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:農(nóng)產(chǎn)品供應(yīng)鏈具有鏈條長(zhǎng),、生產(chǎn)分散、信息多源異構(gòu)等特點(diǎn),，極易造成供應(yīng)鏈上下游信息斷鏈和不透明,。傳統(tǒng)追溯數(shù)據(jù)存儲(chǔ)于各節(jié)點(diǎn)企業(yè)，在供應(yīng)鏈上下游數(shù)據(jù)傳遞過程中存在協(xié)作信任度低,、真實(shí)性差等問題,，造成消費(fèi)者對(duì)追溯信息的真實(shí)性產(chǎn)生信任危機(jī),。區(qū)塊鏈追溯系統(tǒng)通過建立多方參與,、共同維護(hù)的分布式數(shù)據(jù)庫，并利用密碼學(xué)和共識(shí)機(jī)制建立信任關(guān)系,，具有數(shù)據(jù)無法篡改,、共享可信度高等優(yōu)勢(shì)，近年來成為國(guó)內(nèi)外研究的熱點(diǎn),。本文系統(tǒng)總結(jié)了國(guó)內(nèi)外農(nóng)產(chǎn)品區(qū)塊鏈追溯系統(tǒng)的研究進(jìn)展,，從區(qū)塊鏈追溯鏈上鏈下數(shù)據(jù)協(xié)同、區(qū)塊鏈追溯共識(shí)機(jī)制和區(qū)塊鏈追溯數(shù)據(jù)隱私保護(hù)等方面詳細(xì)分析了區(qū)塊鏈追溯關(guān)鍵技術(shù)的研究進(jìn)展,；對(duì)區(qū)塊鏈追溯技術(shù)的未來發(fā)展進(jìn)行了展望,，指出區(qū)塊鏈規(guī)模化應(yīng)用后多鏈和跨鏈技術(shù)將成為發(fā)展趨勢(shì),，區(qū)塊鏈技術(shù)與物聯(lián)網(wǎng),、人工智能、大數(shù)據(jù)等新一代信息技術(shù)的深度融合將推動(dòng)農(nóng)產(chǎn)品供應(yīng)鏈追溯進(jìn)入新的發(fā)展階段,。

摘要:根據(jù)溫室環(huán)境下移動(dòng)機(jī)器人作業(yè)的實(shí)時(shí)路徑規(guī)劃要求，提出一種基于改進(jìn)A*算法與動(dòng)態(tài)窗口法相結(jié)合的溫室機(jī)器人路徑規(guī)劃算法,。針對(duì)傳統(tǒng)A*算法搜索算法拐點(diǎn)過多的問題,，對(duì)關(guān)鍵點(diǎn)選取策略進(jìn)行改進(jìn)，融合動(dòng)態(tài)窗口法,，構(gòu)建全局最優(yōu)路徑評(píng)價(jià)函數(shù),，采用超聲傳感器進(jìn)行局部避障，實(shí)現(xiàn)實(shí)時(shí)最優(yōu)的路徑規(guī)劃,。仿真實(shí)驗(yàn)結(jié)果證明,，與傳統(tǒng)A*、Dijkstra,、RRT算法相比,，基于改進(jìn)A*算法的路徑更為平滑和高效。真實(shí)環(huán)境下實(shí)驗(yàn)表明,，移動(dòng)機(jī)器人能夠?qū)崿F(xiàn)自主導(dǎo)航,，跟蹤誤差保持在0.22m以內(nèi)、定位誤差不大于0.28m,，能夠滿足實(shí)際需求,。

摘要:為解決多個(gè)番茄重疊黏連時(shí)難以識(shí)別與定位的問題,，提出一種基于RGB-D圖像和K-means優(yōu)化的自組織映射（Self-organizing map，SOM）神經(jīng)網(wǎng)絡(luò)相結(jié)合的番茄果實(shí)識(shí)別與定位方法,。首先,，利用RGB-D相機(jī)拍攝番茄圖像，對(duì)圖像進(jìn)行預(yù)處理,，獲取果實(shí)的輪廓信息,；其次，提取果實(shí)輪廓點(diǎn)的平面和深度信息,，篩選后進(jìn)行處理,；再次，將處理后的數(shù)據(jù)輸入到采用K-means算法優(yōu)化的SOM神經(jīng)網(wǎng)絡(luò)中,，得到點(diǎn)云聚類結(jié)果,；最后，根據(jù)聚類點(diǎn),，通過坐標(biāo)轉(zhuǎn)換得到世界坐標(biāo)信息,，擬合得到各個(gè)番茄的位置和輪廓形狀,。以果實(shí)識(shí)別的正確率和定位結(jié)果的均方根誤差（RMSE）為指標(biāo)對(duì)該算法進(jìn)行驗(yàn)證和分析，采集80幅圖像共366個(gè)番茄樣本,，正確識(shí)別率為87.2%,，定位結(jié)果均方根誤差（RMSE）為1.66mm。與在二維圖像上利用Hough變換進(jìn)行果實(shí)識(shí)別的試驗(yàn)進(jìn)行對(duì)比分析,，進(jìn)一步驗(yàn)證了本文方法具有較高的準(zhǔn)確性和較強(qiáng)的魯棒性,。

摘要:針對(duì)視覺導(dǎo)航系統(tǒng)在果園環(huán)境中面臨的圖像背景復(fù)雜,、干擾因素多等問題，提出了一種基于U-Net網(wǎng)絡(luò)的果園視覺導(dǎo)航路徑識(shí)別方法,。使用Labelme對(duì)采集圖像中的道路信息進(jìn)行標(biāo)注,，制作果園數(shù)據(jù)集；基于U-Net語義分割算法,，在數(shù)據(jù)增強(qiáng)的基礎(chǔ)上對(duì)全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,，得到道路分割模型；根據(jù)生成的道路分割掩碼進(jìn)行導(dǎo)航信息提取,，生成路徑擬合中點(diǎn),；基于樣條曲線擬合原理對(duì)擬合中點(diǎn)進(jìn)行多段三次B樣條曲線擬合，完成導(dǎo)航路徑的識(shí)別,；最后,，進(jìn)行了實(shí)驗(yàn)驗(yàn)證。結(jié)果表明,，臨界閾值為0.4時(shí),，語義分割模型在弱光,、普通光以及強(qiáng)光照條件下的分割交并比分別為89.52%,、86.45%、86.16%,，能夠平穩(wěn)實(shí)現(xiàn)果園道路像素級(jí)分割,；邊緣信息提取與路徑識(shí)別方法可適應(yīng)不同視角下的道路掩碼形狀，得到較為平順的導(dǎo)航路徑,；在不同光照和視角條件下,，平均像素誤差為9.5像素，平均距離誤差為0.044m,，已知所在果園道路寬度約為3.1m,，平均距離誤差占比為1.4%,；果園履帶底盤正常行駛速度一般在0~1.4m/s之間，單幅圖像平均處理時(shí)間為0.154s,。在當(dāng)前果園環(huán)境和硬件配置下,，本研究可為視覺導(dǎo)航任務(wù)提供有效參考。

摘要:植保無人機(jī)作業(yè)過程中,，旋翼下洗氣流不僅會(huì)對(duì)霧滴沉積效果產(chǎn)生影響，還會(huì)對(duì)作物冠層產(chǎn)生擾動(dòng)作用,。揭示冠層擾動(dòng)區(qū)域的特點(diǎn),，有助于理解無人機(jī)作業(yè)特征，可為優(yōu)化霧滴沉積效果和施藥系統(tǒng)提供理論依據(jù),。本文通過航拍方法和機(jī)器視覺技術(shù)研究了無人機(jī)下洗氣流對(duì)作物冠層的影響,。結(jié)果表明：?jiǎn)涡砗投嘈頍o人機(jī)下洗氣流所引起的作物冠層擾動(dòng)區(qū)域特征有明顯差異。懸停時(shí),，單旋翼無人機(jī)的冠層擾動(dòng)區(qū)域呈環(huán)狀,，面積較大；多旋翼無人機(jī)呈圓形,，面積較小,。作業(yè)時(shí)，因受機(jī)身不對(duì)稱結(jié)構(gòu)影響,，單旋翼無人機(jī)前進(jìn)和倒退兩種飛行姿態(tài)的冠層擾動(dòng)區(qū)域特征有所不同,，前進(jìn)時(shí)，冠層擾動(dòng)區(qū)域面積小且不規(guī)則,，倒退時(shí),，擾動(dòng)區(qū)域面積較大且呈U狀分布包裹機(jī)頭；多旋翼無人機(jī)2種飛行姿態(tài)下冠層擾動(dòng)區(qū)域面積和形狀基本一致,。作業(yè)速度對(duì)冠層擾動(dòng)區(qū)域特征有顯著影響,。速度低時(shí)，擾動(dòng)區(qū)域較為集中,，呈近似橢圓形分布,，植株擺動(dòng)劇烈；速度高時(shí),，下洗氣流掃掠而過,，擾動(dòng)區(qū)域呈長(zhǎng)條狀分布，植株擺動(dòng)很小,。當(dāng)P20型植保無人機(jī)速度為3,、4,、5、6m/s時(shí),，冠層擾動(dòng)區(qū)域平均滯后距離分別為1.77,、2.71、3.61,、4.31m,。擾動(dòng)區(qū)域滯后距離和無人機(jī)飛行速度成正比，對(duì)兩者關(guān)系進(jìn)行回歸分析,，得出決定系數(shù)R2為0.8754,。此外，速度越大,，下洗氣流對(duì)自然風(fēng)的抵抗作用越弱,，冠層擾動(dòng)區(qū)域位置不穩(wěn)定，不利于抑制霧滴漂移,。

摘要:針對(duì)作物生長(zhǎng)中后期進(jìn)行植保作業(yè)時(shí)莖葉背面及植株中,、下部霧滴沉積較差的問題,，以鱘魚頭部曲線為仿生原型，進(jìn)行了植保仿生分禾與吊桿組合施藥裝置設(shè)計(jì)與試驗(yàn),?；诜律鷺?gòu)建提取了鱘魚頭部輪廓曲線，實(shí)現(xiàn)分禾葉片結(jié)構(gòu)仿生,，并分析了莖葉減傷機(jī)理,，通過理論分析建立莖稈彎曲和回彈數(shù)學(xué)模型，確定了分禾葉片寬度,、噴頭距分禾葉片尾端距離等關(guān)鍵結(jié)構(gòu)參數(shù),。運(yùn)用ADAMS仿真軟件模擬分禾葉片與莖稈的接觸全過程，檢驗(yàn)仿生分禾葉片相對(duì)于原型圓弧分禾葉片的降阻減傷效果,。通過正交旋轉(zhuǎn)組合試驗(yàn)探討結(jié)構(gòu)及工作參數(shù)對(duì)行進(jìn)阻力及霧滴沉積度的影響規(guī)律,，采用蟻群算法對(duì)數(shù)學(xué)回歸模型進(jìn)行多目標(biāo)優(yōu)化，獲得Pareto最優(yōu)解集,，確定最佳參數(shù)組合為行進(jìn)速度7.0km/h、傾斜角16°,、距地高度155mm,，在此參數(shù)組合下行進(jìn)阻力38.7N,，平均霧滴沉積度31.5個(gè)/cm2。田間性能試驗(yàn)表明,，試驗(yàn)結(jié)果與優(yōu)化結(jié)果誤差較?。慌c傳統(tǒng)施藥方式相比,，仿生植保分禾與吊桿組合裝置能夠顯著改善霧滴在植株中,、下部的沉積情況，其變異系數(shù)為5.3%,；與現(xiàn)有原型圓弧分禾裝置相比,，仿生分禾裝置可使霧滴沉積度提高13.6%、前進(jìn)阻力降低20.7%,，行進(jìn)阻力變化趨勢(shì)與仿真結(jié)果誤差較小,。

