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:導(dǎo)航路徑規(guī)劃是農(nóng)業(yè)機(jī)械自動(dòng)導(dǎo)航的關(guān)鍵技術(shù),，近年來(lái)被廣泛應(yīng)用于耕種管收自動(dòng)導(dǎo)航生產(chǎn)作業(yè)過(guò)程中,。本文分別從全局路徑規(guī)劃和局部路徑規(guī)劃兩個(gè)角度闡述分析了農(nóng)業(yè)機(jī)械導(dǎo)航路徑規(guī)劃研究現(xiàn)狀和進(jìn)展,。全局路徑規(guī)劃著重闡述了全覆蓋路徑規(guī)劃和全局點(diǎn)到點(diǎn)路徑規(guī)劃,，并歸納總結(jié)了在精準(zhǔn)作業(yè),、農(nóng)業(yè)運(yùn)輸和農(nóng)機(jī)跨地塊調(diào)度等方面的研究成果和具體應(yīng)用,。局部路徑規(guī)劃重點(diǎn)闡述了避障路徑規(guī)劃和局部跟蹤路徑規(guī)劃,，由于農(nóng)業(yè)作業(yè)環(huán)境的復(fù)雜性和時(shí)空變異性，局部路徑規(guī)劃研究的重點(diǎn)是算法的實(shí)時(shí)性,、高效性,、魯棒性和安全性。最后指出導(dǎo)航路徑規(guī)劃技術(shù)未來(lái)的研究重點(diǎn)為：數(shù)據(jù)資源標(biāo)準(zhǔn)化及規(guī)劃路徑共享,；提高環(huán)境信息感知和解析能力,；增強(qiáng)實(shí)時(shí)動(dòng)態(tài)規(guī)劃性能；路徑規(guī)劃與農(nóng)機(jī)特性相結(jié)合,。

摘要:為提高采摘設(shè)備的執(zhí)行效率,，采用六自由度機(jī)械臂、樹莓派,、Android手機(jī)端和服務(wù)器設(shè)計(jì)了一種智能果實(shí)采摘系統(tǒng),，該系統(tǒng)可自動(dòng)識(shí)別不同種類的水果，并實(shí)現(xiàn)自動(dòng)采摘,，可通過(guò)手機(jī)端遠(yuǎn)程控制采摘設(shè)備的起始和停止,，并遠(yuǎn)程查看實(shí)時(shí)采摘視頻,。提出通過(guò)降低自由度和使用二維坐標(biāo)系來(lái)實(shí)現(xiàn)三維坐標(biāo)系中機(jī)械臂逆運(yùn)動(dòng)學(xué)的求解過(guò)程，從而避免了大量的矩陣運(yùn)算,，使機(jī)械臂逆運(yùn)動(dòng)學(xué)求解過(guò)程更加簡(jiǎn)捷,。利用Matlab中的Robotic Toolbox進(jìn)行機(jī)械臂三維建模仿真，驗(yàn)證了降維求解的可行性,。在果實(shí)采摘流程中,，為了使機(jī)械臂運(yùn)動(dòng)軌跡更加穩(wěn)定與協(xié)調(diào)，采用五項(xiàng)式插值法對(duì)機(jī)械臂進(jìn)行運(yùn)動(dòng)軌跡規(guī)劃控制,?；贒arknet深度學(xué)習(xí)框架的YOLO v4目標(biāo)檢測(cè)識(shí)別算法進(jìn)行果實(shí)目標(biāo)檢測(cè)和像素定位，在Ubuntu 19.10操作系統(tǒng)中使用2000幅圖像作為訓(xùn)練集,，分別對(duì)不同種類的果實(shí)進(jìn)行識(shí)別模型訓(xùn)練,，在GPU環(huán)境下進(jìn)行測(cè)試，結(jié)果表明,，每種果實(shí)識(shí)別的準(zhǔn)確率均在94%以上,，單次果實(shí)采摘的時(shí)間約為17s。經(jīng)過(guò)實(shí)際測(cè)試,，該系統(tǒng)具有良好的穩(wěn)定性,、實(shí)時(shí)性以及對(duì)果實(shí)采摘的準(zhǔn)確性。

