸一化特征向量消除不同特征間量綱影響，反映農(nóng)機(jī)特征大小分布,，AMQI也反映深松作業(yè)綜合質(zhì)量,，與達(dá)標(biāo)面積評(píng)價(jià)法相比，評(píng)級(jí)維度更多,，且評(píng)價(jià)更加全面和科學(xué),，可以為農(nóng)機(jī)作業(yè)評(píng)價(jià)提供數(shù)據(jù)支撐。

Abstract:

針對(duì)現(xiàn)有玉米播種裝備缺乏土壤墑情在線檢測(cè)系統(tǒng),，且已有的土壤墑情在線檢測(cè)系統(tǒng)檢測(cè)精度不高,、環(huán)境適應(yīng)差的問(wèn)題，本文提出了一種基于電容法和深度補(bǔ)償?shù)耐寥缐勄闄z測(cè)方法,，開(kāi)發(fā)了一套機(jī)載式玉米播種種溝墑情在線檢測(cè)系統(tǒng),。開(kāi)展了電容器結(jié)構(gòu)優(yōu)化參數(shù)仿真試驗(yàn)，確定了最佳電容極板參數(shù)為：極板間距75.8mm,、極板厚度0.7mm,、極板相對(duì)面積5073mm2，其長(zhǎng)度為100mm,，寬度為50.73mm,；系統(tǒng)硬件部分主要包括FDC2214型電容傳感器、F4046型壓力傳感器和STM32F103型單片機(jī),，電容傳感器用于獲取待測(cè)土壤電容,，壓力傳感器用于獲取待測(cè)土壤壓力，間接反推待測(cè)區(qū)域土壤深度,；系統(tǒng)軟件則利用Matlab平臺(tái)進(jìn)行開(kāi)發(fā),，用于對(duì)土壤電容信號(hào)和壓力信號(hào)的實(shí)時(shí)采集、計(jì)算,、顯示與存儲(chǔ),。基于該系統(tǒng)探究了土壤墑情檢測(cè)模型影響因素,，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的土壤墑情檢測(cè)模型,，建模試驗(yàn)結(jié)果表明，當(dāng)土壤墑情為7.23%～21.14%時(shí),，模型預(yù)測(cè)性能指標(biāo)R2,、RMSE和RPD分別為0.927、0.008和3.70,，預(yù)測(cè)效果較好,。最終，將構(gòu)建的模型集成到土壤墑情在線檢測(cè)系統(tǒng),，開(kāi)展了臺(tái)架與田間驗(yàn)證試驗(yàn),。臺(tái)架試驗(yàn)結(jié)果表明，土壤墑情實(shí)際值與檢測(cè)值的擬合決定系數(shù)R2均為0.852～0.927,，土壤墑情預(yù)測(cè)結(jié)果絕對(duì)誤差為-2.89%～2.57%,，絕對(duì)誤差平均值為1.01%,；田間試驗(yàn)結(jié)果表明，土壤墑情檢測(cè)值與實(shí)際值擬合曲線決定系數(shù)R2為0.842,，土壤墑情檢測(cè)絕對(duì)誤差為-0.96%～0.45%,，平均絕對(duì)誤差為0.39%。本研究所研制的檢測(cè)系統(tǒng)性能滿足玉米播種機(jī)田間作業(yè)時(shí)土壤墑情檢測(cè)需求,。

Abstract:

針對(duì)保護(hù)性耕作深松作業(yè)機(jī)具土壤擾動(dòng)大的問(wèn)題,，設(shè)計(jì)了一種間隔深松機(jī)直注深松鏟,。利用離散元法和田間試驗(yàn)研究了不同鏟體幅寬對(duì)土壤擾動(dòng)行為的影響。以耕作比阻,、土壤膨松度和土壤擾動(dòng)系數(shù)為試驗(yàn)指標(biāo),，對(duì)比不同鏟體幅寬條件下土壤運(yùn)動(dòng)狀態(tài)及各方向微觀運(yùn)動(dòng)情況，分析直注深松鏟土壤擾動(dòng)效果,。結(jié)果表明,，當(dāng)鏟體幅寬為350mm時(shí)，耕作阻力最??；當(dāng)鏟體幅寬為450mm時(shí)，耕作比阻最??；土壤擾動(dòng)隨鏟體幅寬增加而增大，鏟體幅寬主要影響土壤側(cè)向擾動(dòng),、土壤回落及土壟高度,，適當(dāng)減小幅寬有利于減小土壤側(cè)向擾動(dòng)、增加土壤回落,、降低壟高,；鏟體幅寬對(duì)土壤膨松度和土壤擾動(dòng)系數(shù)有重要影響，當(dāng)鏟體幅寬為350mm時(shí),，土壤膨松度相對(duì)較小,，土壤擾動(dòng)系數(shù)相對(duì)較大；不同鏟體幅寬對(duì)耕作阻力和擾動(dòng)面積均有一定的影響,，鏟體幅寬對(duì)擾動(dòng)面積影響大于對(duì)耕作阻力的影響,；試驗(yàn)范圍內(nèi)土壤膨松度和擾動(dòng)系數(shù)試驗(yàn)值和仿真值平均誤差分別為6.36%和6.84%，耕作阻力和比阻試驗(yàn)值和仿真值平均誤差分別為9.02%和12.41%,。間隔深松機(jī)降低土壤擾動(dòng)效果明顯,，可為深松機(jī)優(yōu)化設(shè)計(jì)提供參考,。

Abstract:

針對(duì)玉米根茬與土壤形成的根土復(fù)合體影響保護(hù)性耕作條件下免耕播種的問(wèn)題,，提出了一種“對(duì)行挖掘-擠壓破碎-振動(dòng)清土”的玉米根茬處理模式，設(shè)計(jì)了一種對(duì)行挖掘式玉米根茬清土機(jī),，主要由雙圓盤(pán)挖掘鏟,、撥茬機(jī)構(gòu)、凹板-滾筒式根土分離機(jī)構(gòu),、抖動(dòng)式桿條輸送機(jī)構(gòu)等組成,，可一次性完成玉米根土復(fù)合體挖掘、撿拾,、根土分離等作業(yè),。對(duì)其關(guān)鍵部件結(jié)構(gòu)進(jìn)行了設(shè)計(jì)與運(yùn)動(dòng)分析，分析了雙圓盤(pán)挖掘鏟受力和運(yùn)動(dòng),，確定了其主要結(jié)構(gòu)參數(shù)和作業(yè)參數(shù),；分析了根土復(fù)合體在根土分離各階段輸送狀態(tài)及受力狀況，確定了撥茬機(jī)構(gòu),、凹板-滾筒式根土分離機(jī)構(gòu),、抖動(dòng)式桿條輸送機(jī)構(gòu)主要結(jié)構(gòu)參數(shù)和運(yùn)動(dòng)參數(shù)，保證了根土復(fù)合體能逐步實(shí)現(xiàn)根土分離,。雙圓盤(pán)挖掘鏟田間試驗(yàn)結(jié)果表明,，玉米根土復(fù)合體挖凈率可達(dá)100%。整機(jī)土槽試驗(yàn)結(jié)果表明,，根土分離率為97.4%,，分離效果較好，所設(shè)計(jì)的對(duì)行挖掘式玉米根茬清土機(jī)具備有效的根茬挖掘及根土分離能力,。

Abstract:

針對(duì)東北地區(qū)玉米免耕播種時(shí)被動(dòng)式防堵裝置難以兼顧切斷效果與作業(yè)載荷的問(wèn)題,，基于動(dòng)態(tài)滑切原理設(shè)計(jì)了一種被動(dòng)式鋸齒圓盤(pán)防堵裝置，在充分應(yīng)用滑切減阻效應(yīng)的同時(shí)可有效提高秸稈切斷效果,。根據(jù)鋸齒圓盤(pán)動(dòng)態(tài)滑切特性構(gòu)建了動(dòng)態(tài)滑切轉(zhuǎn)換模型,，開(kāi)展了支撐切割下玉米秸稈鋸齒滑切特性試驗(yàn)，得到了鋸齒結(jié)構(gòu)下最優(yōu)動(dòng)態(tài)滑切角為15°~30°,，針對(duì)在鋸齒結(jié)構(gòu)下所產(chǎn)生的兩種特殊切割過(guò)程及力學(xué)曲線,，假設(shè)鋸齒前角對(duì)于接觸切割過(guò)程產(chǎn)生影響,，在此基礎(chǔ)上對(duì)圓盤(pán)鋸齒結(jié)構(gòu)參數(shù)進(jìn)行設(shè)計(jì)，結(jié)合土槽試驗(yàn)及離散元仿真試驗(yàn)對(duì)假設(shè)進(jìn)行了驗(yàn)證,。開(kāi)展二次回歸旋轉(zhuǎn)正交試驗(yàn),，得到鋸齒結(jié)構(gòu)最優(yōu)作業(yè)參數(shù)為：前進(jìn)速度2.0m/s、鋸齒前角21.3°,、齒高6.0mm,。根據(jù)仿真結(jié)果完成圓盤(pán)加工并開(kāi)展田間試驗(yàn)，試驗(yàn)結(jié)果表明：當(dāng)秸稈覆蓋量為1.97kg/m2,、作業(yè)速度2.0m/s時(shí),，鋸齒圓盤(pán)秸稈切斷率為76.2%，峰值下壓力為875.7N,，平均下壓力為544.1N,，通過(guò)對(duì)平面圓盤(pán)進(jìn)行鋸齒結(jié)構(gòu)設(shè)計(jì)，切斷率提高34.7個(gè)百分點(diǎn),，峰值下壓力和平均下壓力降低5.7%、7.9%,。圓盤(pán)作業(yè)性能良好,，滿足東北地區(qū)免耕播種要求。

Abstract:

為解決玉米株心定位困難及定位精度低的問(wèn)題,，針對(duì)復(fù)雜自然環(huán)境玉米葉冠數(shù)據(jù)，本文開(kāi)發(fā)了一種基于高貼合旋轉(zhuǎn)框的玉米株心定位方法,，并提出了一種能有效減少邊緣精度損失的標(biāo)注策略,。該定位方法首先通過(guò)使用高精度標(biāo)注策略和構(gòu)建具有自適性的輕量化漸進(jìn)特征金字塔網(wǎng)絡(luò)LC-AFPN，得到LCA-YOLO v7OBB玉米葉冠目標(biāo)檢測(cè)算法,，然后利用色彩空間濾波算法分割葉冠區(qū)域,，并使用間隙填充算法提升圖像質(zhì)量，最后利用圖像矩原理準(zhǔn)確計(jì)算株心坐標(biāo),。實(shí)驗(yàn)結(jié)果表明,，模型抗干擾能力強(qiáng)，株心定位準(zhǔn)確度高,。LCA-YOLO v7OBB模型平均檢測(cè)精度可達(dá)85.19%,，精確率和召回率達(dá)到91.83%和83.04%。與Rotated-FasterRCNN等12種旋轉(zhuǎn)目標(biāo)檢測(cè)模型相比,，LCA-YOLO v7OBB在準(zhǔn)確性和召回率等綜合性能方面表現(xiàn)最佳,。模型泛化能力強(qiáng),，在自建黃瓜、茄子2種數(shù)據(jù)集上進(jìn)行驗(yàn)證,，其平均精度,、精確率、召回率和F1值均有明顯提升,。本文方法能夠?yàn)榫珳?zhǔn)施肥,、農(nóng)機(jī)視覺(jué)導(dǎo)航等提供理論基礎(chǔ)和技術(shù)支持。

Abstract:

為提高風(fēng)蝕儀集沙效率，準(zhǔn)確掌握風(fēng)沙運(yùn)動(dòng)規(guī)律,，采用計(jì)算流體力學(xué)仿真方法并結(jié)合風(fēng)洞試驗(yàn)分析風(fēng)蝕儀內(nèi)部風(fēng)沙分離器結(jié)構(gòu)參數(shù)對(duì)集沙效率的影響,。在Fluent平臺(tái)中建立風(fēng)沙分離器模型，基于RNG k-ε模型進(jìn)行數(shù)值分析,，并采用離散相模型(DPM)方法計(jì)算集沙效率,，完成風(fēng)蝕儀內(nèi)部相關(guān)顆粒動(dòng)力學(xué)模擬。將風(fēng)蝕儀從楔形改進(jìn)為圓柱形,，優(yōu)化了風(fēng)蝕儀結(jié)構(gòu),，提高了集沙效率。研究了進(jìn)氣管入口風(fēng)速,、沙塵顆粒粒徑與風(fēng)沙分離器結(jié)構(gòu)參數(shù)（進(jìn)氣管長(zhǎng)度,、排氣管內(nèi)插深度、錐形導(dǎo)流板錐角,、筒體長(zhǎng)度）對(duì)集沙效率的影響,。仿真結(jié)果表明，當(dāng)風(fēng)速為13.8m/s時(shí),，粒徑小于0.01mm沙塵是影響集沙效率的主要粒子,。對(duì)風(fēng)沙分離器結(jié)構(gòu)參數(shù)進(jìn)行單因素試驗(yàn)，優(yōu)選出試驗(yàn)因素范圍,，開(kāi)展Box-Behnken試驗(yàn)對(duì)參數(shù)進(jìn)行優(yōu)化取值,，得到最優(yōu)參數(shù)組合：進(jìn)氣管長(zhǎng)度為12mm、排氣管內(nèi)插深度為70mm,、錐形導(dǎo)流板錐角為40°,、筒體長(zhǎng)度為160mm，此時(shí)集沙效率為77.05%。按最優(yōu)參數(shù)組合加工風(fēng)蝕儀模型并進(jìn)行風(fēng)洞試驗(yàn),，得到集沙效率為74.38%,，與仿真結(jié)果的誤差為3.47%，相較常見(jiàn)楔形風(fēng)沙分離器具有更好的集沙效果,。

Abstract:

針對(duì)東北壟作區(qū)秸稈還田后滅茬阻力大,、功耗高、滅茬率低,、作業(yè)后壟形差等問(wèn)題,，設(shè)計(jì)了一種與深松鏟互作的鋸齒式滅茬刀。通過(guò)離散元仿真確定鋸齒式滅茬刀與深松鏟安裝間距為60mm,，同時(shí)為滿足鋸齒式滅茬刀作業(yè)時(shí)正切刃與不同深度（30,、60、90,、120mm）的土壤顆粒產(chǎn)生相同的相對(duì)加速度,，結(jié)合滅茬刀與深松鏟動(dòng)力學(xué)分析，得到不同深度的滑切角,，確定了鋸齒式滅茬刀正切刃的刃口曲線。以刀盤(pán)直徑和滅茬刀安裝角為試驗(yàn)因素,，作業(yè)阻力,、功耗為試驗(yàn)指標(biāo)，進(jìn)行二因素五水平中心組合試驗(yàn),，得到刀盤(pán)直徑312mm,、安裝角73.2°時(shí)作業(yè)阻力和功耗最小（作業(yè)阻力為1167N,、功耗為14.6kW）,；田間試驗(yàn)以滅茬刀入土深度、機(jī)具前進(jìn)速度為試驗(yàn)因素,，作業(yè)阻力,、壟高寬比、滅茬率為試驗(yàn)指標(biāo),，優(yōu)化得到滅茬刀入土深度為102mm,、機(jī)具前進(jìn)速度為0.65m/s時(shí)，滅茬刀作業(yè)阻力為1467N、壟高寬比為0.529,、滅茬率為95.4%,。在此最優(yōu)作業(yè)參數(shù)下進(jìn)行田間性能對(duì)比試驗(yàn)，結(jié)果表明鋸齒式滅茬刀比傳統(tǒng)滅茬刀作業(yè)阻力降低13%,、壟高寬比提高6%,、滅茬率提高1個(gè)百分點(diǎn)，工作性能穩(wěn)定,，滿足機(jī)具作業(yè)質(zhì)量及農(nóng)藝要求,。

Abstract:

針對(duì)我國(guó)東北地區(qū)玉米原茬地免耕播種機(jī)高速作業(yè)時(shí),，播種施肥觸土部件堵塞導(dǎo)致播種作業(yè)質(zhì)量降低等問(wèn)題,，改進(jìn)設(shè)計(jì)一種適用于高速免少耕播種作業(yè)的側(cè)向清茬刀。通過(guò)對(duì)正切刃折彎曲線及作業(yè)過(guò)程理論分析,，確定了側(cè)向清茬刀的結(jié)構(gòu)和工作參數(shù),，構(gòu)建了清茬防堵裝置在田間作業(yè)過(guò)程中刀齒-土壤-根茬離散元仿真模型，進(jìn)行了以清茬刀正切刃折彎角,、作業(yè)速度和刀軸轉(zhuǎn)速為影響因子,，根茬清除率、土壤擾動(dòng)率和當(dāng)量功耗為評(píng)價(jià)指標(biāo)的二次回歸正交中心旋轉(zhuǎn)組合仿真試驗(yàn),。依據(jù)參數(shù)優(yōu)化仿真結(jié)果試制樣機(jī)并進(jìn)行田間性能試驗(yàn),，結(jié)果表明：在玉米殘茬覆蓋量1.73kg/m2、平均留茬高度400mm,、土壤硬度20.8kg/cm2條件下,，當(dāng)正切刃折彎角34.5°、作業(yè)速度14.4km/h,、刀軸轉(zhuǎn)速380r/min時(shí)性能最優(yōu),，此時(shí)根茬清除率91.6%、土壤擾動(dòng)率26.6%,、當(dāng)量功耗12.62kW,；安裝優(yōu)化清茬刀的清茬裝置比安裝側(cè)向清秸刀齒的根茬清除率提高12.67%。

Abstract:

針對(duì)大型凈作精播機(jī)在原茬地上無(wú)法正常作業(yè)的問(wèn)題,，本文設(shè)計(jì)一種寬幅折疊式前置側(cè)向種床整備裝置,，與現(xiàn)有大型凈作精播機(jī)組成一套聯(lián)合作業(yè)機(jī)組,，在任何狀態(tài)原茬地上，無(wú)需處理,，一次進(jìn)地可完成種床整備,、施肥、播種,、覆土鎮(zhèn)壓等全部播種作業(yè)環(huán)節(jié),。通過(guò)理論分析確定清秸單體結(jié)構(gòu)、清秸刀齒排布方式和折疊機(jī)構(gòu)關(guān)鍵參數(shù)范圍,，其中液壓缸行程為500mm,，通過(guò)仿真確定折疊與展開(kāi)過(guò)程中折疊機(jī)構(gòu)角速度、線速度變化均符合設(shè)計(jì)要求,，牙嵌離合器碰撞沖擊力隨著主動(dòng)牙嵌盤(pán)線速度呈非線性增長(zhǎng),，當(dāng)主動(dòng)牙嵌盤(pán)軌跡線速度為150mm/s、折疊角速度為0.314rad/s時(shí),，碰撞沖擊力為417N,，液壓系統(tǒng)各執(zhí)行元件同步性能、轉(zhuǎn)速和扭矩均滿足作業(yè)技術(shù)要求,。應(yīng)用三因素三水平正交試驗(yàn)方法,，以作業(yè)速度、刀軸轉(zhuǎn)速和刀齒入土深度為試驗(yàn)因素,，以清秸率,、清秸行間一致性系數(shù)、當(dāng)量功耗,、覆秸均勻度為評(píng)價(jià)指標(biāo),，實(shí)施田間參數(shù)優(yōu)化組合試驗(yàn)。試驗(yàn)結(jié)果表明,，當(dāng)作業(yè)速度為7.2km/h,、刀軸轉(zhuǎn)速為600r/min、入土深度為40mm時(shí),，種床整備裝置清秸率為90.02%,、覆秸均勻度為91.11%,、當(dāng)量功耗為6.08kW和清秸行間一致性系數(shù)為91.26%,。研究結(jié)果為提高大型凈作精播機(jī)利用率，增加大型機(jī)具道路運(yùn)輸便捷性,，減少機(jī)器多次進(jìn)地對(duì)土壤產(chǎn)生壓實(shí)破壞,，降低生產(chǎn)成本提供技術(shù)支持。

Abstract:

針對(duì)試驗(yàn)臺(tái)檢測(cè)排種器時(shí)未考慮種子觸土偏移,，導(dǎo)致檢測(cè)結(jié)果理想化的問(wèn)題，設(shè)計(jì)了一款鋪料式排種器試驗(yàn)臺(tái),。論證了試驗(yàn)臺(tái)檢測(cè)機(jī)理與地輪驅(qū)動(dòng)式播種機(jī)排種機(jī)理之間的差異以及播種機(jī)所排種子殘余速度的形成機(jī)理,，推導(dǎo)出播種機(jī)殘余速度的計(jì)算公式，并計(jì)算出工作速度為2.12km/h的花生分層施肥旋耕起壟播種機(jī)殘余速度為0.25~0.42m/s,。使用EDEM軟件進(jìn)行仿真分析,，并記錄球型種子與具有各向異性種子（以花生為例）在投種高度10~20cm、殘余速度0~0.42m/s以及30種觸土方式時(shí)的偏移距離與墜入深度,，結(jié)果表明：種子墜入深度越大,，偏移距離越小,；殘余速度一定,、投種高度過(guò)低時(shí)，種子的墜入深度較小,、偏移距離較大,；投種高度越大、殘余速度越小時(shí),，種子墜入深度越大,、偏移距離越小,；角速度與殘余速度的特定組合可以減少種子偏移距離,。使用本試驗(yàn)臺(tái)對(duì)旋耕播種機(jī)的排種器進(jìn)行中心組合試驗(yàn)，得到該排種器在工作速度為2km/h,、投種高度為15cm,、殘余速度為0.21m/s時(shí)作業(yè)效果最好，作業(yè)合格率達(dá)到87%,。田間試驗(yàn)結(jié)果表明：工作速度為2.12km/h,、投種高度為15cm時(shí)作業(yè)效果最好，粒距合格率達(dá)到84%,，證明所設(shè)計(jì)試驗(yàn)臺(tái)可以準(zhǔn)確檢測(cè)排種器排種合格率并探究其最佳工作參數(shù),。

Abstract:

針對(duì)玉豆帶狀復(fù)合種植機(jī)械化播種過(guò)程中田間秸稈量大,、代用機(jī)具播種質(zhì)量差,、作業(yè)效率低等問(wèn)題，設(shè)計(jì)一種在收獲后原茬地條件下一次進(jìn)地可同步完成“清秸防堵種床整理-玉米大豆精播施肥-秸稈均勻覆蓋”一體機(jī),。按照玉豆帶狀復(fù)合種植農(nóng)藝要求,，設(shè)計(jì)了一體機(jī)結(jié)構(gòu)；采用正交試驗(yàn)與離散元仿真相結(jié)合方法,，對(duì)清秸覆秸裝置結(jié)構(gòu)進(jìn)行了仿真分析和參數(shù)組合優(yōu)化,，當(dāng)作業(yè)速度為9.9km/h、刀軸轉(zhuǎn)速為625r/min,、清秸總成螺旋線頭數(shù)為3,、殘茬拋撒控制板傾角為90°時(shí)，清秸率為91.03%,、覆秸勻度為87.05%,，當(dāng)量功耗為9.79kW；在機(jī)收經(jīng)粉碎秸稈殘留量1.48kg/m2的玉米原茬地實(shí)施整機(jī)田間性能試驗(yàn),，結(jié)果表明：當(dāng)作業(yè)速度為7.2km/h（保證試驗(yàn)樣機(jī)排種器正常工作）,、大豆粒距為8cm、玉米粒距為10cm,、刀齒入土深度為50mm時(shí),，機(jī)具通過(guò)性良好，大豆,、玉米粒距合格指數(shù)分別為79.50%,、88.66%，重播指數(shù)分別為4.03%,、3.66%,，漏播指數(shù)分別為16.48%、7.68%,，變異系數(shù)分別為28.49%,、21.31%，大豆,、玉米播深合格率為90%,，施肥深度合格率為80%，種肥水平間距合格率為80%,，覆秸勻度為88.97%,，播后田間無(wú)晾籽現(xiàn)象。

Abstract:

針對(duì)大粒徑油莎豆種子表面凹凸不平、尺寸差異大而導(dǎo)致穴播器充種,、攜種不穩(wěn)定及難以實(shí)現(xiàn)精量播種的問(wèn)題,，結(jié)合油莎豆一穴2粒、等距穴播的農(nóng)藝要求,，設(shè)計(jì)了一種雙孔并行氣吸式油莎豆精量穴播器,。以油莎豆為研究對(duì)象，闡述了穴播器的結(jié)構(gòu)和基本原理,，對(duì)穴播器關(guān)鍵部件進(jìn)行設(shè)計(jì),，確定其結(jié)構(gòu)參數(shù)，對(duì)充種,、攜種過(guò)程進(jìn)行力學(xué)分析并構(gòu)建種子動(dòng)力學(xué)模型,。采用Fluent仿真模擬分析雙孔不同分布組合下不同位置截面流場(chǎng)的壓力、速度分布情況,，優(yōu)選確定了型孔最佳組合方式,。結(jié)合單因素試驗(yàn)，進(jìn)一步分析影響穴播器排種性能的主要參數(shù),，選取排種盤(pán)轉(zhuǎn)速,、氣室負(fù)壓、型孔直徑為試驗(yàn)因素,，以合格指數(shù),、漏播指數(shù)、重播指數(shù)為排種性能評(píng)價(jià)指標(biāo)進(jìn)行三因素五水平二次旋轉(zhuǎn)正交組合試驗(yàn),。對(duì)試驗(yàn)結(jié)果進(jìn)行多元回歸分析,，確定影響穴播器性能指標(biāo)的主次影響因素，并通過(guò)多目標(biāo)優(yōu)化確定最佳參數(shù)組合：排種盤(pán)轉(zhuǎn)速為34.3r/min,、負(fù)壓為19.79kPa,、型孔直徑為6.83mm，對(duì)此參數(shù)組合進(jìn)行臺(tái)架驗(yàn)證試驗(yàn),，合格指數(shù)為92.1%,，漏播指數(shù)為3.63%，重播指數(shù)為4.27%,，滿足油莎豆精量播種要求,，提高了排種均勻性。

Abstract:

針對(duì)我國(guó)中小型育苗工廠育苗機(jī)械化程度低,、不同批次標(biāo)準(zhǔn)化難控制,、缺少芽苗播種輔助機(jī)械等問(wèn)題，設(shè)計(jì)了一臺(tái)輕簡(jiǎn)化分體式蔬菜育苗基質(zhì)裝穴機(jī),，主要包含5部分：攪拌機(jī)構(gòu),、出料機(jī)構(gòu)、穴盤(pán)傳送系統(tǒng),、刮平機(jī)構(gòu)與控制系統(tǒng),；試驗(yàn)結(jié)果顯示其能夠依次完成基質(zhì)的加藥預(yù)濕攪拌、出料,、裝穴以及穴盤(pán)基質(zhì)刮平等工序,，以及數(shù)字化顯示預(yù)濕基質(zhì)的溫濕度、pH值和電導(dǎo)率（EC）,；當(dāng)出料口直徑為34mm,、雙螺旋布料輥轉(zhuǎn)速為80r/min、輸送帶運(yùn)送速度為0.44m/s時(shí),，基質(zhì)裝穴合格率最高,，達(dá)到99.05%，此時(shí)裝盤(pán)效率為300盤(pán)/h,；所選傳感器可數(shù)字化顯示攪拌后基質(zhì)的溫度,、濕度、pH值EC值,，便于大批量標(biāo)準(zhǔn)化工廠育苗,。

Abstract:

針對(duì)茄果類種苗嫁接前通過(guò)人工預(yù)切割效率低的問(wèn)題,，提出采用整盤(pán)機(jī)械式預(yù)切割的方法，以利于后續(xù)盤(pán)上嫁接作業(yè)空間增大和工作效率的提高,。設(shè)計(jì)了一種高度可調(diào)節(jié)的種苗整盤(pán)預(yù)切割裝置,，能夠適應(yīng)不同砧、穗苗品種,。采用ANSYS建立基于顯微鏡成像的番茄種苗,、辣椒種苗和茄子種苗組織結(jié)構(gòu)模型和不同刃角切刀的模型，進(jìn)行不同刃角切刀切苗效果仿真,，結(jié)果顯示采用30°刃角切刀切割后苗截面最平整,；以整盤(pán)番茄種苗、辣椒種苗和〖JP3〗茄子種苗為預(yù)切割對(duì)象，基于Design-Expert開(kāi)展四因素三水平響應(yīng)面分析試驗(yàn),。試驗(yàn)結(jié)果表明,，當(dāng)傳送帶速度0.3m/s、切割速率0.633m/s（電機(jī)轉(zhuǎn)速3500r/min）,、氣吹角度140°、氣流壓強(qiáng)0.5MPa時(shí),，預(yù)切割效果最佳,，平均成功率98.9%，預(yù)切割效率為600盤(pán)/h（72穴規(guī)格）,。

Abstract:

為探究油菜毯狀苗移栽機(jī)非圓齒輪行星系栽植機(jī)構(gòu)因前進(jìn)速度提升,，導(dǎo)致倒伏率升高的根本原因,，對(duì)栽植機(jī)構(gòu)運(yùn)移苗、推苗到苗塊落地的運(yùn)動(dòng)過(guò)程進(jìn)行了分析,，建立了栽植過(guò)程動(dòng)力學(xué)模型,，推導(dǎo)了苗塊與秧針、推苗部件,、土壤作用的運(yùn)動(dòng)受力方程和立苗平衡方程,；分析了橢圓齒輪行星輪系栽植機(jī)構(gòu)軌跡參數(shù)對(duì)苗塊落地角度、角速度和立苗的影響,；基于Matlab GUI編寫(xiě)了毯苗運(yùn)動(dòng)過(guò)程輔助分析軟件,，優(yōu)化出一組能夠滿足油菜毯狀苗栽植工作要求的軌跡參數(shù)(橢圓齒輪偏心率為1.5、齒輪模數(shù)為2.3mm,、齒數(shù)為19,、行星架初始安裝角為38°、栽植臂與行星架初始相位角為42°,、行星輪中心到秧針尖長(zhǎng)度為142mm),；進(jìn)行了栽植軌跡驗(yàn)證和對(duì)比臺(tái)架試驗(yàn)。結(jié)果表明：在苗齡35d,、苗高80mm油菜毯狀苗,、栽植頻率220穴/min作業(yè)條件下，隨著前進(jìn)速度增加,，倒伏率增加,、栽植合格率降低；在小于該試驗(yàn)條件下理論計(jì)算的立苗臨界前進(jìn)速度670mm/s時(shí),，當(dāng)前進(jìn)速度為600mm/s時(shí),，栽植機(jī)構(gòu)倒伏率為9.67%(較優(yōu)化前降低68.81%),，栽植合格率為88.67%(較優(yōu)化前提高31.69%)，苗塊落地姿態(tài)好,，滿足油菜毯狀苗的移栽要求,，驗(yàn)證了理論模型正確性和軌跡參數(shù)優(yōu)化合理性。該研究可為油菜毯狀苗移栽立苗機(jī)理分析和栽植機(jī)構(gòu)優(yōu)化設(shè)計(jì)提供參考,。

Abstract:

針對(duì)西北梯田地田小路窄的典型作業(yè)工況,，馬鈴薯聯(lián)合收獲掉頭轉(zhuǎn)彎困難,，以及大壟雙行覆膜覆土種植方式下，多數(shù)聯(lián)合收獲裝備存在作業(yè)效率低,、分離效果差,、傷薯率及含雜率高等問(wèn)題，本文設(shè)計(jì)一種多模轉(zhuǎn)向減粘碎土型馬鈴薯聯(lián)合收獲機(jī),。該機(jī)一次性完成挖掘,、薯土分離、薯膜分離,、清潔分選,、收集裝袋、自動(dòng)卸袋等工作,。結(jié)合西北梯田地馬鈴薯主產(chǎn)區(qū)收獲農(nóng)藝要求及作業(yè)工況,，確定了整機(jī)結(jié)構(gòu)和關(guān)鍵參數(shù)。利用仿生學(xué)原理,、三維掃描技術(shù),、逆向工程建模方法和動(dòng)力學(xué)數(shù)值分析等方法，設(shè)計(jì)并確定了多模轉(zhuǎn)向輪式底盤(pán),、復(fù)合仿生楔形挖掘鏟裝置,、碎土型分離升運(yùn)裝置、膜秧清除裝置,、人工除雜與自動(dòng)清選裝置等關(guān)鍵部件結(jié)構(gòu)及核心參數(shù),。對(duì)整機(jī)進(jìn)行設(shè)計(jì)并進(jìn)行了田間試驗(yàn)。田間試驗(yàn)結(jié)果表明,，平均損失率為1.98%,，平均傷薯率為1.59%，平均破皮率為2.15%，平均含雜率為1.84%,，平均生產(chǎn)率為0.21~0.36hm2/h,。設(shè)計(jì)的多模轉(zhuǎn)向減粘碎土型馬鈴薯聯(lián)合收獲機(jī)各項(xiàng)試驗(yàn)指標(biāo)均滿足國(guó)家及行業(yè)標(biāo)準(zhǔn)要求。

Abstract:

為實(shí)現(xiàn)蘋(píng)果自動(dòng)化采摘,，設(shè)計(jì)了一種結(jié)構(gòu)簡(jiǎn)單、便攜安裝在自動(dòng)化采摘設(shè)備上的單驅(qū)動(dòng)無(wú)纜式氣動(dòng)蘋(píng)果采摘手,，該采摘手采用微泵直驅(qū),，3根弧形爪指呈中心對(duì)稱分布由單個(gè)線性氣動(dòng)柔性驅(qū)動(dòng)器驅(qū)動(dòng),。手爪保持常閉狀態(tài),，作業(yè)時(shí)充壓張開(kāi)，泄壓被動(dòng)收攏抓取蘋(píng)果,。根據(jù)吉林地區(qū)蘋(píng)果特征參數(shù),，確定了采摘手關(guān)鍵部件設(shè)計(jì)及其尺寸參數(shù)，設(shè)計(jì)集成無(wú)纜式采摘系統(tǒng),?；隍?qū)動(dòng)器變形和力學(xué)特性，建立了手爪運(yùn)動(dòng)學(xué)和抓持力模型,，并進(jìn)行了采摘手性能測(cè)試,，獲得了其充泄壓下開(kāi)合角度變化和力學(xué)特性，結(jié)果表明采摘手開(kāi)合動(dòng)作迅速,，抓持力和開(kāi)合角度滿足目標(biāo)蘋(píng)果采摘需求,。利用臂式移動(dòng)機(jī)器人，開(kāi)展了試驗(yàn)環(huán)境下蘋(píng)果采摘試驗(yàn)和果園現(xiàn)場(chǎng)采摘試驗(yàn),，試驗(yàn)結(jié)果表明,，在采摘全程中該采摘手能安全且穩(wěn)定地抓持蘋(píng)果，采摘成功率為84.9%,，可實(shí)現(xiàn)復(fù)雜果園環(huán)境下蘋(píng)果采摘作業(yè),。

Abstract:

為解決基于機(jī)器視覺(jué)的茶鮮葉分級(jí)輸送速度控制精度低的問(wèn)題,，本文設(shè)計(jì)一種引入自適應(yīng)權(quán)重與Circle混沌映射的PSO優(yōu)化模糊PID控制器（AW-CPSO-Fuzzy-PID）,，并開(kāi)展基于改進(jìn)模糊PID的茶鮮葉分級(jí)輸送速度控制。在茶鮮葉輸送傳動(dòng)系統(tǒng)作業(yè)過(guò)程中，當(dāng)設(shè)定輸送速度為78.5mm/s時(shí),，每1ms記錄一次,，輸送速度波動(dòng)可控制在0.7mm/s內(nèi)；改進(jìn)模糊PID茶鮮葉輸送傳動(dòng)系統(tǒng)響應(yīng)時(shí)間比傳統(tǒng)PID與模糊PID分別減少81.41%,、61.74%,；超調(diào)量分別降低81.24%、41.82%,；采集目標(biāo)圖像平均峰值信噪比分別提高5.8,、10.4dB。結(jié)果表明,，本文提出的方法具有更好的尋優(yōu)性能和收斂速度,。研究結(jié)果為基于機(jī)器視覺(jué)的茶鮮葉自動(dòng)分級(jí)系統(tǒng)精確而穩(wěn)定的控制奠定了理論基礎(chǔ)，為解決由輸送速度波動(dòng)導(dǎo)致的圖像模糊問(wèn)題提供了技術(shù)方案,。