摘要:針對(duì)國(guó)內(nèi)果園開溝施肥機(jī)施肥效率低,、一致性差和有機(jī)肥與化肥混施難的問題，設(shè)計(jì)了一種開溝深度可自動(dòng)調(diào)節(jié)的果園雙行開溝施肥機(jī),。該機(jī)采用雙行開溝施肥的工作方式,，可一次完成果園開溝、有機(jī)肥與化肥混施,、覆土一體化作業(yè),。通過理論分析對(duì)開溝裝置、排肥裝置和開溝深度自動(dòng)調(diào)節(jié)裝置等關(guān)鍵部件進(jìn)行設(shè)計(jì),，搭建基于STM32F103的控制系統(tǒng),，實(shí)現(xiàn)開溝深度的自動(dòng)調(diào)節(jié)。性能試驗(yàn)表明,，各工作部件運(yùn)行穩(wěn)定,，開溝深度一致性較好，開溝深度穩(wěn)定性系數(shù)大于等于94.76%,；田間試驗(yàn)表明,，各種肥料顆粒混合均勻,，有機(jī)肥分布穩(wěn)定性系數(shù)大于等于91.44%,，化肥分布穩(wěn)定性系數(shù)大于等于92.09%，混合肥分布穩(wěn)定性系數(shù)大于等于93.70%，性能指標(biāo)滿足果園生產(chǎn)要求,。

摘要:為了測(cè)試三輪非圓同步帶傳動(dòng)機(jī)構(gòu)的傳動(dòng)性能，并獲取其傳動(dòng)精度,，設(shè)計(jì)了三輪非圓同步帶傳動(dòng)性能測(cè)試試驗(yàn)臺(tái),，并進(jìn)行試驗(yàn)研究。三輪非圓同步帶傳動(dòng)試驗(yàn)臺(tái)以工控機(jī)為主控,、步進(jìn)電機(jī)為動(dòng)力,，能夠?qū)崿F(xiàn)轉(zhuǎn)速、負(fù)載和中心距可調(diào)和試驗(yàn)數(shù)據(jù)采集,、實(shí)時(shí)顯示,、統(tǒng)計(jì)和分析的功能。定義了傳動(dòng)周期偏差率和傳動(dòng)比精度偏差率兩指標(biāo),，用于衡量三輪非圓同步帶的傳動(dòng)性能,。試驗(yàn)表明，試驗(yàn)臺(tái)能夠完成不同工況的三輪非圓同步帶傳動(dòng)測(cè)試,，負(fù)載和速度均影響傳動(dòng)比精度偏差率和傳動(dòng)周期偏差率,，對(duì)傳動(dòng)周期偏差率的影響更大；當(dāng)轉(zhuǎn)速在0~300r/min,、轉(zhuǎn)矩在0~50N·m范圍內(nèi)時(shí),，試驗(yàn)所得主-從動(dòng)輪傳動(dòng)比與理論傳動(dòng)比基本一致，主-從動(dòng)輪傳動(dòng)周期偏差率為0.80%~4.80%,、主-從動(dòng)輪傳動(dòng)比精度偏差率為0.18%~1.23%,；當(dāng)轉(zhuǎn)速為80r/min、負(fù)載轉(zhuǎn)矩為16.25N·m時(shí),，其傳動(dòng)比精度偏差率0.18%,、傳動(dòng)周期偏差率0.80%，為此試驗(yàn)范圍內(nèi)的最佳傳動(dòng)工況,。

摘要:針對(duì)馬鈴薯料斗機(jī)除雜裝置除雜過程中馬鈴薯傷薯率高,、除雜質(zhì)量低的問題,，通過進(jìn)行馬鈴薯除雜過程動(dòng)力學(xué)分析和馬鈴薯與土壤分離的條件分析，并結(jié)合除雜輥轉(zhuǎn)動(dòng)摩擦除雜的原理,，確定了影響馬鈴薯除雜作業(yè)質(zhì)量的主要因素及各因素的試驗(yàn)取值范圍,。以馬鈴薯傷薯率和除雜率為評(píng)價(jià)指標(biāo),，以除雜輥間距,、裝置傾角和除雜輥轉(zhuǎn)速為試驗(yàn)因素，進(jìn)行了二次旋轉(zhuǎn)正交回歸試驗(yàn),，建立了各因素與試驗(yàn)指標(biāo)間的回歸數(shù)學(xué)模型,，分析了各因素對(duì)評(píng)價(jià)指標(biāo)的影響規(guī)律，并進(jìn)行參數(shù)優(yōu)化,。結(jié)果表明,，當(dāng)除雜輥間距為125mm、裝置傾角為10°,、除雜輥轉(zhuǎn)速為112r/min時(shí),，馬鈴薯除雜作業(yè)的傷薯率為0.65%、除雜率為96.03%,，與未經(jīng)參數(shù)優(yōu)化的料斗機(jī)相比,，傷薯率減少0.12個(gè)百分點(diǎn)，除雜率提高0.63個(gè)百分點(diǎn),，該裝置能較好地滿足馬鈴薯倉儲(chǔ)作業(yè)的要求,。

摘要:針對(duì)大豆機(jī)械化收獲過程中缺少聯(lián)合收獲機(jī)作業(yè)質(zhì)量（破碎含雜率）在線監(jiān)測(cè)裝置的問題,，提出了基于機(jī)器視覺的大豆機(jī)械化收獲圖像采集系統(tǒng),、大豆成分分類識(shí)別算法和谷物聯(lián)合收獲機(jī)作業(yè)質(zhì)量監(jiān)測(cè)方法。采用改進(jìn)分水嶺算法對(duì)大豆圖像進(jìn)行有效分割,，篩選RGB和HSV顏色空間特征值,，基于顏色特征值對(duì)分割后大豆圖像各閉合區(qū)域進(jìn)行分類識(shí)別，構(gòu)建了量化評(píng)價(jià)模型,，測(cè)試了算法的準(zhǔn)確性,，并進(jìn)行了相關(guān)的田間試驗(yàn)。結(jié)果表明,，R,、S、H分量一階矩特征值對(duì)大豆各成分具有較好的特征分離性,，通過這3個(gè)分量顏色閾值能夠很好地進(jìn)行大豆成分分類,；系統(tǒng)大豆完整籽粒查準(zhǔn)率為87.26%,、查全率為86.17%，大豆破碎籽粒查準(zhǔn)率為86.45%,、查全率為79.42%,，大豆雜質(zhì)查準(zhǔn)率為85.19%、查全率為83.69%,；在田間測(cè)試過程中,，本文設(shè)計(jì)的檢測(cè)方法對(duì)谷物聯(lián)合收獲機(jī)作業(yè)質(zhì)量性能評(píng)定結(jié)果與人工檢測(cè)一致。本文所提出的算法能快速,、有效,、穩(wěn)定地識(shí)別完整籽粒、破碎籽粒和雜質(zhì),，量化模型能準(zhǔn)確計(jì)算出破碎含雜率,，從而實(shí)現(xiàn)大豆機(jī)械化收獲質(zhì)量可視化監(jiān)測(cè)與報(bào)警，可為智能谷物聯(lián)合收獲機(jī)參數(shù)在線監(jiān)測(cè)及自適應(yīng)控制策略研究提供技術(shù)支持,。

摘要:針對(duì)油葵缺乏適用切割器的問題,，設(shè)計(jì)了撥禾鏈?zhǔn)接涂钆_(tái)切割器,。在闡述撥禾鏈?zhǔn)接涂钆_(tái)切割器結(jié)構(gòu)和工作原理的基礎(chǔ)上，對(duì)滑切角恒定刀刃進(jìn)行設(shè)計(jì),，確定了影響切割性能的關(guān)鍵結(jié)構(gòu)與工作參數(shù),。對(duì)切割過程中植株受力和植株滑切過程功耗進(jìn)行分析，確定了滑切角的選用范圍,；對(duì)割刀運(yùn)動(dòng)軌跡進(jìn)行分析,，明確了割刀轉(zhuǎn)速范圍；對(duì)植株幾何切割位置進(jìn)行分析,，推導(dǎo)得出割刀安裝位置范圍,。通過單因素試驗(yàn)得出，在滑切角為50°～70°,、割刀轉(zhuǎn)速為750～1050r/min,、相對(duì)位置為100～300mm范圍內(nèi)時(shí)，切割器功耗低,、落粒損失率小,。通過二次正交旋轉(zhuǎn)試驗(yàn)，構(gòu)建了轉(zhuǎn)速,、滑切角,、相對(duì)位置與功耗,、落粒損失率的回歸方程，優(yōu)化得出較優(yōu)作業(yè)參數(shù)為：滑切角61°,、轉(zhuǎn)速750r/min,、相對(duì)位置180mm，此時(shí)對(duì)應(yīng)功耗最小值為64.08W,，落粒損失率最小值為1.24%,。為了驗(yàn)證該參數(shù)組合的準(zhǔn)確性，進(jìn)行了臺(tái)架試驗(yàn),，結(jié)果表明,，實(shí)際切割功耗為66.12W,，實(shí)際落粒損失率為1.28%,，與預(yù)測(cè)值的誤差在5%以內(nèi)，該切割器滿足油葵低損失切割要求,。