摘要:為了實(shí)現(xiàn)棗園的自動(dòng)化管理,，針對(duì)棗樹自動(dòng)化選擇性冬剪作業(yè)要求,，需要重建出矮化密植無(wú)葉棗樹枝干的三維模型。利用2臺(tái)固定的Azure Kinect DK深度相機(jī)搭建獲取棗樹點(diǎn)云信息的三維重建系統(tǒng)平臺(tái),，然后把系統(tǒng)平臺(tái)逆時(shí)針旋轉(zhuǎn)55°獲取同一棵棗樹的另一幀三維點(diǎn)云信息,。為了自動(dòng)完成2幀點(diǎn)云的配準(zhǔn)，提出了基于骨架點(diǎn)的棗樹點(diǎn)云配準(zhǔn)方法：首先利用FPFH特征描述子計(jì)算骨架點(diǎn)的特征向量,，并采用SAC-IA（采樣一致性）算法對(duì)2個(gè)視角下的棗樹骨架點(diǎn)云進(jìn)行初始匹配,；其次利用經(jīng)典的ICP算法對(duì)初始位姿進(jìn)行優(yōu)化；最終只采用2個(gè)視角下的點(diǎn)云重建棗樹枝干的三維模型,。實(shí)驗(yàn)對(duì)比了在3種典型自然環(huán)境下（晴天、陰天,、夜間）棗樹點(diǎn)云的配準(zhǔn)精度和配準(zhǔn)時(shí)間,，結(jié)果表明：晴天時(shí)對(duì)采集系統(tǒng)有一定的影響，使得配準(zhǔn)后的棗樹枝干有部分不完整,；陰天和夜間對(duì)采集系統(tǒng)影響小,，能夠重建出完整的棗樹枝干,；相對(duì)于陰天和夜間，晴天時(shí),，棗樹點(diǎn)云配準(zhǔn)耗時(shí)最少,，為0.09s，而配準(zhǔn)誤差最大,，其擬合分?jǐn)?shù)為0.00029,；陰天時(shí)，棗樹點(diǎn)云配準(zhǔn)時(shí)間介于晴天和夜間之間,，為0.12s,，而此時(shí)配準(zhǔn)誤差最小，其擬合分?jǐn)?shù)為0.00011,；夜間配準(zhǔn)誤差介于晴天和陰天,，且此時(shí)配準(zhǔn)時(shí)間最長(zhǎng)，為0.16s,。

摘要:為解決傳統(tǒng)深松機(jī)具觸土部件破土困難,、耕作阻力大等問題,，以砂魚蜥頭部為仿生原型，采用逆向工程技術(shù)對(duì)其特殊幾何特征進(jìn)行提取,，將量化后的幾何結(jié)構(gòu)特征應(yīng)用于深松鏟尖的設(shè)計(jì)，以期減小深松鏟作業(yè)阻力和能耗,。依據(jù)不同特征曲面,，設(shè)計(jì)了3種仿生鏟尖試樣，并與鑿型鏟尖試樣進(jìn)行性能對(duì)比,。建立離散元模型,，求解不同鏟尖垂直貫入土壤阻力,；制備試樣，通過(guò)萬(wàn)能試驗(yàn)機(jī)進(jìn)行土壤垂直貫入實(shí)測(cè)試驗(yàn),；將模擬結(jié)果和實(shí)測(cè)試驗(yàn)結(jié)果進(jìn)行對(duì)比,，結(jié)果表明離散元仿真分析和實(shí)測(cè)試驗(yàn)結(jié)果吻合較好，最大貫入阻力的相對(duì)誤差為2.47%～3.91%,。使用離散元法分析仿生鏟尖和鑿型鏟尖（T-S）在土壤分層情況下的相互作用,，證實(shí)仿生鏟尖比鑿型鏟尖具有更低的所需牽引力,，其中仿生鏟尖B-S-2減阻效果最好，相對(duì)于鑿型鏟尖,，其減阻率為8.34%～19.31%,。離散元分析揭示砂魚蜥頭部仿生曲線特殊的曲率變化對(duì)破土阻力有顯著影響，仿生鏟尖改變了土壤顆粒的流動(dòng)方向,，減小了鏟尖上方土壤擾動(dòng)范圍，從而降低所需牽引力,。在3種作業(yè)速度和3種耕作深度下對(duì)阻力的仿真結(jié)果與土槽試驗(yàn)結(jié)果進(jìn)行對(duì)比，誤差為10.83%～17.06%,。