Abstract:

針對(duì)目前割膠機(jī)械割深不均勻,、樹(shù)皮起伏適應(yīng)能力差等問(wèn)題,設(shè)計(jì)一種激光測(cè)距控深割膠機(jī),，通過(guò)構(gòu)建數(shù)學(xué)模型分析割膠作業(yè)中的軌跡動(dòng)態(tài)，得到軌跡解析方程,?；诟钅z執(zhí)行機(jī)構(gòu)與橡膠樹(shù)的幾何關(guān)系確定割膠刀距離調(diào)整計(jì)算方法，明確測(cè)距點(diǎn)間隔角度對(duì)割膠刀調(diào)整誤差的影響機(jī)制,，利用Arduino控制板實(shí)現(xiàn)了割膠過(guò)程中的軌跡行走和刀具精準(zhǔn)控制,。以位移電機(jī)轉(zhuǎn)速、耗皮量與切割深度閾值為試驗(yàn)因素,，以單次割膠刀具調(diào)整次數(shù),、壓力方差和切割深度合格率為評(píng)價(jià)指標(biāo)，進(jìn)行正交試驗(yàn),。試驗(yàn)結(jié)果表明：位移電機(jī)轉(zhuǎn)速24r/min,、不同耗皮量和切割深度閾值設(shè)定范圍條件下，切割深度合格率均可達(dá)到87%,，當(dāng)位移電機(jī)轉(zhuǎn)速為24r/min,、耗皮量為1.3mm、切割深度閾值為-0.1～0.1mm時(shí)取得最優(yōu)割膠效果,，切割深度合格率為95.74%,，平均刀具調(diào)整次數(shù)為22.33次,，壓力方差為14.89N2，且割面平滑度較好,，滿足割膠作業(yè)要求,。

Abstract:

葉頂間隙不可避免地存在于軸流泵的葉輪室內(nèi),，其所誘導(dǎo)產(chǎn)生的葉頂間隙泄漏渦及其空化流動(dòng)極易造成揚(yáng)程效率等關(guān)鍵性能參數(shù)的降低，并伴隨振動(dòng),、噪聲等不良現(xiàn)象的增強(qiáng),，嚴(yán)重影響軸流泵的安全穩(wěn)定高效運(yùn)行，甚至造成水泵裝置的損壞,。為了研究葉頂間隙對(duì)水泵裝置空化流動(dòng)特性的影響,，基于計(jì)算流體力學(xué)采用SST-CC模型結(jié)合ZGB空化模型對(duì)某傾斜安裝的軸流泵（斜式軸流泵）開(kāi)展數(shù)值研究，葉頂間隙尺寸選取?。é?R=0.0010）,、中（δ/R=0.0033）,、大（δ/R=0.0067）以及無(wú)葉頂間隙4個(gè)方案，分析空化與水泵能量性能的相互作用關(guān)系,。結(jié)果表明：葉頂間隙可降低斜式軸流泵的能量性能,，所產(chǎn)生的能量損失與葉頂間隙尺寸呈正相關(guān)?？栈鲬B(tài)方面,，小葉頂間隙方案與無(wú)葉頂間隙方案相差較小，空化形態(tài)主要呈現(xiàn)為葉面空化,；但是在中、大葉頂間隙方案中可見(jiàn)明顯的片狀空化,，其與葉面空化相融合,，最終形成楔形空化區(qū),。通過(guò)葉輪吸力面的流態(tài)和邊界渦量流分布得知，空化導(dǎo)致葉輪吸力面產(chǎn)生水流匯聚,，隨后流向葉頂區(qū)域并導(dǎo)致流動(dòng)分離,；流動(dòng)分離與葉輪尾流相互作用,，并最終形成葉道渦,。這種現(xiàn)象隨著葉頂間隙尺寸的產(chǎn)生與增加呈現(xiàn)出更明顯、更高程度的趨勢(shì),。此外,，針對(duì)葉頂間隙區(qū)域的三維流態(tài)分析表明,，空化區(qū)域與葉頂間隙泄漏流區(qū)域高度重合,，即片狀空化為葉頂間隙泄漏流挾帶空化氣泡所形成。通過(guò)熵產(chǎn)理論分析表明,，空化工況下斜式軸流泵能量性能下降的主要因素為葉道渦和葉頂間隙泄漏渦,，兩種渦的強(qiáng)度、影響范圍及其造成的能量損失隨著葉頂間隙尺寸的增加而增加,。

Abstract:

針對(duì)當(dāng)前固體廢棄物在遙感影像中標(biāo)注困難,、特征復(fù)雜,、邊界提取精度低等問(wèn)題，提出了一種基于弱監(jiān)督學(xué)習(xí)的兩階段方法：第1階段采用圖像級(jí)標(biāo)簽數(shù)據(jù)集,，在5種網(wǎng)絡(luò)模型中進(jìn)行對(duì)比實(shí)驗(yàn),，最后選擇Swin Transformer作為特征學(xué)習(xí)模型。然后,，采用梯度加權(quán)類激活映射圖進(jìn)行特征區(qū)域可視化,，以得到熱力圖。隨后融合自適應(yīng)閾值法和色差法作用于熱力圖,，獲取固體廢棄物粗輪廓,。第2階段采用DeepSnake模型進(jìn)行優(yōu)化以得到精細(xì)化輪廓。利用無(wú)人機(jī)多光譜遙感影像數(shù)據(jù),，對(duì)河北省廊坊市開(kāi)發(fā)區(qū)內(nèi)6個(gè)典型城鄉(xiāng)結(jié)合地區(qū)進(jìn)行實(shí)驗(yàn),。第1階段，對(duì)5種網(wǎng)絡(luò)模型進(jìn)行測(cè)試,，Swin Transformer優(yōu)勢(shì)顯著,，精確率93.8%、召回率95.0%,、F1分?jǐn)?shù)94.4%,，同時(shí)通過(guò)注意力區(qū)域可視化對(duì)比也顯示其識(shí)別效果最好,；自適應(yīng)閾值和色差法融合法的粗輪廓提取在二值化對(duì)比實(shí)驗(yàn)下顯示出優(yōu)勢(shì)。第2階段,，精輪廓提取定量分析采用了COCO數(shù)據(jù)集的評(píng)價(jià)指標(biāo)平均精度(Average precision,AP)進(jìn)行評(píng)價(jià),，在IOU為0.5時(shí)，AP為91.3%,；IOU為0.75時(shí),，AP為77.5%。同時(shí),，在1,、2階段輪廓提取的定性比較下，顯示出DeepSnake的優(yōu)化作用,。實(shí)驗(yàn)結(jié)果表明：本研究能夠利用圖像級(jí)標(biāo)簽數(shù)據(jù)集精確識(shí)別提取固體廢棄物,，具有顯著的精度優(yōu)勢(shì)，可為我國(guó)城鄉(xiāng)生態(tài)環(huán)境治理等提供可行方法,。

Abstract:

在維護(hù)生態(tài)安全和實(shí)現(xiàn)高質(zhì)量發(fā)展的背景下,，科學(xué)構(gòu)建濱海地區(qū)生態(tài)安全格局可以有效協(xié)調(diào)區(qū)域發(fā)展與生態(tài)環(huán)境保護(hù)之間的關(guān)系,。以東營(yíng)市為例，采用生態(tài)敏感性評(píng)價(jià)提取生態(tài)源地,，并根據(jù)陸,、河、灘等重要生態(tài)要素的分布特征將生態(tài)源地分區(qū),，分別從初始生態(tài)源地和分區(qū)后生態(tài)源地2個(gè)角度構(gòu)建“面（生態(tài)源地）-線（生態(tài)廊道）-點(diǎn)（生態(tài)夾點(diǎn),、生態(tài)障礙點(diǎn)）”生態(tài)安全格局,，綜合識(shí)別國(guó)土空間生態(tài)保護(hù)與修復(fù)關(guān)鍵區(qū)域,。結(jié)果表明：東營(yíng)市初始生態(tài)源地共49處，主要分布在北部和東部的低海拔濱海濕地區(qū),，經(jīng)歸并后劃分成17個(gè)生態(tài)源地片區(qū),；研究區(qū)綜合阻力最高達(dá)98.742，高阻力集中在建成區(qū)及其周邊,；以初始生態(tài)源地和生態(tài)源地片區(qū)分別構(gòu)建生態(tài)廊道84條和24條,，2類結(jié)果重疊的生態(tài)廊道具有顯著生態(tài)意義；此外,，識(shí)別生態(tài)夾點(diǎn)72處,，位于河流廊道上的生態(tài)夾點(diǎn)需重點(diǎn)維護(hù)與管理；生態(tài)障礙點(diǎn)54處,，主要分布在東營(yíng)區(qū),、墾利區(qū)和利津縣,。對(duì)于不同類別的關(guān)鍵區(qū)，提出相應(yīng)的保護(hù),、維護(hù),、管理以及修復(fù)策略，統(tǒng)籌“陸-河-灘-?！比蛏鷳B(tài)保護(hù),，可為其他濱海地區(qū)生態(tài)安全格局構(gòu)建與優(yōu)化提供參考。

Abstract:

為解決星載LiDAR(Light laser detection and ranging)GEDI（Global ecosystem dynamics investigation）發(fā)射波激光脈沖難以穿透密林區(qū)森林冠層從而精準(zhǔn)獲取林下地形信息，以及在高坡度地形會(huì)增加GEDI林分冠層回波與林下地形回波重疊度進(jìn)而難以高精度估測(cè)森林冠層高度的問(wèn)題,，結(jié)合冬季闊葉林落葉特性及GEDI發(fā)射波激光脈沖有強(qiáng)穿透性的特點(diǎn),，對(duì)GEDI波形長(zhǎng)度參數(shù)按照不同季節(jié)森林構(gòu)建冠層高度估測(cè)模型，分析GEDI不同百分比波形長(zhǎng)度參數(shù)rh_aN在夏季,、冬季森林冠層高度估測(cè)精度,；之后引入地形坡度因子DTM數(shù)據(jù)修正森林冠層高度估測(cè)模型，分坡度估測(cè)森林冠層高度,，解決由高坡度地形引起的林分冠層回波與林下地形回波重疊導(dǎo)致森林冠層高度估測(cè)精度偏低問(wèn)題,。研究結(jié)果表明，夏季森林冠層高度估測(cè)決定系數(shù)R2為0.573,，均方根誤差（RMSE）為3.695m,；冬季估測(cè)R2為0.633，RMSE為3.671m,；冬季森林冠層高度估測(cè)模型經(jīng)地形坡度校正后整體估測(cè)精度R2為0.709,，RMSE為3.271m。冬季森林冠層高度估測(cè)精度明顯優(yōu)于夏季,，且引入地形坡度因子后能有效提高不同地形坡度條件下森林冠層高度估測(cè)精度,。

Abstract:

煙葉加料作為煙草加工制絲工藝中的關(guān)鍵環(huán)節(jié),，對(duì)改善煙葉的物理和化學(xué)特性,，以及提升產(chǎn)品品質(zhì)具有重要意義，但現(xiàn)有加料精度檢測(cè)主要集中在用量監(jiān)控,，缺乏加料后效果的評(píng)估,。本文針對(duì)加料后煙葉的微量添加物含量的無(wú)損檢測(cè)及可視化分析,，構(gòu)建了基于高光譜成像和卷積神經(jīng)網(wǎng)絡(luò)（CNN）方法的煙葉微量添加物含量檢測(cè)模型、光譜預(yù)處理方法與特征波長(zhǎng)選擇技術(shù)優(yōu)化開(kāi)展建模探究,。通過(guò)高光譜成像系統(tǒng)采集添加不同比例丙二醇煙葉樣本的光譜數(shù)據(jù),，分別采用標(biāo)準(zhǔn)正態(tài)變換（SNV）、多元散射校正（MSC）,、Savitzky-Golay濾波平滑3種數(shù)據(jù)預(yù)處理方法對(duì)比,，并通過(guò)競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（CARS）、主成分分析（PCA）篩選特征波長(zhǎng)以及光譜曲線波谷點(diǎn)對(duì)應(yīng)波長(zhǎng),，確定了1146,、1614、2511,、2517,、2522、1941nm 6個(gè)共同的一致關(guān)鍵波長(zhǎng),。分別構(gòu)建CNN,、隨機(jī)森林（RF）,、偏最小二乘回歸（PLSR）模型進(jìn)行加料煙葉微量添加物丙二醇含量的檢測(cè),。結(jié)果表明，SNV-PCA-CNN模型在訓(xùn)練集和測(cè)試集中的檢測(cè)效果最佳,，取前4個(gè)主成分?jǐn)?shù)量累計(jì)貢獻(xiàn)率可達(dá)99%,，訓(xùn)練集決定系數(shù)R2C為0.9880,、均方根誤差RMSE為0.0020kg/kg，測(cè)試集決定系數(shù)R2P為0.9896,、均方根誤差RMSE為0.0021kg/kg,，具備優(yōu)良的擬合與泛化能力，深度學(xué)習(xí)CNN模型在測(cè)試集上的表現(xiàn)顯著優(yōu)于機(jī)器學(xué)習(xí)RF和PLSR方法,。因此基于高光譜成像的CNN模型能夠?qū)恿蠠熑~微量添加物丙二醇含量及可視化進(jìn)行準(zhǔn)確檢測(cè)及評(píng)估,。

Abstract:

為了實(shí)現(xiàn)生物炭表面碳氧元素與活性基團(tuán)的高精快速預(yù)測(cè)，基于課題組積累的120組生物炭樣品,，建立了包含生物炭中紅外光譜和表面碳氧元素及其賦存形態(tài)定量表征信息的數(shù)據(jù)集,；采用支持向量機(jī)(SVM)、隨機(jī)森林(RF)機(jī)器學(xué)習(xí)智能建模方法,，結(jié)合區(qū)間偏最小二乘法(IPLS)和主成分分析法(PCA)等特征篩選策略,，構(gòu)建了IPLS+RF,、IPLS+SVM、PCA+RF,、PCA+SVM共4種預(yù)測(cè)模型,，實(shí)現(xiàn)了表面碳氧元素含量(S_C、S_O)以及8種碳氧賦存形態(tài)共計(jì)10個(gè)預(yù)測(cè)目標(biāo)的定量快速預(yù)測(cè),。其中,，碳氧賦存形態(tài)有來(lái)自C1s能譜的C=C、C—C,、C—O,、C=O、O=C—O共5種形態(tài)(C_C=C,、C_C—C,、C_C—O、C_C=O,、C_O=C—O)以及來(lái)自O(shè)1s能譜的C=O,、C—O、O=C—O共3種形態(tài)(O_C=O,、O_C—O,、O_O=C—O)。研究結(jié)果表明：生物炭表面碳元素的主要賦存形態(tài)為C_C=C,、O_C—O,生物炭表面氧元素的主要賦存形態(tài)為C_C—O,、C_C=O、C_O=C—O以及O_C=O,；特征波段4000~3464cm-1和1588~650cm-1均包含與生物炭表面碳氧元素含量及其賦存形態(tài)高度相關(guān)的特征信息,，但1588~650cm-1蘊(yùn)含的信息更為豐富；從模型預(yù)測(cè)精度來(lái)看,，IPLS+RF,、IPLS+SVM、PCA+RF,、PCA+SVM這4種預(yù)測(cè)模型均具有良好的預(yù)測(cè)能力,，IPLS+SVM和PCA+SVM尤為突出，對(duì)10個(gè)預(yù)測(cè)目標(biāo)的最優(yōu)模型決定系數(shù)均在093以上,；但從模型穩(wěn)定性和泛化能力來(lái)看,，C_C—C、C_O=C—O,、O_C=O,、O_C—O還有待進(jìn)一步提升。

Abstract:

針對(duì)自然環(huán)境下水稻病害檢測(cè)準(zhǔn)確性與效率不高等問(wèn)題，本文提出一種改進(jìn)YOLO v5s的輕量化檢測(cè)模型YOLO-RD,，并將其部署至邊緣計(jì)算設(shè)備,，設(shè)計(jì)便攜式檢測(cè)裝置，實(shí)現(xiàn)水稻病害快速檢測(cè),。通過(guò)引入GhostNet網(wǎng)絡(luò)減少計(jì)算量和參數(shù)量,。結(jié)合輕量級(jí)注意力機(jī)制Shuffle Attention和動(dòng)態(tài)檢測(cè)頭DyHead(Dynamic head)，增強(qiáng)模型對(duì)水稻病害圖像的特征提取和自適應(yīng)檢測(cè)能力,。使用Shape-IoU替代CIoU損失函數(shù),，提升自然環(huán)境下檢測(cè)精度。試驗(yàn)結(jié)果表明,，YOLO-RD模型在平均精度均值(mean Average Precision, mAP)達(dá)到94.2%的同時(shí)，大幅降低計(jì)算復(fù)雜度和參數(shù)量,，具有良好的輕量化效果,，與基準(zhǔn)模型相比計(jì)算量,、參數(shù)量和內(nèi)存占用量分別減少44.4%,、43.2%和41.3%。與YOLO 11n,、YOLO v8n和YOLO v5n等目標(biāo)檢測(cè)模型對(duì)比，本模型檢測(cè)效果最佳,。將模型在樹(shù)莓派4B邊緣計(jì)算設(shè)備上部署,，單幅圖像檢測(cè)時(shí)間為1.97s，滿足實(shí)際應(yīng)用需求,，可為水稻病害智能化檢測(cè)提供高效可行的解決方案,。

Abstract:

機(jī)器人自動(dòng)化采收是溫室串番茄收獲作業(yè)的有效解決方案，其中串番茄成熟度是機(jī)器人采摘決策的重要依據(jù),。本文利用Deep White-Balance與Zero-DCE深度神經(jīng)網(wǎng)絡(luò)分別實(shí)現(xiàn)串番茄圖像偏色修正和陰影細(xì)節(jié)增強(qiáng),，改善補(bǔ)光環(huán)境與夜間環(huán)境下圖像偏色與局部弱光等問(wèn)題。同時(shí)引入深度殘差收縮網(wǎng)絡(luò),，在YOLO v5s中構(gòu)建RSBottleneck-CW模塊對(duì)特征圖進(jìn)行軟閾值化處理,，抑制圖像中的噪聲干擾。實(shí)驗(yàn)結(jié)果表明,，在夜間環(huán)境下,，圖像經(jīng)Zero-DCE算法增強(qiáng)處理后，檢測(cè)模型召回率達(dá)到0.924,，捕獲到了更多的番茄果實(shí)與果串目標(biāo),。在補(bǔ)光環(huán)境下，圖像經(jīng)過(guò)Deep White-Balance與Zero-DCE聯(lián)合處理后恢復(fù)了真實(shí)色彩并增強(qiáng)了紋理細(xì)節(jié),，檢測(cè)模型平均精度均值(mAP)達(dá)到0.849,，相比于處理前提升0.038。而嵌入RSBottleneck-CW模塊的YOLO v5s對(duì)特征圖噪聲表現(xiàn)出了很強(qiáng)的適應(yīng)性能,，不管是否對(duì)圖像進(jìn)行深度增強(qiáng),，其mAP與F1值始終比原始YOLO v5s更高，夜間環(huán)境下mAP和F1值最高分別為0.902,、0.844,，補(bǔ)光環(huán)境下mAP和F1值最高分別為0.868、0.817,。檢測(cè)模型檢測(cè)出果實(shí)與果串后,，利用邊框匹配算法可以獲取到串番茄最終的成熟度。當(dāng)串番茄成熟度為90%~100%時(shí),，夜間環(huán)境與補(bǔ)光環(huán)境下串番茄成熟度識(shí)別平均絕對(duì)誤差分別為1.837%,、1.067%，可為串番茄采摘機(jī)器人夜間自動(dòng)采收作業(yè)提供決策依據(jù),。

Abstract:

針對(duì)三七葉片病害中灰霉病與疫病表型特征高度相似、炭疽病等病害病灶區(qū)域小且形態(tài)復(fù)雜導(dǎo)致的圖像分割特征提取困難與識(shí)別精度不足問(wèn)題,，本文提出了Transformer-DCNv2-BlendMask（TD-BlendMask）三七葉片多類別病害圖像分割模型,。首先，為了解決三七葉病害視覺(jué)相似問(wèn)題，引入了Transformer編碼器來(lái)捕獲多種病害類別的長(zhǎng)距離依賴性,。其次,，可變形卷積網(wǎng)絡(luò)（DCNv2）通過(guò)引入偏移量，使其在分割各種復(fù)雜形狀的病害方面具有更好的適應(yīng)性,。最后,，與其他常用的實(shí)例分割模型（如BoxInst、ConInst,、SOLOv2,、Mask R-CNN和YOLO v8-seg）在包含多類別疾病的三七葉片病害數(shù)據(jù)集上進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明,，所提出模型精確度（AP）達(dá)到86.14%,，比基準(zhǔn)模型高3.17個(gè)百分點(diǎn)，相比經(jīng)典的Mask R-CNN模型高出4.37個(gè)百分點(diǎn),。在灰霉病,、疫病和炭疽病類別上，分別提高0.16,、4.32,、4.46個(gè)百分點(diǎn)。因此,，本文所提出的方法為在復(fù)雜環(huán)境中準(zhǔn)確分割形狀復(fù)雜且視覺(jué)高度相似的病害提供了有效解決方案,，有助于實(shí)現(xiàn)病害準(zhǔn)確量化。

Abstract:

針對(duì)傳統(tǒng)蟻群算法在農(nóng)機(jī)導(dǎo)航路徑規(guī)劃中存在前期搜索盲目,、死鎖,、收斂速度慢、收斂路徑質(zhì)量低的問(wèn)題,，本文提出基于跳點(diǎn)優(yōu)化蟻群算法(Jump point optimized ant colony algorithm, JPOACO)的路徑規(guī)劃方法,。首先，使用優(yōu)化跳點(diǎn)搜索算法對(duì)地圖進(jìn)行預(yù)處理,，獲得簡(jiǎn)化跳點(diǎn),；其次，通過(guò)簡(jiǎn)化跳點(diǎn)對(duì)柵格地圖進(jìn)行信息素初始化,，以加強(qiáng)簡(jiǎn)化跳點(diǎn)的引導(dǎo)能力和減少前期盲目搜索,；接著,，設(shè)計(jì)螞蟻死亡懲罰機(jī)制，以降低陷入死鎖螞蟻?zhàn)哌^(guò)路徑的信息素,，減少死鎖問(wèn)題的發(fā)生,；再者，通過(guò)重新設(shè)計(jì)啟發(fā)式信息函數(shù)并引入分級(jí)式信息素因子改進(jìn)狀態(tài)轉(zhuǎn)移概率函數(shù),，以提高收斂速度,，縮短路徑長(zhǎng)度,；最后,，采用路徑優(yōu)化策略刪減不必要路徑節(jié)點(diǎn)，以進(jìn)一步縮短路徑長(zhǎng)度,、提升平滑度,，提高路徑質(zhì)量。仿真結(jié)果表明,在簡(jiǎn)單環(huán)境中,，JPOACO算法求得的路徑長(zhǎng)度較傳統(tǒng)蟻群算法和另一種優(yōu)化蟻群算法短約22.6%和2.0%,，收斂迭代次數(shù)、收斂時(shí)間分別減少約77.0%,、77.5%和49.3%,、87.8%，零死亡迭代次數(shù)和零死亡時(shí)間較后者減少約19.5%和80.5%,；在復(fù)雜菠蘿種植環(huán)境中,，JPOACO算法較傳統(tǒng)蟻群算法和另一種優(yōu)化蟻群算法求得的路徑長(zhǎng)度短16.6%和4.7%，收斂迭代次數(shù),、收斂時(shí)間分別減少約77.1%,、17.4%和73.7%、47.4%,，零死亡迭代次數(shù)和零死亡時(shí)間較后者減少約34.3%和58.2%,，表明本文算法具有較高的適用性和可行性。