摘要:針對(duì)花生全喂入撿拾收獲過程撿拾率低,、莢果損失率高、生產(chǎn)率低等問題,，基于花生生物學(xué)特點(diǎn),、莢-柄脫離特性及莢果破損機(jī)理，設(shè)計(jì)了一種軸流式花生撿拾收獲機(jī),。整機(jī)采用自走式底盤驅(qū)動(dòng),，配套動(dòng)力120kW，主要由撿拾裝置,、輸送裝置,、摘果裝置、清選裝置,、底盤系統(tǒng),、集果裝置等組成，可一次完成對(duì)田間條鋪花生植株的撿拾,、輸送,、果蔓脫離、果雜清選,、提升集果等功能,。在分析整機(jī)工作原理的基礎(chǔ)上,，進(jìn)行了關(guān)鍵部件結(jié)構(gòu)設(shè)計(jì)及參數(shù)確定，通過動(dòng)量守恒原理和赫茲接觸理論建立撿拾過程的碰撞模型和摘果裝置關(guān)鍵參數(shù)方程,，并對(duì)莢果破損和莢-柄分離力學(xué)模型進(jìn)行了定量分析,，確定以彈齒轉(zhuǎn)速、摘果滾筒轉(zhuǎn)速,、機(jī)具前進(jìn)速度為主要影響因素,，并針對(duì)“開農(nóng)61”品種花生進(jìn)行試驗(yàn)研究。結(jié)果表明,，最優(yōu)參數(shù)組合為彈齒轉(zhuǎn)速68r/min,、摘果滾筒轉(zhuǎn)速447r/min、機(jī)具前進(jìn)速度1.4m/s,，對(duì)應(yīng)的撿拾率為98.62%,、莢果損失率為2.11%、生產(chǎn)率為0.61hm2/h,，撿拾率,、生產(chǎn)率比優(yōu)化前分別提高了2.1、4.5個(gè)百分點(diǎn),，莢果損失率比優(yōu)化前降低了0.9個(gè)百分點(diǎn),，綜合性能明顯提高。

摘要:針對(duì)現(xiàn)有玉米全膜雙壟溝殘膜回收機(jī)作業(yè)中存在起膜單體仿形能力差、易堵塞,、根茬易被挑起及卸膜難等問題,，對(duì)機(jī)具的起膜裝置、卷膜裝置及卷膜裝置的傳動(dòng)方案進(jìn)行優(yōu)化設(shè)計(jì),。起膜裝置由8個(gè)仿形起膜單體,、滑塊、導(dǎo)軌及調(diào)壓彈簧組成,，起膜單體能夠隨地形上下仿形,，解決了根茬被挑起、堵塞及沖擊振動(dòng)問題,。卷膜裝置由主從動(dòng)錐型卷膜輥,、輔助卷膜齒和聯(lián)動(dòng)卸膜轉(zhuǎn)臂組成。其中,，卷膜輥應(yīng)用了摩擦傳動(dòng)恒線速度機(jī)理,，保證卷膜松緊程度均勻,；輔助卷膜齒采用快速插接機(jī)構(gòu)插接在主從動(dòng)錐型動(dòng)卷膜輥上，實(shí)現(xiàn)殘膜高效纏繞,；主從動(dòng)卷膜輥設(shè)計(jì)為錐型結(jié)構(gòu),，便于脫膜；聯(lián)動(dòng)卸膜轉(zhuǎn)臂能夠保證主從動(dòng)錐型卷膜輥近似直線分開,，使卸膜較為便捷,。通過分析偏心伸縮彈齒的運(yùn)動(dòng)，確定了彈齒周向分布4個(gè),。以殘膜回收率,、纏膜率和含雜率為評(píng)價(jià)指標(biāo)，采用正交試驗(yàn)得出樣機(jī)最優(yōu)工作參數(shù)為：前進(jìn)速度3km/h,、偏心伸縮彈齒挑膜滾筒轉(zhuǎn)速60r/min,、卷膜輥轉(zhuǎn)速90r/min。以最優(yōu)工作參數(shù)進(jìn)行了田間試驗(yàn)驗(yàn)證,，結(jié)果表明,，作業(yè)機(jī)殘膜回收率為89.46%，纏膜率為1.93%,，含雜率為25.53%，滿足全膜雙壟溝殘膜回收技術(shù)要求,。

摘要:為了快速,、準(zhǔn)確,、有效地識(shí)別發(fā)病早期的細(xì)菌性條斑病，提出基于隨機(jī)森林(Random forest, RF)算法的水稻細(xì)菌性條斑病識(shí)別方法,，利用光譜成像技術(shù)獲取該病害的高光譜數(shù)據(jù),，通過多元散射校正減少和消除噪聲及基線漂移對(duì)光譜數(shù)據(jù)的不利影響。利用隨機(jī)森林特征重要性指標(biāo),，選取邏輯回歸（LR）,、樸素貝葉斯（NB）、決策樹（DT）,、支持向量分類機(jī)（SVC）,、k最近鄰（KNN）和梯度提升決策樹（Gradient boosting decision tree，GBDT）算法進(jìn)行對(duì)比試驗(yàn),。同時(shí)篩選出12個(gè)位于450~664nm范圍內(nèi)對(duì)識(shí)別模型有重要影響的光譜波段,，并與全波段進(jìn)行分類結(jié)果比較,。試驗(yàn)結(jié)果表明：RF算法的分類準(zhǔn)確率為95.24%，與試驗(yàn)選取的其他算法相比,，效果最優(yōu),，比NB準(zhǔn)確率提高了20.97個(gè)百分點(diǎn)；與全波段分類結(jié)果相比,，利用RF算法基于12個(gè)波長(zhǎng)的識(shí)別,，波長(zhǎng)數(shù)減少了98.05%，識(shí)別精確率為94.66%,，召回率為99.55%,，F(xiàn)1值為97.04%，準(zhǔn)確率為94.32%,。雖然精確率減少了2.97個(gè)百分點(diǎn),、準(zhǔn)確率減少了0.85個(gè)百分點(diǎn)，但召回率增加了4.4個(gè)百分點(diǎn),、F1值增加了0.67個(gè)百分點(diǎn),，模型精度滿足要求。

摘要:為了準(zhǔn)確、高效,、自動(dòng)獲取植物葉片外形參數(shù),，提出一種基于多分辨率編碼點(diǎn)云深度學(xué)習(xí)網(wǎng)絡(luò)（MRE-PointNet）和自編碼器模型的綠蘿葉片外形參數(shù)估測(cè)算法。使用Kinect V2相機(jī)以垂直姿態(tài)獲取綠蘿葉片點(diǎn)云數(shù)據(jù),，采用直通濾波,、分割、點(diǎn)云精簡(jiǎn)算法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,，通過測(cè)定的葉片外形參數(shù)反演綠蘿葉片幾何模型,，并計(jì)算幾何模型的葉長(zhǎng)、葉寬,、葉面積,。將不同參數(shù)組合構(gòu)建的幾何模型離散成點(diǎn)云數(shù)據(jù)輸入MRE-PointNet網(wǎng)絡(luò)，得到幾何模型葉片外形參數(shù)估測(cè)的預(yù)訓(xùn)練模型,。針對(duì)拍攝過程中存在的葉片部分遮擋和噪聲問題,，采用自編碼器網(wǎng)絡(luò)對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行二次處理，以幾何模型離散的點(diǎn)云數(shù)據(jù)作為輸入，經(jīng)過編碼-解碼運(yùn)算得到自編碼器的預(yù)訓(xùn)練模型,，提升了MRE-PointNet網(wǎng)絡(luò)在遮擋情況下對(duì)葉片外形參數(shù)估測(cè)的魯棒性,。試驗(yàn)共采集300片綠蘿葉片點(diǎn)云數(shù)據(jù)，按照2∶1比例進(jìn)行劃分,，以其中200片點(diǎn)云數(shù)據(jù)作為訓(xùn)練集,，對(duì)預(yù)訓(xùn)練模型MRE-PointNet做模型遷移的參數(shù)微調(diào)，以剩下的100片點(diǎn)云數(shù)據(jù)作為測(cè)試集,，評(píng)估模型對(duì)綠蘿葉片外形參數(shù)的估測(cè)能力,。采用本文算法將外形參數(shù)估測(cè)值和真實(shí)值進(jìn)行數(shù)學(xué)統(tǒng)計(jì)與線性回歸分析，得出葉長(zhǎng),、葉寬和葉面積估測(cè)的R2和RMSE分別為0.9005和0.4170cm,、0.9131和0.3164cm、0.9447和3.8834cm2,。試驗(yàn)表明,，基于MRE-PointNet和自編碼器模型的綠蘿葉片外形參數(shù)估測(cè)算法具有較高的精確度和實(shí)用性。

摘要:在有限標(biāo)記樣本下,，為了有效協(xié)同空譜信息提高高光譜圖像的分類性能，提出了一種基于自適應(yīng)字典的小樣本高光譜圖像分類方法,。首先,，對(duì)高光譜圖像進(jìn)行熵率超像素分割，分析標(biāo)記樣本的超像素區(qū)域和光譜近鄰,，將鑒別力高的樣本擴(kuò)展至標(biāo)記樣本集,；然后，在擴(kuò)展的標(biāo)記樣本集上分析測(cè)試樣本的空譜信息,，對(duì)不同的測(cè)試樣本精簡(jiǎn)標(biāo)記樣本集，形成自適應(yīng)字典,；最后,，在自適應(yīng)字典上，協(xié)同空譜信息重構(gòu)測(cè)試樣本,，在協(xié)同表示中同時(shí)考慮重構(gòu)字典中空譜信息的競(jìng)爭(zhēng)性,。實(shí)驗(yàn)結(jié)果表明，對(duì)比傳統(tǒng)的基于光譜的方法和固定窗口尺寸下融合空譜特征的高光譜圖像分類方法,，在印地安農(nóng)林?jǐn)?shù)據(jù)集上,，當(dāng)訓(xùn)練樣本數(shù)目?jī)H為樣本集數(shù)目2%時(shí)，本文方法總體分類精度為91.45%,，比其他方法高3.48~39.52個(gè)百分點(diǎn),；在訓(xùn)練樣本數(shù)為1%的帕維亞大學(xué)數(shù)據(jù)集上，該方法的總體分類精度達(dá)到95.54%,，比其他方法高2.45~21.63個(gè)百分點(diǎn),，驗(yàn)證了本文方法的有效性,。

摘要:為解決傳統(tǒng)水稻冠層圖像分割算法性能在很大程度上依賴于訓(xùn)練數(shù)據(jù)集的質(zhì)量,，且分割效果易受田間多變光照強(qiáng)度影響，導(dǎo)致水稻生產(chǎn)參數(shù)估計(jì)精度不高等問題,，提出一種基于Lab顏色空間的非監(jiān)督貝葉斯方法,，用于田間水稻無人機(jī)圖像分割。模型參數(shù)從每個(gè)獨(dú)立,、未標(biāo)記的無人機(jī)圖像直接學(xué)習(xí)獲得,，無需訓(xùn)練。不同圖像會(huì)有不同的模型參數(shù),，該算法能夠適應(yīng)各種不同環(huán)境拍攝的圖像,。將提出的算法應(yīng)用于分蘗后期田間水稻的無人機(jī)圖像分割，并與RGB-GMM,、HSV-GMM和All-GMM算法進(jìn)行對(duì)比,，在高度10m圖像中平均查全率、平均查準(zhǔn)率和平均F1值分別為0.8427,、0.7570和0.7948,，在高度15m圖像中分別為0.8756、0.7133和0.7788,，優(yōu)于RGB-GMM,、HSV-GMM和All-GMM算法。研究表明,，本文提出的方法可以從復(fù)雜大田環(huán)境拍攝的無人機(jī)影像中準(zhǔn)確提取水稻像素,。