摘要:為降低肥料施用量,、提高肥料利用效率,、實(shí)現(xiàn)植株根區(qū)施肥,，設(shè)計(jì)了一種傾斜梯形孔式定量穴排肥器,。闡述了穴排肥器的成穴與工作原理,，分析了影響其成穴性能的主要因素,，構(gòu)建了充肥和排肥過(guò)程中肥料顆粒群的力學(xué)模型；應(yīng)用離散元軟件EDEM和流體分析軟件Fluent對(duì)穴排肥器的成穴性能進(jìn)行了仿真分析,，研究了作業(yè)速度、充肥孔長(zhǎng)度和氣流速度對(duì)穴長(zhǎng),、穴排肥量誤差的影響，通過(guò)全因子試驗(yàn)得到作業(yè)速度為3~7km/h時(shí)的較優(yōu)參數(shù)組合為充肥孔長(zhǎng)度27.0mm,、氣流速度15.0m/s，對(duì)應(yīng)的穴長(zhǎng)和穴排肥量誤差分別為62.7~87.5mm和7.4%~8.9%,。臺(tái)架試驗(yàn)表明，在作業(yè)速度為3~7km/h,、充肥孔長(zhǎng)度為27.0mm和氣流速度為15.0m/s條件下，穴長(zhǎng)、穴長(zhǎng)穩(wěn)定性變異系數(shù),、穴排肥量誤差和穴距誤差分別為98.5~175.5mm、7.42%~14.18%,、7.60%~15.17%、2.3%~4.7%,；田間試驗(yàn)表明，作業(yè)速度為3~7km/h時(shí),，穴長(zhǎng)、穴長(zhǎng)穩(wěn)定性變異系數(shù),、穴排肥量誤差和穴距誤差分別為104.2~178.4mm、7.55%~14.56%,、7.69%~13.80%、2.1%~4.3%,，成穴性能較好。

摘要:針對(duì)目前移栽機(jī)構(gòu)取苗速度快導(dǎo)致缽苗易損傷和栽植器在栽植過(guò)程中水平方向與地面存在相對(duì)運(yùn)動(dòng)導(dǎo)致缽苗栽植直立度低等問題,，設(shè)計(jì)了一種全自動(dòng)滑道式旱地缽苗移栽機(jī)構(gòu)，該機(jī)構(gòu)通過(guò)滑道控制栽植臂實(shí)現(xiàn)取苗,、送苗、栽植和復(fù)位功能,，使取苗和栽植運(yùn)動(dòng)軌跡和運(yùn)動(dòng)速度達(dá)到最優(yōu)狀態(tài),。通過(guò)對(duì)移栽機(jī)構(gòu)的理論分析,，建立運(yùn)動(dòng)學(xué)模型?；赩B開發(fā)了計(jì)算機(jī)輔助優(yōu)化設(shè)計(jì)軟件，優(yōu)化出一組滿足理想移栽軌跡要求的機(jī)構(gòu)參數(shù),，根據(jù)此參數(shù)對(duì)移栽機(jī)構(gòu)進(jìn)行整體設(shè)計(jì),，完成三維建模,。應(yīng)用ADAMS軟件對(duì)移栽機(jī)構(gòu)進(jìn)行運(yùn)動(dòng)學(xué)仿真分析，驗(yàn)證了設(shè)計(jì)的合理性,。在物理樣機(jī)上利用高速攝像系統(tǒng)進(jìn)行了軌跡驗(yàn)證試驗(yàn)，通過(guò)對(duì)比可知理論軌跡,、仿真軌跡與樣機(jī)工作軌跡基本一致，驗(yàn)證了機(jī)構(gòu)設(shè)計(jì)的正確性,。在栽植頻率為62株/min工況下進(jìn)行了機(jī)構(gòu)性能試驗(yàn)，結(jié)果表明平均取苗成功率為95%,、秧苗平均栽植直立度為82°、秧苗平均直立度合格率為93.4%,，滿足缽苗移栽要求。