Abstract:

隨著生豬養(yǎng)殖業(yè)向規(guī)模化和集約化轉(zhuǎn)型,，非侵入式個(gè)體識(shí)別技術(shù)對(duì)于追蹤溯源,、食品安全、疾病控制等方面至關(guān)重要,，而豬只面部關(guān)鍵點(diǎn)定位技術(shù)是實(shí)現(xiàn)豬只非侵入式個(gè)體識(shí)別的前提,。本研究基于SimCC關(guān)鍵點(diǎn)定位算法提出一種豬只面部關(guān)鍵點(diǎn)定位模型FCM-SimCC,，使用FasterNet代替原算法的CSPDarkNet作為特征提取網(wǎng)絡(luò)；通過(guò)在FasterNet中嵌入CA注意力機(jī)制,，提高模型對(duì)長(zhǎng)距離特征的捕獲能力,；使用MLT自適應(yīng)權(quán)重多任務(wù)損失函數(shù)聯(lián)合KL散度損失函數(shù)與Wing Loss損失函數(shù)對(duì)模型進(jìn)行監(jiān)督。在包含多個(gè)豬只品種,、多種面部姿態(tài)的4861幅圖像的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),，結(jié)果表明本研究模型平均精度均值、50%平均精度,、75%平均精度分別為76.12%,、93.44%、83.25%,，相比原模型分別提升3.14,、1.77、4.47個(gè)百分點(diǎn),，浮點(diǎn)運(yùn)算量為2.79×109,，參數(shù)量為1.38×107，浮點(diǎn)運(yùn)算量減少38.68%,，參數(shù)量減少20.16%,。并與DarkPose、HRNet,、YOLO X-Pose等主流關(guān)鍵點(diǎn)定位方法進(jìn)行對(duì)比,，實(shí)驗(yàn)結(jié)果表明FCM-SimCC模型能夠在較低的浮點(diǎn)運(yùn)算量與較少模型參數(shù)量的基礎(chǔ)上實(shí)現(xiàn)快速精準(zhǔn)的豬只面部關(guān)鍵點(diǎn)定位，為豬只面部關(guān)鍵點(diǎn)定位及后續(xù)的豬只個(gè)體身份識(shí)別等提供技術(shù)支持,。

Abstract:

為提高奶牛熱應(yīng)激預(yù)測(cè)模型的準(zhǔn)確性和可解釋性,，本研究采用奶牛紅外體表溫度和熱應(yīng)激潛在影響因子作為特征,，基于極限梯度提升算法（XGBoost）構(gòu)建個(gè)體熱應(yīng)激預(yù)測(cè)模型，并引入基于Shapley值的可加性特征歸因算法（SHapley Additive exPlanations,，SHAP）解釋預(yù)測(cè)結(jié)果,。選取了軀干、前乳（UD）,、臉部以及眼部的最高溫度（IRTmax）和平均溫度（IRTave）作為體表溫度變量,，并結(jié)合環(huán)境參數(shù)和奶牛相關(guān)變量構(gòu)建了特征子集。結(jié)果顯示,，熱應(yīng)激情況下,，奶牛4個(gè)部位的IRTmax和IRTave均顯著高于無(wú)熱應(yīng)激情況（p<0.01）,。對(duì)比隨機(jī)森林、自適應(yīng)提升和梯度提升樹(shù)模型,，結(jié)果表明,，使用前乳平均溫度（IRTave_UD）作為輸入特征，并經(jīng)過(guò)網(wǎng)格搜索優(yōu)化的XGBoost模型在預(yù)測(cè)奶牛熱應(yīng)激方面表現(xiàn)最佳,，其準(zhǔn)確率為80.8%,，F(xiàn)1值為79.2%，ROC曲線下面積（AUC）為0.873,。SHAP分析表明,，前乳平均溫度（IRTave_UD）與熱應(yīng)激發(fā)生呈正相關(guān)，而泌乳天數(shù)與其呈負(fù)相關(guān),，這兩者可作為奶牛熱應(yīng)激識(shí)別的關(guān)鍵指標(biāo),。研究結(jié)果可為奶牛舍夏季精準(zhǔn)降溫管理提供技術(shù)支持和參考。

Abstract:

傳統(tǒng)人工測(cè)量方法在蛋雞雞冠肉垂面積測(cè)算中存在接觸性應(yīng)激風(fēng)險(xiǎn),、人畜共患病隱患及測(cè)量誤差較大等問(wèn)題。為此,，本研究提出基于YOLO v7與改進(jìn)U-Net的雞冠肉垂自動(dòng)分割與面積計(jì)算方法,。構(gòu)建兩階段檢測(cè)框架：利用YOLO v7完成雞頭姿態(tài)篩選與ROI提取，有效消除非正視角圖像干擾,；提出融合Contextual Transformer的CoT-UNet模型：通過(guò)將CoT塊融入U(xiǎn)-Net編碼器實(shí)現(xiàn)動(dòng)態(tài)和靜態(tài)上下文特征融合,，結(jié)合本文構(gòu)建的DyC-UP上采樣模塊（采用動(dòng)態(tài)可調(diào)卷積核強(qiáng)化不規(guī)則邊緣特征提取）,，顯著提升不同雞冠特征分割能力,；建立像素-面積轉(zhuǎn)換算法：基于標(biāo)定系數(shù)實(shí)現(xiàn)從圖像空間到物理空間的精準(zhǔn)映射。實(shí)驗(yàn)結(jié)果表明,，改進(jìn)CoT-UNet相較基線模型,，在雞冠和肉垂分割任務(wù)中，IoU提升4.77,、8.75個(gè)百分點(diǎn),，精確率提升5.31、5.06個(gè)百分點(diǎn),，分割質(zhì)量改善顯著,。在面積計(jì)算精度方面，雞冠面積絕對(duì)誤差（0.62~3.50cm2）和肉垂面積絕對(duì)誤差（0.10~2.93cm2）較傳統(tǒng)手工測(cè)量（3.58~7.27cm2）具有明顯優(yōu)勢(shì),。多場(chǎng)景驗(yàn)證顯示,，在不同姿態(tài)（3類）,、拍攝角度（2種）和距離（2種）條件下，雞冠面積相對(duì)誤差為2.41%~13.62%,，肉垂面積相對(duì)誤差為1.00%~29.21%,。本研究實(shí)現(xiàn)了非接觸式禽類生物特征精準(zhǔn)測(cè)量，為智慧化種雞選育提供了可靠的技術(shù)支持,。

Abstract:

為實(shí)現(xiàn)籠養(yǎng)蛋雞聲音的準(zhǔn)確分類,，實(shí)現(xiàn)蛋雞健康,、情緒、生產(chǎn)狀態(tài)等信息的智能化,、非接觸式檢測(cè),，提出了一種基于改進(jìn)MobileNetV3的籠養(yǎng)蛋雞聲音分類識(shí)別方法。以欣華二號(hào)蛋雞為研究對(duì)象,，采集蛋雞在籠養(yǎng)條件下發(fā)出的熱應(yīng)激聲,、驚嚇聲、產(chǎn)蛋聲以及鳴唱聲,，經(jīng)過(guò)聲音預(yù)處理將一維聲音信號(hào)轉(zhuǎn)化為三維梅爾頻譜圖,，建立了包括8541幅梅爾頻譜圖的蛋雞聲音數(shù)據(jù)集。通過(guò)在MobileNetV3中引入高效通道注意力(Efficient channel attention, ECA)模塊,，提高了籠養(yǎng)蛋雞聲音分類準(zhǔn)確率,。試驗(yàn)結(jié)果表明，MobileNetV3-ECA模型準(zhǔn)確率,、召回率,、精確率以及F1分?jǐn)?shù)分別達(dá)到95.25%、95.16%,、95.02%,、95.08%，相比原始模型分別提高1.99,、2.08,、2.00、2.04個(gè)百分點(diǎn),。通過(guò)與分別引入坐標(biāo)注意力(Coordinate attention, CA),、卷積塊注意力模塊(Convolutional block attention module, CBAM)的模型對(duì)比，引入ECA模塊后模型準(zhǔn)確率分別提高2.11,、2.03個(gè)百分點(diǎn),，其他指標(biāo)同樣有更明顯的提高,。與ShuffleNetV2、DesNet121和EfficientNetV2模型相比,，MobileNetV3-ECA準(zhǔn)確率分別提高1.99,、2.03、2.50個(gè)百分點(diǎn),。本文提出的基于MobileNetV3-ECA的蛋雞聲音分類識(shí)別方法,，能夠有效且準(zhǔn)確地實(shí)現(xiàn)對(duì)包括熱應(yīng)激聲在內(nèi)的不同種類蛋雞聲音分類識(shí)別，為蛋雞規(guī)?；B(yǎng)殖中的自動(dòng)化,、智能化聲音檢測(cè)提供了算法支持，為禽舍巡檢機(jī)器人功能優(yōu)化提供了參考,，同時(shí)為規(guī)?；\養(yǎng)蛋雞熱應(yīng)激預(yù)警開(kāi)辟了思路。

Abstract:

為揭示不同水肥一體化模式下蘋(píng)果樹(shù)細(xì)根時(shí)空分布規(guī)律，探明不同滴灌施肥參數(shù)對(duì)蘋(píng)果樹(shù)細(xì)根生長(zhǎng)的調(diào)控效應(yīng),，2019—2021年進(jìn)行二因素二水平完全組合設(shè)計(jì)田間試驗(yàn)，毛管布設(shè)方式設(shè)置一行一管和一行兩管,，施肥周期設(shè)置15d和30d,，采用微根管原位監(jiān)測(cè)技術(shù)，持續(xù)觀測(cè)蘋(píng)果樹(shù)活躍生長(zhǎng)期內(nèi)細(xì)根的生長(zhǎng)和死亡情況,，分析了蘋(píng)果樹(shù)細(xì)根生長(zhǎng)和周轉(zhuǎn)對(duì)毛管布設(shè)方式和施肥周期的響應(yīng)動(dòng)態(tài),。細(xì)根現(xiàn)存量和生長(zhǎng)量隨季節(jié)動(dòng)態(tài)變化為單峰曲線，細(xì)根死亡量為雙峰曲線,。與施肥周期30d相比,，施肥周期15d在時(shí)間和空間分布上均能顯著提高細(xì)根現(xiàn)存量、生長(zhǎng)量和死亡量,。毛管布設(shè)方式對(duì)蘋(píng)果樹(shù)細(xì)根現(xiàn)存量和死亡量的影響在時(shí)間上未達(dá)到顯著水平,，對(duì)細(xì)根生長(zhǎng)量的影響隨季節(jié)的變化而變化；在空間分布上,，一行兩管的細(xì)根現(xiàn)存量,、生長(zhǎng)量和死亡量在19~38cm土層中顯著大于一行一管，在57~76cm土層中規(guī)律相反,。毛管布設(shè)方式和施肥周期及其交互作用均對(duì)根系周轉(zhuǎn)率有顯著影響,，一行一管,、施肥周期15d較其他處理能夠加快細(xì)根周轉(zhuǎn)。施肥周期對(duì)蘋(píng)果樹(shù)細(xì)根生長(zhǎng)和死亡有較明顯的調(diào)控效應(yīng),，而毛管布設(shè)方式能調(diào)節(jié)細(xì)根的空間分布,，一行一管、施肥周期15d處理較其他處理更有利于提高細(xì)根現(xiàn)存量和生長(zhǎng)量,，加快細(xì)根周轉(zhuǎn),，優(yōu)化細(xì)根空間分布。

Abstract:

內(nèi)蒙古自治區(qū)作為中國(guó)北方重要的生態(tài)安全屏障,，研究其植被變化與水熱因子的影響機(jī)制對(duì)北方地區(qū)的生態(tài)安全意義重大?；趦?nèi)蒙古地區(qū)1982—2020年歸一化植被指數(shù)(Normalized difference vegetation index,，NDVI)與氣象數(shù)據(jù)，采用通徑分析方法分析內(nèi)蒙古地區(qū)氣溫和降水量對(duì)植被覆蓋變化的直接及間接影響作用,，利用Copula函數(shù)建立概率分布函數(shù)來(lái)描述降水量-NDVI,、溫度-NDVI的依賴關(guān)系，為該地區(qū)生態(tài)建設(shè)提供科學(xué)依據(jù),。結(jié)果表明：1982—2020年,，內(nèi)蒙古地區(qū)降水量以速率0.357mm/（10a）（P=0.276）減少，氣溫以速率0.243℃/（10a）（P＜0.001）增加,，NDVI以速率0.009/（10a）（P=0.228）增加,，植被退化面積遠(yuǎn)小于改善面積。降水量和溫度通過(guò)彼此抑制植被生長(zhǎng),，降水量對(duì)植被NDVI綜合通徑系數(shù)均為正（0.927）,，溫度對(duì)植被NDVI綜合通徑系數(shù)均為負(fù)（-0.809），且降水量對(duì)植被生長(zhǎng)的直接作用遠(yuǎn)大于氣溫的間接作用,。當(dāng)降水量高于閾值7mm（西部）,、15mm（中部）、20mm（東部）和10mm（全區(qū)）時(shí),，NDVI分別大于0.16,、0.3、0.5和0.3，植被指數(shù)隨降水量和聯(lián)合概率增加而增加,。NDVI隨溫度自西向東降低而有所增加,，有利于植被發(fā)育的溫度范圍向低溫區(qū)擴(kuò)大，呈階梯狀分布,。

Abstract:

為探討不同滴灌淋洗模式對(duì)南疆鹽堿化棉田的影響，采取淋洗量和淋洗時(shí)期2因素交互設(shè)計(jì),，淋洗量設(shè)置4個(gè)水平：W1（75mm）,、W2（150mm）、W3（225mm）和W4（300mm）,，淋洗時(shí)期設(shè)置3個(gè)處理：T1（在苗期1次淋洗）,、T2（在苗期和蕾期2次淋洗）和T3（在苗期、蕾期和花鈴期3次淋洗）,，及1個(gè)灌溉量為85%ETC（棉花生育期需水量）無(wú)淋洗的對(duì)照組（CK）,，進(jìn)行大田試驗(yàn)。試驗(yàn)結(jié)果表明：在鹽堿化棉田滴灌淋洗中,，可將鹽分進(jìn)行淋洗,。與CK處理相比，W4和W3在2020,、2021年分別降低0~100cm土壤含鹽量13.17%和26.57%,，增加產(chǎn)量104.13%和59.36%。各處理地上部干物質(zhì)量Logistic擬合效果良好（決定系數(shù)R2≥0.9654,，P<0.05）,。在相同淋洗時(shí)期下，地上部干物質(zhì)量累積量,、籽棉產(chǎn)量與淋洗量呈正相關(guān)，而經(jīng)濟(jì)系數(shù)與淋洗量之間存在差異性,。主成分分析法,、基于組合賦權(quán)的理想點(diǎn)法模型、灰色關(guān)聯(lián)度分析法和隸屬函數(shù)分析法兩兩之間具有良好的相關(guān)性,，各模型之間相關(guān)系數(shù)為0.92～0.99,。基于整體差異組合評(píng)價(jià)模型得出W4T2處理最優(yōu),?？紤]到該地區(qū)干旱少雨，鹽堿化棉田生育期內(nèi)淋洗量225mm、淋洗時(shí)期為苗期和蕾期,，棉田綜合指標(biāo)評(píng)價(jià)值為1.3765,，為適宜的鹽堿化棉田滴灌淋洗制度。本研究可為南疆鹽堿化棉田生育期滴灌淋洗水鹽科學(xué)管理提供理論指導(dǎo),。

Abstract:

開(kāi)展室內(nèi)凍融循環(huán)試驗(yàn),，設(shè)置不同土壤初始含水率（15%、20%,、25%）,、不同含鹽量（原始土壤、施加0.2% NaHCO3）,、不同生物炭粒徑（0~0.5mm,，S處理；0.5~2mm,，L處理）與未處理組（CK）,，分析凍融循環(huán)過(guò)程中不同調(diào)控措施下土壤孔隙結(jié)構(gòu)變化對(duì)土壤滲透性與水鹽再分布的影響，并定量表征土壤水鹽運(yùn)移過(guò)程,。結(jié)果表明：凍融作用促使土壤孔隙擴(kuò)張,，骨料破碎，導(dǎo)致土壤飽和導(dǎo)水率（ks）上升,、凍土飽和導(dǎo)水率（kfs）下降,。且土壤初始水鹽含量提升均會(huì)增加凍融作用對(duì)土壤結(jié)構(gòu)的破壞，增加土壤孔隙擴(kuò)張幅度與凍融循環(huán)結(jié)束后ks與kfs變化幅度,，并加劇凍融期土壤水鹽上遷比例,。施用生物炭可降低凍融期土壤孔隙擴(kuò)張幅度并提高土壤團(tuán)聚體穩(wěn)定性。與CK相比,，各含水率及各含鹽量S,、L處理分別使凍融后ks平均降低48.35%、37.69%,，kfs下降幅度平均降低55.44%,、78.55%。同時(shí),，生物炭處理可降低表層土壤（10cm處）含水率與電導(dǎo)率上升幅度,。土壤大孔隙占比與小孔隙占比分別為ks和kfs的關(guān)鍵驅(qū)動(dòng)因子。本研究表明施加0.5~2mm生物炭對(duì)凍融條件下土壤滲透性能及水鹽再分布狀況的調(diào)控效果最佳,。研究結(jié)果可為凍融土壤水鹽遷移理論研究體系提供理論依據(jù)和技術(shù)支撐,。

Abstract:

針對(duì)寒區(qū)冬季密閉式畜舍內(nèi)現(xiàn)有的溫濕環(huán)境調(diào)控?zé)崃繐p失大、補(bǔ)溫能耗高,，以及僅依賴溫度或濕度等單一指標(biāo)調(diào)控而導(dǎo)致環(huán)境調(diào)控效果不佳等問(wèn)題,，基于課題組前期研發(fā)的寒區(qū)畜舍內(nèi)循環(huán)除濕系統(tǒng)，提出一種改進(jìn)的多目標(biāo)優(yōu)化算法（Improved non-dominated sorting genetic algorithm-Ⅱ,，INSGA-Ⅱ）優(yōu)化該系統(tǒng)保溫,、除濕和能耗的運(yùn)行效果。INSGA-Ⅱ采用自適應(yīng)差分變異算子和改進(jìn)精英保留策略的方法,，增加最優(yōu)解的種群多樣性,，避免算法陷入局部收斂。通過(guò)Zitzler-Deb-Thiele（ZDT）系列測(cè)試函數(shù)驗(yàn)證,，改進(jìn)INSGA-Ⅱ算法的反向世代距離（Inverted generational distance,，IGD）和世代距離（Generational distance，GD）指標(biāo)都優(yōu)于傳統(tǒng)NSGA-Ⅱ算法,，與真實(shí)解更為接近,。內(nèi)循環(huán)除濕系統(tǒng)優(yōu)化調(diào)控性能數(shù)據(jù)表明，空間廣泛性評(píng)價(jià)指標(biāo)（Spacing,，SP）從NSGA-Ⅱ的0.1118降低到INSGA-Ⅱ的0.0202,，最優(yōu)解分布域顯著增加，可為系統(tǒng)運(yùn)行的優(yōu)化調(diào)控提供更為廣泛的參考依據(jù),，同時(shí)求解速度提高106.42%,。在除濕系統(tǒng)仿真調(diào)控效果方面，INSGA-Ⅱ算法調(diào)控平均降溫比NSGA-Ⅱ算法減少1.43℃,，降幅為23.06%,，減少了由除濕帶來(lái)的舍內(nèi)降溫，能夠獲得更好的保溫節(jié)能效果,。因此,，改進(jìn)INSGA-Ⅱ優(yōu)化算法有助于提升畜舍內(nèi)循環(huán)除濕系統(tǒng)工作性能，為畜舍溫濕環(huán)境精準(zhǔn)調(diào)控提供可行的技術(shù)支撐,。

Abstract:

超聲是一種有工業(yè)應(yīng)用前景的食品物理加工技術(shù),。為開(kāi)發(fā)適合食品加工的超聲設(shè)備,，利用COMSOL多物理場(chǎng)仿真軟件對(duì)狹縫式連續(xù)超聲設(shè)備在單頻（28、40kHz）和雙頻（28/40kHz）模式下的聲場(chǎng)分布進(jìn)行了數(shù)值模擬計(jì)算，并通過(guò)鋁箔腐蝕試驗(yàn)對(duì)仿真模型計(jì)算的準(zhǔn)確性進(jìn)行了驗(yàn)證,。仿真結(jié)果表明,，單頻超聲聲場(chǎng)在換能器正下方產(chǎn)生負(fù)相位聲壓，在換能器周圍輻射交匯區(qū)域形成振動(dòng)穩(wěn)定的正相位聲壓,。鋁箔腐蝕結(jié)果證實(shí)鋁箔表面在負(fù)相位聲壓區(qū)呈現(xiàn)不規(guī)則波浪型形變,，在正相位聲壓區(qū)呈現(xiàn)顆粒狀點(diǎn)蝕。通過(guò)仿真數(shù)據(jù)計(jì)算超聲聲場(chǎng)在換能器正下方以及換能器周圍輻射區(qū)域絕對(duì)總聲壓的相對(duì)標(biāo)準(zhǔn)差得出28kHz最低相對(duì)標(biāo)準(zhǔn)差為0.764,，40kHz最低相對(duì)標(biāo)準(zhǔn)差為0.960,，28/40kHz最低相對(duì)標(biāo)準(zhǔn)差為0.658。28/40kHz雙頻超聲最低相對(duì)標(biāo)準(zhǔn)差是28kHz單頻超聲聲場(chǎng)的86.1%,，是40kHz單頻超聲聲場(chǎng)的68.5%,。研究表明雙頻超聲聲場(chǎng)分布更為均勻。本研究可以為研發(fā)高效的食品超聲加工裝備提供依據(jù),，為狹縫連續(xù)式超聲用于食品加工提供指導(dǎo),。

Abstract:

原料粉碎是飼料加工的重要工藝環(huán)節(jié),，錘片式粉碎機(jī)篩網(wǎng)破損是常見(jiàn)的故障。針對(duì)篩分式粉碎機(jī)篩網(wǎng)破損識(shí)別裝置中顆粒篩分過(guò)程離散元仿真缺乏粉碎顆粒有效接觸參數(shù),，數(shù)值模擬不準(zhǔn)確等問(wèn)題,，以玉米為試驗(yàn)材料，在獲得粉碎機(jī)篩網(wǎng)沖擊特性和粉碎玉米顆粒粒度分布特征的基礎(chǔ)上,，選擇粉碎玉米顆粒的特征粒徑制作試驗(yàn)樣本,，采用碰撞斜板法和漏斗法試驗(yàn)結(jié)合離散元仿真，以多面體顆粒模型代表粉碎玉米顆粒,，對(duì)粉碎玉米顆粒接觸參數(shù)進(jìn)行標(biāo)定,。研究結(jié)果表明，篩網(wǎng)上部和下部的平均沖擊強(qiáng)度和更大且沖擊頻率高,，更容易破損,，粉碎玉米顆粒間和粉碎玉米顆粒與碳鋼間碰撞恢復(fù)系數(shù)分別為0.14和0.44，仿真驗(yàn)證試驗(yàn)相對(duì)誤差為0.56%和1.95%,，粉碎玉米顆粒間和粉碎玉米顆粒與碳鋼間動(dòng)摩擦因數(shù)分別為0.77和0.85,，仿真驗(yàn)證試驗(yàn)相對(duì)誤差為3.04%和3.56%。研究結(jié)果為解析粉碎機(jī)篩網(wǎng)沖擊特性和篩分式篩網(wǎng)破損識(shí)別裝置優(yōu)化提供基礎(chǔ)數(shù)據(jù)和理論依據(jù),。

Abstract:

提出了一種新型的便攜式實(shí)時(shí)熒光檢測(cè)系統(tǒng)，旨在實(shí)現(xiàn)生鮮豬肉新鮮度的實(shí)時(shí)檢測(cè),。該系統(tǒng)主要由兩大部分組成：氮摻雜石墨烯量子點(diǎn)（N-GQDs）熒光納米材料的研究和便攜式熒光檢測(cè)裝置的創(chuàng)制,。通過(guò)透射電子顯微鏡、傅里葉變換紅外光譜和X射線光電子能譜等技術(shù)對(duì)N-GQDs形貌,、結(jié)構(gòu)和表面官能團(tuán)進(jìn)行分析,，證實(shí)N-GQDs被成功合成；探討了N-GQDs的光學(xué)特性,，證明了N-GQDs對(duì)胺類物質(zhì)具有優(yōu)異的靈敏度和選擇性,；通過(guò)響應(yīng)機(jī)理分析，表明N-GQDs與NH3之間產(chǎn)生了靜態(tài)猝滅效應(yīng),。便攜式熒光傳感器檢測(cè)裝置包括硬件設(shè)計(jì)和軟件設(shè)計(jì),，主要包含5個(gè)模塊，分別是光源激發(fā)模塊,、熒光檢測(cè)模塊,、溫濕度檢測(cè)模塊、無(wú)線通訊模塊和閾值報(bào)警模塊,；通過(guò)無(wú)線通訊模塊將檢測(cè)數(shù)據(jù)實(shí)時(shí)傳輸至手機(jī)APP和上位機(jī),，實(shí)現(xiàn)了數(shù)據(jù)的可視化和存儲(chǔ)。將N-GQDs熒光納米材料與便攜式熒光檢測(cè)裝置結(jié)合開(kāi)發(fā)了便攜式實(shí)時(shí)熒光豬肉新鮮度檢測(cè)系統(tǒng),，并在生鮮豬肉中進(jìn)行了系統(tǒng)性能實(shí)驗(yàn)驗(yàn)證,。實(shí)現(xiàn)冷藏（4℃）和室溫（25℃）條件下豬肉TVB-N含量精準(zhǔn)檢測(cè)并表現(xiàn)出優(yōu)異的線性關(guān)系（R225℃=0.97，R24℃=0.92）,。

Abstract:

生鮮農(nóng)產(chǎn)品易發(fā)生品質(zhì)劣變，其中氨氣是反映其品質(zhì)變化的重要檢測(cè)指標(biāo),。針對(duì)傳統(tǒng)有芯片氨氣傳感器電路設(shè)計(jì)復(fù)雜,、壽命有限問(wèn)題，設(shè)計(jì)了一種無(wú)芯片射頻識(shí)別(Radio frequency identification, RFID)氨氣傳感器,，用于生鮮農(nóng)產(chǎn)品揮發(fā)性氨氣檢測(cè),。首先，基于高頻電磁仿真軟件（High frequency structure simulator,，HFSS）設(shè)計(jì)了微帶貼片天線結(jié)構(gòu),，研究了傳感器天線的電磁場(chǎng)分布,、回波損耗S11和極化特性，通過(guò)在微帶天線上加載金屬短路和寄生單元優(yōu)化了傳感器結(jié)構(gòu),；采用激光雕刻技術(shù)制備傳感器標(biāo)簽，并選擇了在室溫下對(duì)氨氣具有良好選擇性的ZnO/TiO2納米復(fù)合材料,，將其噴涂在微帶天線表面輻射單元上,；其次，結(jié)合氨氣射頻檢測(cè)原理,，搭建了基于無(wú)芯片RFID的生鮮農(nóng)產(chǎn)品揮發(fā)性氨氣測(cè)試系統(tǒng),，分析了傳感器的交叉敏感性和低溫高濕環(huán)境下的穩(wěn)定性，最后,，對(duì)實(shí)際測(cè)試結(jié)果進(jìn)行了主成分分析和Pearson相關(guān)分析,。試驗(yàn)結(jié)果表明，該無(wú)芯片RFID傳感器中心諧振頻率為2.25GHz,，加載金屬短路后增益提升0.13dB,，在實(shí)驗(yàn)室氨氣質(zhì)量濃度0~100mg/L環(huán)境下靈敏度達(dá)到0.11dB·L/mg，實(shí)際測(cè)試過(guò)程中,，雞肉氨氣傳感響應(yīng)值較高,，為9.0dB；蝦肉氨傳感響應(yīng)值較低,，為4.5dB,。此外，傳感器檢測(cè)響應(yīng)能有效區(qū)分干擾氣體（H2S,、CO2,、CH4、C2H5OH）,，相關(guān)系數(shù)絕對(duì)均值均小于0.5,；在低溫高濕環(huán)境下，傳感器能夠有效完成氨氣檢測(cè),，且穩(wěn)定性良好,。

Abstract:

針對(duì)電動(dòng)拖拉機(jī)雙電機(jī)驅(qū)動(dòng)系統(tǒng)（Dual motors drive system,，DMDS）模式切換瞬時(shí)沖擊度大、作業(yè)穩(wěn)定性差等問(wèn)題,，提出一種基于DMDS瞬態(tài)特性的接合/分離驅(qū)動(dòng)模式切換控制方法,。建立瞬態(tài)濕式多片電磁離合器摩擦轉(zhuǎn)矩模型及驅(qū)動(dòng)系統(tǒng)動(dòng)力學(xué)模型,，提出模型預(yù)測(cè)控制（Model predictive control，MPC）接合策略及扭矩轉(zhuǎn)移控制（Torque transfer control,，TRC）分離策略,，在模式切換過(guò)程中協(xié)調(diào)控制牽引電機(jī)（Traction motor，TM）,、PTO電機(jī)（PTO motor,，PM）輸出扭矩及離合器摩擦轉(zhuǎn)矩。以沖擊度和作業(yè)速度偏差為評(píng)價(jià)指標(biāo),，開(kāi)展DMDS模式切換臺(tái)架試驗(yàn),，結(jié)果表明：MPC接合策略最大沖擊度為15.86m/s3，最大作業(yè)速度偏差絕對(duì)值為0.17km/h,，相較于傳統(tǒng)PID控制分別降低56.24%和51.42%,；TRC分離策略最大沖擊度為9.06m/s3，最大作業(yè)速度偏差絕對(duì)值為0.07km/h,，相較于傳統(tǒng)PID控制分別降低74.92%和76.66%,。本文提出方法兼顧DMDS關(guān)鍵部件動(dòng)作特性和負(fù)載時(shí)變特性，提升了DMDS模式切換平順性和作業(yè)穩(wěn)定性,，滿足拖拉機(jī)牽引作業(yè)需求,，可為電動(dòng)拖拉機(jī)多源驅(qū)動(dòng)控制研究提供參考。

Abstract:

針對(duì)燃料電池拖拉機(jī)在設(shè)計(jì)之初因使用質(zhì)量未知而無(wú)法獲取拖拉機(jī)動(dòng)力性指標(biāo)約束的問(wèn)題，以雙軸驅(qū)動(dòng)燃料電池拖拉機(jī)為研究對(duì)象,，本文提出了一種參數(shù)自適應(yīng)優(yōu)化方法,。采用質(zhì)量閉環(huán)算法解決動(dòng)力系統(tǒng)因使用質(zhì)量未知導(dǎo)致無(wú)法準(zhǔn)確獲取動(dòng)力性指標(biāo)約束的問(wèn)題。為了提高運(yùn)行效率,，采用遍歷搜尋算法對(duì)前后軸減速器傳動(dòng)比進(jìn)行優(yōu)化,。以能耗最小化為目標(biāo)將質(zhì)量閉環(huán)算法、遍歷搜尋算法和遺傳算法融合形成使用質(zhì)量未知下雙軸驅(qū)動(dòng)燃料電池拖拉機(jī)參數(shù)自適應(yīng)優(yōu)化方法,。參數(shù)自適應(yīng)優(yōu)化方法可同時(shí)優(yōu)化燃料電池拖拉機(jī)使用質(zhì)量,、動(dòng)力性參數(shù)和前后軸減速器傳動(dòng)比。為驗(yàn)證該方法合理性,，制定了規(guī)則設(shè)計(jì)方法作為對(duì)比方法,，并在犁耕工況下對(duì)兩種方法進(jìn)行了仿真。結(jié)果表明,，采用參數(shù)自適應(yīng)方法得到的雙軸驅(qū)動(dòng)燃料電池拖拉機(jī)使用質(zhì)量和等效氫氣消耗量比規(guī)則方法分別降低14.44%和8.41%,，其中動(dòng)力源電機(jī)運(yùn)行效率分別提升3.28,、5.29個(gè)百分點(diǎn)，能量源燃料電池和動(dòng)力電池輸出功率分別降低6.81%和38.59%,。該方法為使用質(zhì)量未知情況下燃料電池拖拉機(jī)參數(shù)設(shè)計(jì)提供了理論基礎(chǔ),。

Abstract:

梯形四桿直線機(jī)構(gòu)是一種具有特殊位形的近似直線機(jī)構(gòu)，其過(guò)定點(diǎn)時(shí)連桿曲線為近似直線,、且連桿平行于機(jī)架，在多足機(jī)器人領(lǐng)域具有較好的應(yīng)用前景,。為了完善和簡(jiǎn)化此類機(jī)構(gòu)軌跡綜合方法,，在解析法基礎(chǔ)上，研究其圖解綜合方法,?；跓o(wú)限接近運(yùn)動(dòng)幾何學(xué)理論并結(jié)合公式與圖解，證明了在一定條件下,，梯形四桿直線機(jī)構(gòu)特殊位形和曲率駐點(diǎn)曲線蛻化之間互為充要條件,；提出了一種圖解綜合方法，在給定鮑爾點(diǎn)位置和直線運(yùn)動(dòng)方向前提下,，各鉸鏈位置和各連桿尺度可通過(guò)平面作圖確定,，并編寫(xiě)Matlab程序驗(yàn)證了所提方法。在此基礎(chǔ)上提出了機(jī)構(gòu)直線性能評(píng)價(jià)指標(biāo)“直線段相位比”,，列舉了不同條件下機(jī)構(gòu)直線性能,，并結(jié)合遺傳算法探索了該指標(biāo)下的最優(yōu)機(jī)構(gòu)，優(yōu)化得到一種直線段相位比為0.665的四桿直線機(jī)構(gòu),。

Abstract:

大功率外嚙合齒輪泵在高轉(zhuǎn)速運(yùn)行時(shí)容積效率較低，無(wú)法滿足電動(dòng)工程機(jī)械高速化需求,。首先建立傳統(tǒng)泵三維模型,，并基于三維模型的結(jié)構(gòu)參數(shù)推導(dǎo)齒腔吸油流量-壓力數(shù)學(xué)模型，對(duì)數(shù)學(xué)模型進(jìn)行分析,，提出一種基于“π”形槽設(shè)計(jì)的吸油流道優(yōu)化方案,；然后采用Pumplinx對(duì)全因子正交設(shè)計(jì)的結(jié)構(gòu)參數(shù)進(jìn)行計(jì)算，建立優(yōu)化泵容積效率的預(yù)測(cè)模型,；最后通過(guò)試驗(yàn)驗(yàn)證優(yōu)化泵的性能,。結(jié)果表明：徑向吸油時(shí),，過(guò)流面積小，齒腔充滿油液所需的瞬時(shí)壓力較大,，且高轉(zhuǎn)速運(yùn)行時(shí),，齒腔充液時(shí)間縮短，導(dǎo)致泵高轉(zhuǎn)速運(yùn)行時(shí)容積效率快速下降,；通過(guò)徑向-軸向聯(lián)合吸油的方法,，在3000r/min時(shí)所需Δp≥0.1MPa的最小齒腔容積占比比徑向吸油減小42.62個(gè)百分點(diǎn)，具有較高齒腔充液率,；被優(yōu)化結(jié)構(gòu)參數(shù)對(duì)容積效率的影響程度從大到小依次為d2,、Rm、d1,，且容積效率預(yù)測(cè)模型R2為0.9971,，具有較高可靠性；傳統(tǒng)泵運(yùn)行轉(zhuǎn)速大于2700r/min時(shí)容積效率快速下降,，在3000r/min時(shí)容積效率降至81.87%,，而優(yōu)化泵在2700r/min后容積效率下降趨勢(shì)較為緩慢，在2800,、2900,、3000r/min下容積效率分別提高1.8、6.79,、11.64個(gè)百分點(diǎn),。