摘要:針對(duì)目前采用三維數(shù)字化等方法獲取大田作物冠層結(jié)構(gòu)信息時(shí)需要手動(dòng)干預(yù),、費(fèi)時(shí)費(fèi)力的問題，利用超微小型無人機(jī)分別獲取了苗期大田玉米群體的航拍圖像,、去掉周邊植株后成熟期單株及多株的玉米小群體航拍圖像,。基于偽極點(diǎn)-Crust方法構(gòu)建了玉米苗期和成熟期的冠層結(jié)構(gòu)模型，并基于大田原位手動(dòng)測(cè)量的株高,、葉長(zhǎng),、最大葉寬、葉面積等參數(shù)對(duì)所構(gòu)建的冠層結(jié)構(gòu)模型進(jìn)行了精度評(píng)估,。結(jié)果表明,，苗期、成熟期玉米株高,、葉長(zhǎng),、最大葉寬的R2均不小于0.91，RMSE,、rRMSE,、ME均較小,；苗期葉面積的R2為0.96,，RMSE、rRMSE,、ME均較?。怀墒炱谌~面積的R2為0.76,，RMSE,、rRMSE、ME稍大,。本研究可為大田冠層結(jié)構(gòu),、表型信息的高通量獲取提供新的途徑。

摘要:針對(duì)大區(qū)域高分辨率數(shù)字高程模型（DEM）數(shù)據(jù)較難獲取、超分辨率重構(gòu)（降尺度）較低分辨率的DEM精度不高,、難以滿足實(shí)際需要的問題,提出一種對(duì)起伏特征較明顯的山區(qū)DEM超分辨率重構(gòu)的方法。利用較深層的神經(jīng)網(wǎng)絡(luò)充分學(xué)習(xí)高低分辨率DEM之間的非線性映射關(guān)系,；為了降低訓(xùn)練難度,，結(jié)合殘差學(xué)習(xí)的方法進(jìn)行數(shù)據(jù)訓(xùn)練。將雙立方插值法,、稀疏混合估計(jì)法重構(gòu)的DEM及提取的坡度結(jié)果分別同深層殘差網(wǎng)絡(luò)法的結(jié)果進(jìn)行對(duì)比，結(jié)果表明，3種方法DEM結(jié)果的差值平均值分別為0.41,、0.34、0.34m,，RMSE分別為0.5945、0.5715,、0.4869m,；坡度結(jié)果的差值平均值分別為3.02°、2.04°,、1.99°,，RMSE分別為3.6498°、3.1360°,、2.7387°,；處理時(shí)間分別為0.052、663.39,、2.16s,。研究表明，對(duì)于10,、20,、40m的DEM，本文方法在空間分布和誤差方面優(yōu)于其他方法,，在耗時(shí)效率上也優(yōu)于稀疏混合估計(jì)法,，適合應(yīng)用于梯田等地形復(fù)雜的區(qū)域進(jìn)行超分辨率重構(gòu)。

摘要:針對(duì)農(nóng)業(yè)智能問答系統(tǒng)構(gòu)建過程中傳統(tǒng)的農(nóng)業(yè)命名實(shí)體識(shí)別方法依賴人工特征模板,、特征信息提取不充分,、實(shí)體名稱多樣導(dǎo)致標(biāo)注不一致等問題，提出一種基于注意力機(jī)制的農(nóng)業(yè)文本命名實(shí)體識(shí)別方法,。采用連續(xù)詞袋模型（Continuous bag of words,，CBOW）對(duì)輸入字向量進(jìn)行預(yù)訓(xùn)練，豐富字向量特征信息,，緩解分詞準(zhǔn)確度對(duì)性能的影響,；引入文檔級(jí)的注意力（Attention）機(jī)制，獲取實(shí)體間相似信息,，保證實(shí)體在不同語境下的標(biāo)簽一致性,；基于雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bi-directional long-short term memory，BiLSTM）和條件隨機(jī)場(chǎng)（Conditional random field,，CRF）模型,，構(gòu)建適合農(nóng)業(yè)領(lǐng)域?qū)嶓w識(shí)別的模型框架,。選取4604篇農(nóng)業(yè)文本，針對(duì)病害,、蟲害,、農(nóng)藥、農(nóng)作物品種4類實(shí)體進(jìn)行了識(shí)別實(shí)驗(yàn),。結(jié)果表明,，模型能有效地辨別農(nóng)業(yè)文本中的實(shí)體，緩解實(shí)體標(biāo)記不一致的問題,，在農(nóng)業(yè)語料上達(dá)到了較好的結(jié)果,，識(shí)別的準(zhǔn)確率、召回率,、F值分別為93.48%,、90.60%、92.01%,。與其他3種識(shí)別方法相比,，模型在不同規(guī)模語料庫的準(zhǔn)確率均有一定提高，具有明顯的性能優(yōu)勢(shì),。

摘要:針對(duì)我國(guó)禽蛋孵化行業(yè)以人工方式剔除無精蛋自動(dòng)化程度低的問題，以孵化5d的群體種鴨蛋為研究對(duì)象,，利用圖像采集裝置采集群體種鴨蛋圖像,，在常用單步多框檢測(cè)器（Single shot multibox detector，SSD）網(wǎng)絡(luò)的基礎(chǔ)上提出一種改進(jìn)SSD目標(biāo)檢測(cè)算法,，并采用該方法對(duì)孵化早期整盤群體種鴨蛋中的受精蛋與無精蛋進(jìn)行識(shí)別,。利用MobileNetV3輕量化網(wǎng)絡(luò)作為模型的特征提取網(wǎng)絡(luò)，可快速高效提取圖像特征,。結(jié)果表明：本文建立的模型對(duì)孵化早期群體種鴨蛋中受精蛋與無精蛋的平均識(shí)別精度為98.09%,、召回率為97.32%、漏檢率為0,，優(yōu)于改進(jìn)前網(wǎng)絡(luò)模型的96.88%,、96.17%、1.04%,。本文方法可為種鴨蛋孵化產(chǎn)業(yè)相關(guān)智能機(jī)器人或機(jī)械手的研發(fā)提供技術(shù)支撐,。

摘要:群養(yǎng)豬攻擊行為是評(píng)估豬群對(duì)微環(huán)境適應(yīng)性的重要指標(biāo),?；顒?dòng)指數(shù)模型能夠描述豬群行為模式，已經(jīng)在群養(yǎng)豬攻擊行為識(shí)別研究中得到初步驗(yàn)證,。然而,，養(yǎng)殖設(shè)施的差異性和動(dòng)態(tài)背景環(huán)境等因素所導(dǎo)致的環(huán)境適應(yīng)性差是限制其商業(yè)化應(yīng)用的主要障礙。本文基于遞歸背景建模思想,，在高斯混合模型（GMM）中引入雙曲正切函數(shù),，提出了一種自適應(yīng)學(xué)習(xí)率GMM的活動(dòng)指數(shù)計(jì)算方法（ALR-GMM），能夠在動(dòng)態(tài)背景環(huán)境下準(zhǔn)確提取動(dòng)物活動(dòng)指數(shù),。與經(jīng)典模型相比,，平均相對(duì)誤差從15.08%降到14.34%。育肥豬攻擊行為識(shí)別試驗(yàn)中,，采用ALR-GMM算法提取行為視頻單元的活動(dòng)指數(shù)特征,，構(gòu)建了活動(dòng)指數(shù)最大值、平均值,、方差和標(biāo)準(zhǔn)差特征向量,，采用線性核函數(shù)支持向量機(jī)建立分類器。結(jié)果表明,，本文算法的正確率,、靈敏度、特效度和精度分別為97.6%,、97.9%,、97.7%和97.8%，滿足實(shí)際應(yīng)用需求,。

摘要:為探究京津冀城市群樹木覆蓋率（TC）,、短植被覆蓋率(SV)與裸地覆比率(BG)變化趨勢(shì)及生態(tài)空間格局對(duì)地表溫度的影響，基于京津冀城市群的MODIS遙感數(shù)據(jù),，運(yùn)用景觀生態(tài)學(xué)理論并結(jié)合空間計(jì)量經(jīng)濟(jì)學(xué)相關(guān)原理研究了京津冀生態(tài)空間與地表溫度的格局特征,，運(yùn)用Pearson相關(guān)性探究了兩者的相關(guān)性，分別運(yùn)用空間雙變量自相關(guān)與空間自回歸模型探究了兩者的空間相關(guān)性,。結(jié)果表明：京津冀地區(qū)中部,、東北部以及西南邊界地區(qū)的樹木覆蓋率呈現(xiàn)增長(zhǎng)趨勢(shì)，東北,、西南邊界和東部沿海地區(qū)的短植被覆蓋率呈上升趨勢(shì),，承德市西北部和南部、保定市,、石家莊市,、邢臺(tái)市和邯鄲市的部分區(qū)域具有土地裸露風(fēng)險(xiǎn)。提取了京津冀城市群的綠色空間和藍(lán)色空間,，各樣區(qū)內(nèi)藍(lán)綠空間與地表溫度的空間分布具有顯著的空間自相關(guān)性,。樣區(qū)5、7位于河北省北部,，林地景觀比例較高,，相關(guān)性以及雙變量空間自相關(guān)性高于其他樣區(qū)，這與景觀優(yōu)勢(shì)度,、斑塊破碎度有關(guān),。樣區(qū)1、4生態(tài)空間比例較低,，對(duì)地表溫度影響有限,。景觀類型比例對(duì)地表溫度影響較大，樣區(qū)7的生態(tài)空間比例較高,，并且生態(tài)空間斑塊集中連片,，對(duì)地表溫度影響明顯。樣區(qū)1~7的空間滯后模型與空間誤差模型擬合效果遠(yuǎn)優(yōu)于OLS模型,。各個(gè)樣區(qū)空間誤差模型的R2大于空間滯后模型,，空間誤差模型解釋變量的能力更強(qiáng)。各個(gè)樣區(qū)空間誤差模型的LIK值較大,，AIC,、SC以及模型殘差的Moran’s I值較小，空間誤差模型的擬合效果優(yōu)于空間滯后模型,。