摘要:針對(duì)蔬菜膜上移栽膜口大、栽植頻率低等問題,，設(shè)計(jì)了一種復(fù)合曲柄搖桿式蔬菜膜上雙行栽植裝置。在分析復(fù)合曲柄搖桿式栽植機(jī)構(gòu)工作原理的基礎(chǔ)上,，建立栽植機(jī)構(gòu)的運(yùn)動(dòng)學(xué)模型,。采用Matlab軟件編寫栽植機(jī)構(gòu)仿真分析與優(yōu)化程序，分析各個(gè)參數(shù)對(duì)栽植軌跡及運(yùn)動(dòng)特性的影響,，采用逐次逼近的方法,，得到一組滿足膜上栽植要求的桿件長(zhǎng)度：lOA=48mm，lAB=125mm,，lBC=160mm,，lAD=200mm；根據(jù)優(yōu)化后的參數(shù)組合設(shè)計(jì)樣機(jī)并進(jìn)行虛擬仿真和樣機(jī)田間試驗(yàn),。結(jié)果表明：各組試驗(yàn)栽植合格率均在90%以上，栽植深度合格率在94%以上,，株距變異系數(shù)最大為6.35%,，膜口長(zhǎng)度平均值為10.44cm，破膜程度約為18%,，栽植頻率達(dá)到70株/(min·行),，滿足蔬菜膜上移栽的要求,。

摘要:為提高苜蓿切根補(bǔ)播施肥機(jī)氣送式集排系統(tǒng)工作性能,，利用EDEM軟件和Fluent軟件對(duì)氣送式集排系統(tǒng)工作過(guò)程進(jìn)行聯(lián)合仿真,，以管道內(nèi)部流場(chǎng)壓力與速度變化情況、種子顆粒速度與受力情況為指標(biāo)，分析波紋管和分配頭結(jié)構(gòu)參數(shù)對(duì)集排系統(tǒng)工作性能的影響,，進(jìn)而優(yōu)化了其結(jié)構(gòu)參數(shù)。以輸種彎管彎徑比,、波紋管長(zhǎng)度和分配頭錐角為試驗(yàn)因素，以各行排量一致性變異系數(shù)和總排量穩(wěn)定性變異系數(shù)為試驗(yàn)指標(biāo),，進(jìn)行Box-Behnken響應(yīng)面分析仿真試驗(yàn),，獲取集排系統(tǒng)最優(yōu)結(jié)構(gòu)參數(shù)組合。結(jié)果表明,，當(dāng)彎徑比為0.96,、波紋管長(zhǎng)度為183mm,、錐角為123.4°時(shí),，各行排量一致性變異系數(shù)為3.06%，總排量穩(wěn)定性變異系數(shù)為3.17%,。樣機(jī)大田性能試驗(yàn)結(jié)果表明，在不同的螺旋輸送機(jī)輸送效率條件下,，葦狀羊毛種子,、固體顆粒肥各行排量一致性變異系數(shù)和總排量穩(wěn)定性變異系數(shù)均小于5%,。

摘要:針對(duì)噴霧機(jī)傳統(tǒng)風(fēng)送噴霧系統(tǒng)難以精準(zhǔn)控制風(fēng)量致使漂移現(xiàn)象嚴(yán)重,、藥液利用率低下的問題,，設(shè)計(jì)了一種將軸流風(fēng)機(jī)與環(huán)形噴頭相配合的噴霧系統(tǒng),。通過(guò)對(duì)風(fēng)機(jī)風(fēng)場(chǎng)進(jìn)行計(jì)算流體力學(xué)CFD流體仿真,、對(duì)標(biāo)試驗(yàn),、環(huán)形噴管內(nèi)流場(chǎng)仿真確定了環(huán)形噴管尺寸參數(shù)與噴頭安裝位置。設(shè)計(jì)單因素與多因素正交試驗(yàn)來(lái)研究風(fēng)機(jī)端口風(fēng)速,、扇形噴頭型號(hào)與噴頭安裝傾角對(duì)噴霧效果的影響進(jìn)而確定最佳噴霧參數(shù)組合。結(jié)果表明：環(huán)形噴管應(yīng)設(shè)置在軸流風(fēng)機(jī)出口端面中心位置,，3個(gè)噴頭呈120°均布在環(huán)形噴管上,；在風(fēng)機(jī)氣力作用下,，霧滴沉積量的峰值處于距風(fēng)機(jī)端口0.5~1.5m的范圍,，風(fēng)送噴霧裝置與靶標(biāo)果樹的作業(yè)距離不應(yīng)超過(guò)1.5m,；風(fēng)機(jī)氣力有助于細(xì)化霧滴,，但出口風(fēng)速不宜大于等于8m/s,；噴霧總體性能與噴頭傾角呈極顯著相關(guān)（P<0.01）,，噴頭安裝傾角60°性能最優(yōu)；霧滴沉積密度隨扇形噴頭型號(hào)的增大呈先增大后減小的趨勢(shì),，霧滴的體積中值直徑隨扇形噴頭型號(hào)的增大而增大；最優(yōu)配置參數(shù)風(fēng)機(jī)風(fēng)速為6m/s,、噴頭型號(hào)為02型、噴頭安裝傾角為60°,。此參數(shù)組合下霧滴沉積量為5.08μL/cm2，表明優(yōu)化模型可靠,。

摘要:為解決砂壤土條件下,，播種開溝器開出種溝較窄,，無(wú)法適應(yīng)燕麥寬苗帶種植的問題,，結(jié)合滑切工作原理，設(shè)計(jì)了一種寬苗帶減阻燕麥播種機(jī)開溝器,。闡述鏟式開溝器工作原理，確定刃口曲線方程,；通過(guò)分析擋土曲面的作業(yè)阻力和寬苗帶種溝成因,，確定擋土曲面主要結(jié)構(gòu)參數(shù)取值,。采用EDEM仿真分析方法,，以開溝器作業(yè)阻力、種溝寬度變異系數(shù)為試驗(yàn)響應(yīng)指標(biāo)進(jìn)行三元二次正交旋轉(zhuǎn)組合試驗(yàn),，得到可信的回歸數(shù)學(xué)模型；分析各因素交互作用對(duì)開溝器工作性能的影響規(guī)律,；利用遺傳算法NSGA-Ⅱ?qū)貧w數(shù)學(xué)模型進(jìn)行多目標(biāo)優(yōu)化，并進(jìn)行土槽驗(yàn)證試驗(yàn),，得出其最優(yōu)參數(shù)組合為：播深41mm、入土角24°,、開溝器寬度107mm，此時(shí)作業(yè)阻力為727.1N,種溝寬度變異系數(shù)為9.92%；土槽驗(yàn)證試驗(yàn)得到作業(yè)阻力平均值為789.07N,，種溝寬度變異系數(shù)平均值為10.69%,，與優(yōu)化結(jié)果的誤差分別為8.52%、7.76%,。播種對(duì)比試驗(yàn)進(jìn)一步表明作業(yè)效果滿足寬苗帶燕麥種植開溝農(nóng)藝要求,。