摘要:在分析鄂爾多斯市生態(tài)空間網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和魯棒性的基礎(chǔ)上，提出節(jié)點(diǎn)最低和最大介數(shù)增加(Low and maximum betweenness addition,，LMBA）增邊優(yōu)化策略，同時(shí)與采用RA,、LDF和SMB 3種增邊策略的優(yōu)化結(jié)果進(jìn)行了對(duì)比,。結(jié)果表明：鄂爾多斯生態(tài)空間網(wǎng)絡(luò)有262個(gè)節(jié)點(diǎn)、402條邊,，網(wǎng)絡(luò)直徑為38,，節(jié)點(diǎn)最大介數(shù)為418，最大連通度為25,。網(wǎng)絡(luò)連通度低,，重要節(jié)點(diǎn)少且均位于網(wǎng)絡(luò)西部，網(wǎng)絡(luò)極不均勻,，當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)遭到破壞時(shí),，進(jìn)行自我恢復(fù)的能力比較強(qiáng)，但維持自身連通性的能力非常弱,。增邊94條后,，LMBA策略優(yōu)化后網(wǎng)絡(luò)直徑為16、節(jié)點(diǎn)最大介數(shù)為796,、最大連通度為49,，網(wǎng)絡(luò)重要節(jié)點(diǎn)增多，網(wǎng)絡(luò)整體效率明顯提升,；RA,、LDF策略也使網(wǎng)絡(luò)連通度極大增強(qiáng)，SMB策略的網(wǎng)絡(luò)連通性增強(qiáng)效果不顯著,，重要節(jié)點(diǎn)增多且東移,，網(wǎng)絡(luò)結(jié)構(gòu)比優(yōu)化前更均勻。遭到攻擊后,，網(wǎng)絡(luò)的連接魯棒性大大增強(qiáng),，恢復(fù)魯棒性也有所提升。與其他策略對(duì)比,，LMBA策略的連接魯棒性在兩種攻擊模式下,、節(jié)點(diǎn)恢復(fù)魯棒性在隨機(jī)攻擊模式下表現(xiàn)最優(yōu)，節(jié)點(diǎn)恢復(fù)魯棒性在惡意攻擊下,、邊恢復(fù)魯棒性在兩種攻擊模式下表現(xiàn)較優(yōu)且穩(wěn)定,，說明該策略網(wǎng)絡(luò)連通性強(qiáng),、結(jié)構(gòu)均勻，綜合表現(xiàn)最優(yōu),。在遭受攻擊過程中,，LMBA策略維持自身連通情況的能力較優(yōu)且穩(wěn)定，節(jié)點(diǎn)和邊的恢復(fù)能力也較優(yōu),。

摘要:為探究秸稈深埋下土壤水鹽分布與夏玉米產(chǎn)量對(duì)灌水量的響應(yīng)，于2017年和2018年在河套灌區(qū)進(jìn)行了秸稈深埋下單次灌水定額60mm（W1）,、90mm（W2）,、120mm（W3）3個(gè)處理及常規(guī)135mm為對(duì)照（CK）處理的大田試驗(yàn)。結(jié)果表明：秸稈深埋下耕作層含水率隨灌水量的增加先增后減,，成熟期W1處理的兩年平均含水率較CK降低21.3%,，而W2和W3較CK提高8.6%和9.4%；秸稈隔層持水量隨灌水量的增加先增后降,，成熟期W1持水量較CK平均降低10.9%,，而W2和W3較CK平均提高16.1%和17.1%；生育期W1,、CK處理在隔層積鹽,，W2、W3處理脫鹽,，生育末期W1和CK平均積鹽率為27.0%和11.1%,，而W2和W3平均脫鹽率為7.6%和7.1%；W1和W3較CK平均減產(chǎn)20.9%和0.5%,，W2較CK平均增產(chǎn)1%,，但W1、W2,、W3處理的水分利用效率較CK分別提高15.2%,、17.3%和5.1%（P<0.05）。當(dāng)耕層含鹽量為1.45~1.48g/kg,，單次灌水定額為82~111mm時(shí),，秸稈深埋耕作模式可實(shí)現(xiàn)節(jié)水穩(wěn)產(chǎn)的目標(biāo)。

摘要:為利用濱海地區(qū)微咸水改良鹽漬土,，進(jìn)行了不同咸淡水輪灌（淡淡、淡咸,、咸淡,、咸咸）和施用生物炭（0、15,、30t/hm2）的室內(nèi)入滲試驗(yàn),，探討了咸淡輪灌和生物炭施用下濱海鹽漬土水鹽運(yùn)移過程。結(jié)果表明：濱海鹽漬土水分運(yùn)動(dòng)主要受初始入滲水質(zhì)的影響,，先咸后淡的輪灌方式更有利于土壤水分入滲,，入滲速率增加了8.2%～46.9%，并小幅提高了土壤含水率,；生物炭可促進(jìn)咸淡輪灌下的水分運(yùn)移，增加了相同時(shí)間內(nèi)的濕潤(rùn)鋒距離,、累計(jì)入滲量,、入滲速率及入滲后的土壤含水率，添加量為15t/hm2時(shí)入滲增益最佳,，入滲速率提高了3.5%～22.0%,；淡咸和咸淡處理的土壤含鹽量均低于咸咸處理，脫鹽率和脫鹽區(qū)深度系數(shù)更高,，咸淡處理可增加脫鹽率,，而淡咸處理可提高脫鹽區(qū)深度系數(shù)；生物炭有利于咸淡輪灌下的土壤鹽分淋洗,，脫鹽率和脫鹽區(qū)深度系數(shù)分別提高了9.1%～15.0%和1.1%～7.5%,，并增加了Ca2+和Mg2+含量，促進(jìn)Na+淋洗,，進(jìn)而降低了微咸水利用風(fēng)險(xiǎn),，但在30t/hm2時(shí)鹽分淋洗效果有所減弱。研究表明,，添加15t/hm2生物炭配合微咸水-淡水輪灌能夠改善濱海鹽漬土的入滲特性,、持水能力和鹽分分布，可為該區(qū)鹽漬土和微咸水開發(fā)利用提供參考,。

摘要:為探究西北干旱地區(qū)農(nóng)田水鹽運(yùn)移與作物生長(zhǎng)對(duì)虧水滴灌的響應(yīng)以及層狀土壤中水分-溶質(zhì)運(yùn)移和作物生長(zhǎng)耦合模型（Layered soil water-solute transport and crop growth model，LAWSTAC）的適用性，設(shè)置3種水分處理W100,、W70,、W40，分別表示灌溉需水量的100%,、70%和40%,，于2018年在農(nóng)業(yè)農(nóng)村部作物高效用水武威科學(xué)觀測(cè)實(shí)驗(yàn)站進(jìn)行了大田試驗(yàn)。結(jié)果表明：在制種玉米生長(zhǎng)苗期,，單次灌水后,，淺層（0~20cm）土壤含鹽量降低；經(jīng)全生育期灌溉后,，灌水量越大,，淺層脫鹽和深層積鹽現(xiàn)象越明顯。3種水分處理下灌水量越多的處理,，制種玉米葉面積指數(shù)（LAI）和最終地上生物量越高,，作物長(zhǎng)勢(shì)越好。LAWSTAC模型能較好地模擬農(nóng)田水鹽運(yùn)移和制種玉米的生長(zhǎng)過程,；各處理LAI模擬值與實(shí)測(cè)值之間的決定系數(shù)R2均為0.99,，RMSE為0.20~0.87cm2/cm2；各處理地上生物量的模擬值與實(shí)測(cè)值的R2均為0.99,，RMSE為1.62~3.57t/hm2,，說明LAWSTAC模型可以較為準(zhǔn)確地模擬制種玉米LAI、地上生物量的動(dòng)態(tài)變化,。0~80cm土層貯水量的模擬結(jié)果表明,，各處理R2為0.41~0.61，RMSE為12~21mm,；0~80cm土壤鹽分質(zhì)量濃度的模擬結(jié)果表明,，各處理R2為0.53~0.60，RMSE為1.37~2.56g/L,，效果較好,。因此，LAWSTAC模型可為當(dāng)?shù)貜?fù)雜土壤條件的農(nóng)田進(jìn)行生產(chǎn)力的初步預(yù)測(cè)與評(píng)估,。

摘要:設(shè)置淺水勤灌（FSI）,、淺濕灌溉（WSI）,、控制灌溉（CI）和蓄水控灌（RC-CI）4種灌排模式，于2017—2018年進(jìn)行了桶栽觀測(cè)試驗(yàn),，利用作物水足跡計(jì)算方法量化藍(lán),、綠、灰水足跡，分析灌排模式對(duì)水稻水足跡及其組成的影〖JP2〗響,。結(jié)果表明：在不同灌排模式下,，水稻作物水足跡、組成及其效率均存在差異,。所有處理水足跡的范圍為846.3~1132.3mm,，RC-CI處理水足跡最小，而FSI最大,。FSI,、WSI、CI,、RC-CI作物生產(chǎn)水足跡年均值分別為1.26,、1.18、1.06,、1.08m3/kg,。在水足跡組成方面，藍(lán),、綠,、灰水足跡比例分別為10.9%~22.3%、28.8%~44.1%和39.4%~55.0%,。FSI處理藍(lán)水比例最大，RC-CI處理綠水比例占有優(yōu)勢(shì),。蓄水控灌降低了水稻作物水足跡,，其用水結(jié)構(gòu)更為合理，減小了機(jī)會(huì)成本,，能夠較好地實(shí)現(xiàn)節(jié)水減排,。本研究可為選擇水稻高效灌排模式和農(nóng)業(yè)節(jié)水策略制定提供參考。

摘要:為了對(duì)隴中黃土高原溝壑區(qū)不同保護(hù)性耕作措施下的土壤含水率進(jìn)行差異性分析,，利用長(zhǎng)期定位試驗(yàn)，設(shè)置春小麥/豌豆,、豌豆/春小麥輪作序列下傳統(tǒng)耕作,、免耕、傳統(tǒng)耕作秸稈覆蓋和免耕覆蓋4種耕作措施,，以當(dāng)?shù)卦缕骄鶜鉁?、月降水量、月平均輻射量、月平均蒸發(fā)量,、月作物耗水量作為輸入,，以0~200cm土層土壤含水率作為輸出，建立基于長(zhǎng)短期記憶（Long short-term memory, LSTM）神經(jīng)網(wǎng)絡(luò)的土壤含水率預(yù)測(cè)模型,，并對(duì)模型的有效性進(jìn)行評(píng)估,，然后利用該模型模擬4種耕作措施下0~200cm土層土壤含水率的動(dòng)態(tài)變化過程。結(jié)果表明,，基于LSTM神經(jīng)網(wǎng)絡(luò)建立的土壤含水率模型對(duì)隴中黃土高原溝壑區(qū)保護(hù)性耕作下土壤含水率預(yù)測(cè)具有較好的適用性,，其模擬值與實(shí)測(cè)值的平均均方根誤差為2.29%、平均相對(duì)誤差為6.79%,、平均決定系數(shù)為0.82,。豌豆/春小麥輪作序列中4種耕作措施下的土壤含水率比春小麥/豌豆輪作序列的土壤含水率增加1.49%、1.61%,、1.69%和1.76%,，4種耕作措施下0~200cm土層的土壤含水率由大到小依次為：免耕覆蓋、免耕,、傳統(tǒng)耕作秸稈覆蓋,、傳統(tǒng)耕作，免耕覆蓋下的土壤含水率分別比免耕,、傳統(tǒng)耕作秸稈覆蓋和傳統(tǒng)耕作增加1.27%,、1.75%和2.81%。免耕覆蓋對(duì)0~30cm土層土壤含水率的影響最為顯著,，其土壤含水率分別比免耕,、傳統(tǒng)耕作秸稈覆蓋和傳統(tǒng)耕作平均增加1.60%、2.63%和4.18%,。4種耕作措施下的土壤含水率隨季節(jié)發(fā)生變化,，免耕覆蓋下的土壤含水率整體高于其他3種耕作措施，且在作物生長(zhǎng)前期的蓄水保墑效果更加顯著,。研究區(qū)豌豆/春小麥輪作序列中4種耕作措施的土壤含水率相對(duì)較高,，而不同耕作措施下免耕覆蓋更有利于提高該地區(qū)農(nóng)田土壤水分，為隴中黃土高原溝壑區(qū)最適宜的耕作方式,。