摘要:為提高機(jī)械除草作業(yè)效率，減輕勞動(dòng)強(qiáng)度,，解決稻田除草機(jī)作業(yè)過(guò)程中除草率低、傷苗率高等問題,，結(jié)合水田行間除草農(nóng)藝要求，設(shè)計(jì)了一種基于遙控轉(zhuǎn)向的稻田行間除草機(jī),。闡述了整體結(jié)構(gòu)及工作原理,，建立除草機(jī)的力學(xué)模型，通過(guò)分析獲得了主動(dòng)除草輪所需最大驅(qū)動(dòng)力矩為49.42N·m,，根據(jù)阿克曼轉(zhuǎn)向原理設(shè)計(jì)了梯形轉(zhuǎn)向機(jī)構(gòu)，通過(guò)分析確定了梯形轉(zhuǎn)向機(jī)構(gòu)的結(jié)構(gòu)參數(shù),，對(duì)轉(zhuǎn)向過(guò)程進(jìn)行力學(xué)分析得到梯形轉(zhuǎn)向機(jī)構(gòu)所需最大驅(qū)動(dòng)扭矩理論值為4.57·m，并對(duì)轉(zhuǎn)向控制系統(tǒng)進(jìn)行設(shè)計(jì),，實(shí)現(xiàn)遠(yuǎn)程控制除草機(jī)轉(zhuǎn)向及接收反饋信息功能。進(jìn)行了除草機(jī)轉(zhuǎn)向性能試驗(yàn),，記錄除草機(jī)實(shí)際轉(zhuǎn)角與理論轉(zhuǎn)角并進(jìn)行對(duì)比,，試驗(yàn)結(jié)果表明，理論轉(zhuǎn)角與實(shí)際轉(zhuǎn)角最大偏差為1.3°,，控制系統(tǒng)精度較高，滿足田間實(shí)際作業(yè)時(shí)的轉(zhuǎn)向要求,；進(jìn)行了除草性能試驗(yàn),，田間試驗(yàn)結(jié)果表明,，除草機(jī)除草率均不低于77.9%，傷苗率均不高于3%,，滿足水田除草農(nóng)藝指標(biāo)的要求。

摘要:針對(duì)玉米中后期封行后人工施藥勞動(dòng)強(qiáng)度大,、作業(yè)效率低、傳統(tǒng)噴霧機(jī)噴藥穿透性差,，且窄行距下機(jī)具行走穩(wěn)定性差等問題，結(jié)合玉米種植農(nóng)藝和冠層中部病蟲害防治的要求,，設(shè)計(jì)了3YZ-80A型履帶自走式玉米行間噴霧機(jī),，該機(jī)主要由自適應(yīng)仿形履帶差速驅(qū)動(dòng)底盤、Y形雙噴頭脈沖式噴霧裝置,、噴藥監(jiān)控系統(tǒng)組成，能夠滿足600mm以下的窄行距玉米冠層中部葉片噴施作業(yè)的空間要求,。為了提高作業(yè)效率和噴霧效果，以噴射角,、藥液嘴位置、噴施距離為試驗(yàn)因素,，霧滴體積中徑D50為噴霧系統(tǒng)性能評(píng)價(jià)指標(biāo)，開展二次旋轉(zhuǎn)正交組合試驗(yàn),，利用Design-Expert 8.0.6軟件對(duì)數(shù)據(jù)進(jìn)行方差和響應(yīng)面分析,，建立試驗(yàn)因素與指標(biāo)之間的數(shù)學(xué)回歸模型,，分析了顯著因素對(duì)評(píng)價(jià)指標(biāo)的影響變化規(guī)律，得到噴管最優(yōu)組合參數(shù)：噴射角為60°,、藥液嘴在噴管上的位置為610mm、噴施距離為2.37m,。田間試驗(yàn)結(jié)果表明,，隨著作業(yè)速度的提升有效防控區(qū)域顯著降低，當(dāng)作業(yè)速度在0.6~1.1m/s時(shí),，霧滴覆蓋率大于10%的有效噴施幅寬為6~8m；當(dāng)作業(yè)速度大于1.3m/s時(shí),，霧滴覆蓋率大于10%的有效噴施幅寬不足4m。

摘要:我國(guó)華北地區(qū)玉米收獲時(shí)籽粒含水率較高，采用釘齒式及桿齒式脫粒元件進(jìn)行籽粒直收時(shí),，籽粒破碎率較高，為降低脫粒過(guò)程中籽粒破碎率,，設(shè)計(jì)了一種紋桿式脫粒元件，分析其前傾角變化對(duì)果穗受力的影響規(guī)律,，以籽粒破碎時(shí)壓縮量為依據(jù)，對(duì)紋桿塊頂端弧面形狀進(jìn)行設(shè)計(jì),?；贓DEM研究紋桿元件頂端參數(shù)對(duì)果穗受力的影響,，采用擬水平法設(shè)計(jì)四因素四水平正交試驗(yàn)，試驗(yàn)結(jié)果表明：較優(yōu)紋桿參數(shù)組合為前傾角75°,、凸棱傾角25°、凸棱寬度6mm,、凸棱高度10mm；通過(guò)臺(tái)架試驗(yàn)探究滾筒轉(zhuǎn)速,、凹板間隙等工作參數(shù)對(duì)紋桿式滾筒脫粒效果的影響規(guī)律，當(dāng)籽粒含水率為28.5%時(shí),，最優(yōu)滾筒轉(zhuǎn)速為300r/min,，凹板間隙為50mm,，此時(shí)籽粒破碎率為5.34%,。在最優(yōu)工作參數(shù)下，對(duì)比不同脫粒元件脫粒效果,，發(fā)現(xiàn)籽粒破碎率分別由桿齒式元件的9.91%,、釘齒式元件的7.83%下降至紋桿式脫粒元件的5.34%,，證明所設(shè)計(jì)的紋桿式脫粒元件能夠有效降低脫粒過(guò)程中籽粒破碎率。