摘要:積雪作為一種重要的下墊面，其熱力學(xué)性質(zhì)對(duì)周圍環(huán)境的影響至關(guān)重要,。利用中國(guó)東北地區(qū)天然積雪在不同密度(0.30,、0.35,、0.40、0.45g/cm3)下的雪溫?cái)?shù)據(jù),，分析積雪溫度的變化特征,，研究不同溫度(-5、-10,、-15,、-20、-25℃),、不同密度(0.35,、0.40、0.45,、0.50,、0.55、0.60\g/cm3)下的積雪導(dǎo)熱系數(shù)變化規(guī)律,。結(jié)果表明：雪的導(dǎo)熱系數(shù)隨密度的增加而逐漸增大,，二者之間存在良好的指數(shù)相關(guān)關(guān)系；在不同密度下雪導(dǎo)熱系數(shù)對(duì)溫度的響應(yīng)呈現(xiàn)明顯的差異,，密度為0.40~0.45g/cm3時(shí),，導(dǎo)熱系數(shù)隨溫度的升高而增大，密度為0.50~0.60g/cm3時(shí),，溫度在-15~-25℃的雪導(dǎo)熱系數(shù)隨溫度的降低而增大,；在溫度觀測(cè)期間，雪溫與氣溫變化趨勢(shì)一致,，且均低于0℃,，在一天的不同時(shí)段，表面雪層會(huì)出現(xiàn)冷暖中心,，0~20cm淺層雪層的溫度變化劇烈，雪溫變化幅度自雪面向下逐漸減小,，雪溫振幅與積雪深度之間存在良好的負(fù)指數(shù)相關(guān)關(guān)系,。深層雪溫達(dá)到極值的時(shí)間滯后于表面雪層約4h。在相同深度的雪層中,，雪層溫度隨密度的增加呈現(xiàn)減小的趨勢(shì),。

摘要:采用浸漬法,，以松木熱解半焦為載體,，制備了載La半焦基催化劑，利用自行設(shè)計(jì)的兩段式生物質(zhì)催化熱解固定床反應(yīng)系統(tǒng)進(jìn)行松木燃料棒催化熱解試驗(yàn),，研究不同重整溫度下載La半焦基催化劑對(duì)生物質(zhì)熱解氣,、焦油、焦炭三相產(chǎn)物的影響規(guī)律,。通過氣體組分的變化,、焦油FTIR譜圖的變化以及催化劑SEM、XRD表征特性測(cè)試,，探討載La半焦基催化劑對(duì)生物質(zhì)熱解催化重整效果隨溫度的變化規(guī)律,，并與無催化劑和以半焦為催化劑的催化性能進(jìn)行對(duì)比。試驗(yàn)表明：催化重整溫度為800℃,、La負(fù)載量為6%時(shí),，半焦基催化劑性能較好，經(jīng)載La半焦基催化劑催化重整后,，松木熱解氣最高產(chǎn)率達(dá)到531g/kg,，焦油生成量最少，為90g/kg,；H2體積分?jǐn)?shù)由650℃時(shí)的20.42%升高至850℃時(shí)的32.66%,，相較于無催化劑和半焦催化劑條件，載La半焦基催化劑在800℃時(shí)H2體積分?jǐn)?shù)明顯高于無催化劑時(shí)的16.77%和以半焦為催化劑時(shí)的20.06%,；焦油生成量降低趨勢(shì)明顯,；經(jīng)催化重整后，催化劑存在金屬元素的團(tuán)聚現(xiàn)象,，活性組分La2O2CO3和La轉(zhuǎn)化為L(zhǎng)a2O3,，伴隨著積碳、積灰堵塞催化劑表面部分孔道,，催化活性有所減弱,。研究表明，載La半焦基催化劑表現(xiàn)出較好的松木催化熱解性能,。

摘要:為了探究氨纖維膨脹（Ammonia fiber expansion,，AFEX）預(yù)處理產(chǎn)生的酚類物質(zhì)和木質(zhì)素暴露程度的變化對(duì)酶解的影響，對(duì)玉米秸稈（CK）進(jìn)行了高,、低兩個(gè)溫度水平的AFEX預(yù)處理（L-AFEX：90℃,、5min；H-AFEX：140℃,、15min,，載氨量和含水率分別為1g/g和60%）,，對(duì)預(yù)處理后玉米秸稈的木質(zhì)纖維成分、酚類物質(zhì)含量及纖維素,、木質(zhì)素的表面暴露程度的變化進(jìn)行了系統(tǒng)表征,，并分析了這些變化對(duì)酶解的影響。研究表明,，L-AFEX和H-AFEX預(yù)處理將玉米秸稈的酶解葡萄糖得率分別提高至37.57%和74.74%,，隨著AFEX預(yù)處理溫度的升高，玉米秸稈中纖維素和半纖維素含量不變,，酸溶木質(zhì)素增多,，木質(zhì)素親水性增強(qiáng)，減弱了酶解時(shí)木質(zhì)素與纖維素酶間的非生產(chǎn)性吸附,，同時(shí)產(chǎn)生了更多的酚類物質(zhì),。AFEX預(yù)處理上清液中的酚類物質(zhì)對(duì)纖維素酶水解能力的抑制作用顯著，L-AFEX和H-AFEX預(yù)處理的抑制率分別為4.10%和10.40%,，酚類物質(zhì)對(duì)H-AFEX固體殘余物酶解的抑制率為5.06%,。AFEX預(yù)處理顯著增大了纖維素酶可及的表面積，將纖維素表面積從316.08m2/g（CK）增大至430.97m2/g（L-AFEX）和422.27m2/g（H-AFEX）,，將木質(zhì)素表面積從293.13m2/g（CK）減小至271.25m2/g（L-AFEX）和215.23m2/g（H-AFEX）,，使纖維素與木質(zhì)素表面積的比值從1.08（CK）增大至1.59（L-AFEX）和1.96（H-AFEX），有效降低了木質(zhì)素對(duì)纖維素酶解的空間阻礙,，提高了酶解效率,。

摘要:根據(jù)現(xiàn)代溫室監(jiān)控和管理的需求，基于Android系統(tǒng)開發(fā)了溫室設(shè)備的狀態(tài)監(jiān)控模塊,，采用CAN總線測(cè)控系統(tǒng)對(duì)溫室內(nèi)外環(huán)境數(shù)據(jù)進(jìn)行實(shí)時(shí)采集并對(duì)溫室環(huán)境設(shè)備進(jìn)行控制,。基于Android開發(fā)的系統(tǒng)軟件具有遠(yuǎn)程監(jiān)控的功能,。根據(jù)攝像頭提供的實(shí)時(shí)視頻數(shù)據(jù),，對(duì)圖幀間差分法和自相關(guān)函數(shù)法應(yīng)用于溫室風(fēng)機(jī)停轉(zhuǎn)狀態(tài)的監(jiān)測(cè)以及背景差分法和Canny邊緣檢測(cè)算法應(yīng)用于溫室天窗開度狀態(tài)的監(jiān)測(cè)進(jìn)行研究，比較不同算法的實(shí)時(shí)性和準(zhǔn)確性,，實(shí)現(xiàn)了溫室通風(fēng)設(shè)備風(fēng)機(jī)和天窗狀態(tài)的異常監(jiān)測(cè)。試驗(yàn)表明,，系統(tǒng)數(shù)據(jù)傳輸穩(wěn)定,、環(huán)境調(diào)控可靠、視頻圖像清晰流暢,，能夠?qū)崟r(shí)可靠地監(jiān)測(cè)設(shè)備的運(yùn)行狀態(tài),，且操作簡(jiǎn)單,、界面友好，保證了溫室通風(fēng)設(shè)備自動(dòng)控制的安全性,，能夠滿足遠(yuǎn)程智能監(jiān)控現(xiàn)代溫室的需求,。

摘要:針對(duì)目前設(shè)施栽培中營(yíng)養(yǎng)液動(dòng)態(tài)調(diào)配精確度低的問題,，提出一種基于支持向量機(jī)回歸（Support vector machine regression, SVR）的營(yíng)養(yǎng)液調(diào)控模型,。首先，通過設(shè)計(jì)嵌套試驗(yàn)采集了13個(gè)溫度,、50組不同Knop營(yíng)養(yǎng)液（A:99%Ca(NO3)2·4H2O,、B:98%KNO3、C:99%KH2PO4,、D:98%MgSO4·7H2O,、E:99%EDTA-NaFe 5種化合物）配比下的營(yíng)養(yǎng)液pH值、EC,、K+質(zhì)量濃度,、Ca2+質(zhì)量濃度和NO-3質(zhì)量濃度等檢測(cè)指標(biāo)值，并基于SVR構(gòu)建營(yíng)養(yǎng)液檢測(cè)指標(biāo)預(yù)測(cè)模型,；然后,，采用離散斜率法計(jì)算營(yíng)養(yǎng)液檢測(cè)指標(biāo)值與5種化合物含量的響應(yīng)曲線離散斜率，并利用人工魚群算法獲取離散斜率最大突變點(diǎn),；最后,，以該突變點(diǎn)對(duì)應(yīng)的5種化合物含量作為最優(yōu)調(diào)控目標(biāo)值，基于SVR構(gòu)建營(yíng)養(yǎng)液調(diào)控模型,，并進(jìn)行驗(yàn)證試驗(yàn),。結(jié)果表明：基于SVR的營(yíng)養(yǎng)液調(diào)控模型中對(duì)應(yīng)5種化合物含量的決定系數(shù)分別為0.99、0.98,、0.99,、0.96、0.99,，均方根誤差分別為4.29,、7.39,、5.02、2.85,、3.96mg,，擬合效果良好。對(duì)比逐步擬合響應(yīng)模型獲取目標(biāo)值的結(jié)果發(fā)現(xiàn),，基于SVR的營(yíng)養(yǎng)液調(diào)控模型5種化合物含量的平均相對(duì)誤差分別降低了37.65%,、49.94%、40.53%,、50.58%,、42.84%；在驗(yàn)證試驗(yàn)中,，對(duì)比逐步擬合響應(yīng)模型發(fā)現(xiàn),，基于SVR的營(yíng)養(yǎng)液調(diào)控模型5種化合物使用量的相對(duì)誤差平均值分別降低了46.42%、52.08%,、54.03%,、53.59%、54.54%,，調(diào)控過程中5種化合物使用量的平均降低率分別為1.69%,、5.81%、5.85%,、3.65%,、7.08%。本文基于SVR構(gòu)建的營(yíng)養(yǎng)液調(diào)控模型具有高效,、節(jié)能特點(diǎn),，可為設(shè)施作物栽培的實(shí)際生產(chǎn)應(yīng)用提供參考。

摘要:以提高表面增強(qiáng)拉曼光譜重復(fù)性為目的,，為保證表面增強(qiáng)金屬納米顆粒和分析物混合吸附的均一性，基于實(shí)驗(yàn)室自行搭建的拉曼點(diǎn)檢測(cè)裝置,，設(shè)計(jì)了表面增強(qiáng)劑與微量液態(tài)樣品自動(dòng)混勻控制拉曼光譜檢測(cè)硬件系統(tǒng),。基于NI LabVIEW軟件開發(fā)工具,，采用G語言編寫了實(shí)時(shí)控制分析軟件,，實(shí)現(xiàn)了微量液態(tài)樣品和表面增強(qiáng)劑自動(dòng)混勻進(jìn)樣、光譜采集及數(shù)據(jù)處理等一鍵式操作。以市售蜂蜜中硝基呋喃妥因和磺胺甲氧噠嗪兩種獸藥殘留為檢測(cè)對(duì)象,，通過試驗(yàn)驗(yàn)證了表面增強(qiáng)劑與微量液態(tài)樣品自動(dòng)混勻控制拉曼光譜檢測(cè)系統(tǒng)的穩(wěn)定性。結(jié)果表明,，利用表面增強(qiáng)劑與微量液態(tài)樣品自動(dòng)混勻控制拉曼檢測(cè)系統(tǒng)采集的蜂蜜中兩種獸藥拉曼特征平均峰值強(qiáng)度變異系數(shù)最低分別為0.0322和0.0361,，建立的最優(yōu)一元線性回歸模型驗(yàn)證集決定系數(shù)分別為0.9619和0.9790，均方根誤差分別為0.6723mg/kg和0.5186mg/kg,。該系統(tǒng)顯著提高了拉曼光譜的穩(wěn)定性,，所建立的獸藥定量預(yù)測(cè)模型精確，可為液態(tài)樣品表面增強(qiáng)拉曼光譜快速定量檢測(cè)提供技術(shù)支持,。

摘要:針對(duì)魚體貯藏方式（冰鮮與冷凍）鑒別問題，提出一種基于單片機(jī)系統(tǒng)和生物阻抗的魚體貯藏方式快速檢測(cè)技術(shù),，并測(cè)試分析了冰鮮和解凍的鯽魚,、鯉魚在信號(hào)頻率為1kHz和16kHz時(shí)的阻抗相對(duì)變化率。結(jié)果表明,，冰鮮魚的阻抗相對(duì)變化率大于100%,，而解凍魚的阻抗相對(duì)變化率小于100%。利用Arduino單片機(jī)系統(tǒng),、定值電阻和高頻交流電壓傳感器等電路元件搭建了電路檢測(cè)系統(tǒng),，將魚體接入檢測(cè)系統(tǒng)后，分別獲取交流信號(hào)頻率為1kHz和16kHz時(shí)的定值電阻和魚體兩端的電壓信息,，計(jì)算頻率從1kHz到16kHz變化時(shí)魚體阻抗的相對(duì)變化率,，利用阻抗相對(duì)變化率鑒別冰鮮魚和解凍魚，并在顯示終端上輸出檢測(cè)結(jié)果,。本文提出的檢測(cè)技術(shù)性能良好,、操作簡(jiǎn)單便捷，在檢測(cè)過程中對(duì)魚體無損傷,，且識(shí)別過程準(zhǔn)確高效,，檢測(cè)準(zhǔn)確率可達(dá)95%。

摘要:鮮蓮子蓮皮緊緊依附在蓮仁表面，采用手工去皮成本高,、效率低,，難以滿足生產(chǎn)需求。由于缺乏對(duì)水射流去皮機(jī)理及參數(shù)的研究,，造成蓮子去皮率低,、損傷率高，為此設(shè)計(jì)一款基于水射流去皮的鮮蓮子去皮機(jī),。將水射流壓力,、水射流傾角以及帶輪直徑作為影響去皮效果的因素，以去皮率,、損傷率,、帶帽頭率、開邊率,、掉蓮率為評(píng)價(jià)指標(biāo),，采用Design-Expert軟件進(jìn)行三因素三水平的響應(yīng)曲面優(yōu)化試驗(yàn)。結(jié)果表明：對(duì)去皮率,、損傷率以及帶帽頭率的影響程度從大到小均依次為水射流壓力,、水射流傾角、帶輪直徑,；對(duì)開邊率的影響程度從大到小依次為水射流傾角,、水射流壓力，帶輪直徑對(duì)開邊率的影響非常??；掉蓮率都在1%左右，與3個(gè)影響因素?zé)o關(guān),。優(yōu)化后最佳作業(yè)參數(shù)分別為：水射流壓力0.7MPa,、水射流傾角18°、帶輪直徑68mm,，其指標(biāo)預(yù)測(cè)值分別為：去皮率91.16%,、損傷率0.96%、帶帽頭率2.40%,、開邊率0.04%,。采用優(yōu)化后的參數(shù)進(jìn)行驗(yàn)證試驗(yàn)，得出去皮率為92.63%,、損傷率為1.24%,、帶帽頭率為2.72%,、開邊率為0.21%，各項(xiàng)指標(biāo)的試驗(yàn)結(jié)果與理論預(yù)測(cè)結(jié)果的絕對(duì)誤差均小于1.5%,，驗(yàn)證了模型與所優(yōu)化參數(shù)的合理性,。

摘要:為揭示不同形態(tài)的水在胡蘿卜干燥過程中的遷移機(jī)制,，探明不同形態(tài)水在干燥過程中的相互作用和相互轉(zhuǎn)化關(guān)系，利用低場(chǎng)核磁共振技術(shù)對(duì)自由水,、不易流動(dòng)水和結(jié)合水3種形態(tài)水的分布和遷移規(guī)律進(jìn)行分析。研究表明,，在干燥前期主要脫除的是自由水,，在干燥后期主要脫除的是結(jié)合水；在干燥前期,，有少量的自由水向結(jié)合水轉(zhuǎn)變,，說明在此期間有細(xì)胞生命活動(dòng)參與；在干燥后期,，結(jié)合水向自由水轉(zhuǎn)變,。對(duì)紅外和熱風(fēng)兩種干燥方式下的掃描電鏡圖像進(jìn)行分析，發(fā)現(xiàn)經(jīng)紅外干燥的物料比面小,、空隙尺寸大,、空隙迂曲度低、結(jié)構(gòu)松散,、通透性好,、滲流能力強(qiáng)，有利于水的遷移,，說明在紅外干燥過程中,，物料中的空隙在不同方向上所受的應(yīng)力均衡。透射電子顯微鏡圖像顯示,，經(jīng)紅外干燥的物料,，其細(xì)胞空間架構(gòu)規(guī)則有序，細(xì)胞膜,、液泡膜及各種細(xì)胞器膜均消失,，細(xì)胞器所占區(qū)域變小。這是因?yàn)橛袡C(jī)質(zhì)中內(nèi)嵌的結(jié)合水在獲取紅外輻射能量后從復(fù)合結(jié)構(gòu)中分離出來,，失去連接紐帶的生物大分子裂解為小分子,。由于紅外輻射將胡蘿卜中大的水分子團(tuán)簇分解為小的水分子團(tuán)簇，水的粘度降低,、流動(dòng)性增強(qiáng),、滲透能力增強(qiáng),、遷移能力增強(qiáng)，因此,，紅外干燥具有更高的干燥效率,。

摘要:通過Lipozyme RM IM催化紫蘇油與中鏈甘油三酯（MCT）進(jìn)行酯交換合成富含α-亞麻酸的中長(zhǎng)鏈甘油三酯（MLCT），研究了酶添加量,、底物中MCT濃度,、反應(yīng)溫度和反應(yīng)時(shí)間對(duì)MLCT得率的影響。40%MCT和60%紫蘇油在6%的Lipozyme RM IM催化作用下,，于60℃進(jìn)行4h的酯交換反應(yīng),，結(jié)果表明，在反應(yīng)平衡后,，MLCT得率超過70%,。采用兩步法除臭工藝純化酯交換產(chǎn)物，產(chǎn)品中的甘油三酯純度達(dá)到97%,，游離脂肪酸含量顯著降低,，反式脂肪酸質(zhì)量分?jǐn)?shù)可以控制在1%以內(nèi)。此外,，在純化產(chǎn)物中存在超過40%的α-亞麻酸,，超過85%的長(zhǎng)鏈脂肪酸在甘油三酯中的sn-2位置。

摘要:采用脫脂乳蛋白和大豆分離蛋白兩種不同組成和結(jié)構(gòu)的蛋白質(zhì)構(gòu)建冰淇淋乳液,，通過分析蛋白質(zhì)/蔗糖酯的紅外光譜、脂肪球表面蛋白質(zhì)吸附特性,、zeta電位,、粒徑以及攪打凝凍后乳液的微觀結(jié)構(gòu),，研究蔗糖酯質(zhì)量分?jǐn)?shù)對(duì)兩種蛋白乳液體系脂肪球低溫失穩(wěn)的影響；在最佳蔗糖酯質(zhì)量分?jǐn)?shù)條件下,，采用大豆分離蛋白對(duì)乳蛋白進(jìn)行不同比例的替代,，探究不同蛋白組成對(duì)脂肪球低溫失穩(wěn)作用及冰淇淋特性的影響。結(jié)果表明：蔗糖酯與乳蛋白和大豆分離蛋白在脂肪球表面的界面作用存在復(fù)合和競(jìng)爭(zhēng)性吸附兩種作用機(jī)制,。當(dāng)蔗糖酯質(zhì)量分?jǐn)?shù)增加至0.3%時(shí),，蔗糖酯與蛋白質(zhì)的界面作用主要以競(jìng)爭(zhēng)吸附為主，此時(shí)兩種蛋白冰淇淋乳液體系中,，蛋白質(zhì)在脂肪球界面的吸附量顯著降低,，脂肪球部分聚結(jié)失穩(wěn)程度較高。在蔗糖酯質(zhì)量分?jǐn)?shù)為0.3%和不同蛋白質(zhì)組成條件下,，當(dāng)脫脂乳蛋白與大豆分離蛋白的蛋白比例為7∶3時(shí),，更有利于脂肪球的低溫部分聚結(jié)失穩(wěn)，此時(shí)冰淇淋具有較高的膨脹率和最佳的抗融性,。

摘要:為了快速準(zhǔn)確地得到玉米收獲機(jī)車架的載荷譜,，針對(duì)載荷譜編制過程中傳統(tǒng)的載荷外推方法的局限性，提出一種基于四叉樹算法的自適應(yīng)帶寬核密度估計(jì)(Kernel density estimation)算法,，用來進(jìn)行載荷外推,。將經(jīng)過預(yù)處理的實(shí)測(cè)原始載荷數(shù)據(jù)進(jìn)行雨流計(jì)數(shù)統(tǒng)計(jì)，得到載荷循環(huán)均幅值矩陣,，將小于載荷循環(huán)最大幅值10%的載荷濾除,，其余的載荷循環(huán)均幅值數(shù)據(jù)根據(jù)四叉樹分割算法進(jìn)行不同區(qū)域的分割，選擇高斯核函數(shù),，根據(jù)拇指法則計(jì)算各個(gè)區(qū)域的局部最優(yōu)帶寬,，并根據(jù)數(shù)據(jù)區(qū)域內(nèi)數(shù)據(jù)點(diǎn)的密集程度對(duì)核密度估計(jì)的輸入進(jìn)行優(yōu)化，減少了核密度估計(jì)的計(jì)算量,，最后結(jié)合蒙特卡洛模擬算法進(jìn)行載荷外推,。采用玉米收獲機(jī)車架實(shí)測(cè)載荷數(shù)據(jù)進(jìn)行實(shí)例驗(yàn)證，結(jié)果表明,，與傳統(tǒng)的固定帶寬,、自適應(yīng)帶寬核密度估計(jì)的載荷外推方法相比，本文提出的方法大大提高了計(jì)算效率,，其概率密度函數(shù)圖與實(shí)際載荷分布更為接近,；載荷循環(huán)均幅值頻次分布相關(guān)系數(shù)更接近于1，均方根誤差更??；載荷循環(huán)幅值累積頻次曲線的決定系數(shù)均大于0.99,。

摘要:農(nóng)用柔性底盤原地姿態(tài)切換時(shí)車輪繞偏置轉(zhuǎn)向軸原地滾動(dòng)轉(zhuǎn)向,，為探明該過程的輪胎力學(xué)特性,，對(duì)接地區(qū)域的滑移速度進(jìn)行了運(yùn)動(dòng)學(xué)分析，據(jù)此將現(xiàn)有輪胎縱滑LuGre模型擴(kuò)展成縱滑-橫滑聯(lián)合的偏置轉(zhuǎn)向軸原地轉(zhuǎn)向LuGre模型,；設(shè)計(jì)了相應(yīng)測(cè)試裝置,，通過雙因素試驗(yàn)測(cè)試了偏置距離和載荷對(duì)輪胎橫向與縱向摩擦力的影響；根據(jù)實(shí)測(cè)結(jié)果對(duì)模型參數(shù)進(jìn)行了辨識(shí),，利用辨識(shí)值對(duì)柔性底盤原地姿態(tài)切換過程中的輪胎摩擦力進(jìn)行了仿真,。結(jié)果表明：柔性底盤原地姿態(tài)切換時(shí)，輪胎受到阻礙滾動(dòng)的縱向摩擦力和指向外側(cè)的橫向摩擦力,，縱向摩擦力與載荷的1.82次方成正比,，與偏置距離的1.61次方成反比；隨著偏置距離的增加,，橫向摩擦力先增大,、后減小，但變化較為平緩,。輪胎橫向與縱向摩擦力的實(shí)測(cè)結(jié)果和仿真結(jié)果吻合程度較高,。本研究可為柔性底盤轉(zhuǎn)向驅(qū)動(dòng)力矩的估算和裝置參數(shù)的優(yōu)化提供依據(jù)。

摘要:對(duì)提出的一種半對(duì)稱三平移Delta-CU并聯(lián)機(jī)器人機(jī)構(gòu)進(jìn)行誤差建模和實(shí)驗(yàn)分析,。在規(guī)劃執(zhí)行末端運(yùn)動(dòng)軌跡的基礎(chǔ)上，采用外部直接標(biāo)定和修正系統(tǒng)輸入的方法對(duì)機(jī)構(gòu)的運(yùn)動(dòng)學(xué)誤差進(jìn)行補(bǔ)償,。在外部直接標(biāo)定的過程中,，為降低系數(shù)矩陣中的隨機(jī)測(cè)量誤差對(duì)執(zhí)行末端坐標(biāo)精度的影響，利用整體最小二乘法求解坐標(biāo)變換參數(shù),；以誤差數(shù)據(jù)為樣本,，通過模糊神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并將訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)模型用于Delta-CU并聯(lián)機(jī)器人機(jī)構(gòu)的誤差值預(yù)測(cè),。實(shí)驗(yàn)表明,，模糊神經(jīng)網(wǎng)絡(luò)模型能夠?qū)elta-CU并聯(lián)機(jī)器人機(jī)構(gòu)誤差進(jìn)行精準(zhǔn)的預(yù)測(cè)，有利于提高Delta-CU并聯(lián)機(jī)器人機(jī)構(gòu)的補(bǔ)償精度,，可為Delta-CU并聯(lián)機(jī)器人機(jī)構(gòu)誤差補(bǔ)償提供參照,。補(bǔ)償后其絕對(duì)位置精度由1.187mm提高到0.4mm,，重復(fù)位置精度由0.037mm提高到0.018mm。

摘要:空間閉鏈機(jī)器人的柔性連桿在高速運(yùn)行狀態(tài)下產(chǎn)生的彈性變形對(duì)系統(tǒng)振動(dòng)效應(yīng)具有重要影響,。為準(zhǔn)確分析柔性連桿對(duì)空間柔性閉鏈機(jī)器人振動(dòng)特性的影響,，采用有限單元法對(duì)柔性構(gòu)件進(jìn)行離散，基于浮動(dòng)坐標(biāo)系法描述構(gòu)件位移場(chǎng),，最后通過Lagrange方程建立空間剛?cè)狁詈祥]鏈機(jī)器人動(dòng)力學(xué)模型及振動(dòng)方程,，并分析系統(tǒng)固有頻率和振型函數(shù)?；谕葏?shù),，利用ADAMS/Vibration模塊建立了空間剛?cè)狁詈祥]鏈機(jī)器人的自激振動(dòng)仿真模型，研究系統(tǒng)固有頻率和對(duì)應(yīng)模態(tài)的變化,，以及不同激振力作用下的頻率響應(yīng)特征,。結(jié)果表明：理論模型和仿真模型的動(dòng)平臺(tái)運(yùn)動(dòng)軌跡基本一致，并且理論模型與振動(dòng)仿真模型的固有頻率也具有一致性,，驗(yàn)證了振動(dòng)仿真模型建立的正確性,。隨著激振力幅值的增大，系統(tǒng)響應(yīng)增強(qiáng),。同一激振頻率動(dòng)平臺(tái)質(zhì)心處Y方向響應(yīng)最大,，X方向次之,，Z方向最小,。其中，系統(tǒng)第11,、12階模態(tài)對(duì)應(yīng)的系統(tǒng)變形量最大,，對(duì)應(yīng)的激振頻率為40~60Hz。

摘要:滾動(dòng)機(jī)器人常采用外置電源或氣源驅(qū)動(dòng)，限制了滾動(dòng)機(jī)器人的運(yùn)動(dòng)場(chǎng)景和活動(dòng)范圍,。本文設(shè)計(jì)了一種化學(xué)反應(yīng)自驅(qū)動(dòng)滾動(dòng)機(jī)器人,，機(jī)器人內(nèi)部放有反應(yīng)液和催化劑，通過化學(xué)反應(yīng)產(chǎn)生氣體,，推動(dòng)反應(yīng)液在多個(gè)腔室內(nèi)循環(huán)流動(dòng),，從而改變機(jī)器人重心實(shí)現(xiàn)滾動(dòng),；設(shè)計(jì)了滾動(dòng)機(jī)器人的關(guān)鍵部件——重力閥，重力閥在不同角度下實(shí)現(xiàn)周期性的開閉,從而控制流體,。通過實(shí)驗(yàn)對(duì)重力閥的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化,使其在滿足開閉角度要求的前提下,，泄漏量最低；分析了滾動(dòng)機(jī)器人實(shí)現(xiàn)自驅(qū)動(dòng)的參數(shù)和條件,，獲得了最低液位線,、最高液位線與重力閥開閉角度之間的關(guān)系；應(yīng)用滾動(dòng)機(jī)器人進(jìn)行實(shí)驗(yàn),，結(jié)果表明,，其最高滾動(dòng)角速度為2(°)/s，驗(yàn)證了該化學(xué)反應(yīng)自驅(qū)動(dòng)滾動(dòng)機(jī)器人設(shè)計(jì)的可行性,，為化學(xué)反應(yīng)自驅(qū)動(dòng)在機(jī)器人領(lǐng)域的應(yīng)用提供了思路,。

摘要:研究天線機(jī)構(gòu)靜力學(xué)和運(yùn)動(dòng)特性是提高天線軌跡跟蹤精度的有效途徑。首先,，對(duì)混聯(lián)天線機(jī)構(gòu)結(jié)構(gòu)進(jìn)行構(gòu)型描述,；然后，基于力旋量變換關(guān)系對(duì)混聯(lián)天線機(jī)構(gòu)各部件進(jìn)行受力分析,，借助數(shù)值計(jì)算軟件進(jìn)行靜力學(xué)求解,，分析特定位姿混聯(lián)天線機(jī)構(gòu)驅(qū)動(dòng)力的分布情況，并將理論求解結(jié)果與仿真結(jié)果進(jìn)行對(duì)比,，以驗(yàn)證理論分析的正確性,；應(yīng)用有限元軟件分析混聯(lián)天線機(jī)構(gòu)特定位姿下的變形情況，對(duì)混聯(lián)天線機(jī)構(gòu)的整體變形進(jìn)行評(píng)估,；針對(duì)混聯(lián)天線機(jī)構(gòu)進(jìn)行振動(dòng)特性仿真,，獲得混聯(lián)天線機(jī)構(gòu)特定位姿下的振型和固有頻率；采用數(shù)值計(jì)算軟件進(jìn)行混聯(lián)天線機(jī)構(gòu)運(yùn)動(dòng)仿真,，獲得混聯(lián)天線機(jī)構(gòu)俯仰運(yùn)動(dòng)和方位運(yùn)動(dòng)的包絡(luò)空間,；最后，基于設(shè)計(jì)完成的關(guān)鍵零部件模型設(shè)計(jì)了混聯(lián)天線機(jī)構(gòu)物理樣機(jī),。