摘要:針對(duì)云南丘陵山區(qū)小粒咖啡人工采收成本高,、大型機(jī)械采收困難等問題，設(shè)計(jì)了手持振動(dòng)梳刷式小?？Х炔烧b置。通過(guò)建立果樹-機(jī)械收獲動(dòng)力學(xué)模型和多體動(dòng)力學(xué)仿真,，得到振幅的穩(wěn)態(tài)響應(yīng)表達(dá)式，并確定了振動(dòng)部件和梳刷部件的結(jié)構(gòu)參數(shù),。利用ADAMS建立了果樹-機(jī)械剛?cè)狁詈夏Ｐ?，采用廣義力與傳感器函數(shù)控制的方法進(jìn)行單因素仿真試驗(yàn)，分析了頻率,、梳齒間距和偏心塊夾角對(duì)小粒咖啡收獲效果的影響規(guī)律,。以頻率、梳齒間距和偏心塊夾角為試驗(yàn)因素,，采凈率,、采青率和損傷率為試驗(yàn)指標(biāo),，進(jìn)行二次回歸正交旋轉(zhuǎn)組合試驗(yàn),，結(jié)果表明：對(duì)采凈率和采青率的影響因素重要性依次為頻率、梳齒間距,、偏心塊夾角；對(duì)損傷率影響因素重要性依次為梳齒間距,、頻率和偏心塊夾角。當(dāng)頻率為26Hz,、梳齒間距為32mm、偏心塊夾角為22.5°時(shí),，采摘機(jī)工作性能最佳，經(jīng)試驗(yàn)驗(yàn)證,，此時(shí)采凈率為91.35％,，采青率為8.46％,，損傷率為4.15％，滿足小?？Х仁斋@技術(shù)要求。

摘要:針對(duì)缺乏有效監(jiān)測(cè)水稻葉片感染白葉枯病害光譜指數(shù)的問題，以分蘗期的水稻葉片為研究對(duì)象,，采集了接種白葉枯病菌的水稻葉片和對(duì)照處理的水稻葉片各200片，利用高光譜成像裝置獲取373~1033nm波段的水稻葉片光譜數(shù)據(jù),，選取450~900nm波段的水稻葉片高光譜數(shù)據(jù)作為樣本。從每個(gè)樣本中選取一個(gè)感興趣區(qū)域（Region of interest, ROI）并計(jì)算平均光譜,，經(jīng)過(guò)Savtzky-Golay平滑處理得到平均光譜曲線；為了定量描述水稻葉片是否感染病害,，提出將光譜分形維數(shù)(Fractal dimension, FD)作為定量描述水稻白葉枯病害的監(jiān)測(cè)光譜指數(shù)，實(shí)現(xiàn)對(duì)白葉枯病害的監(jiān)測(cè),。通過(guò)分析光譜指數(shù)(Spectral index, SI)和FD，建立SI和FD之間的多元線性關(guān)系,，同時(shí)比較了FD與其他常用監(jiān)測(cè)指數(shù)對(duì)白葉枯病害監(jiān)測(cè)的有效性,。結(jié)果表明：水稻白葉枯病害在綠峰（510~560nm）和紅谷（650~690nm）波譜內(nèi)的響應(yīng)較為敏感,；針對(duì)健康和感病葉片，F(xiàn)D與SI之間存在較好的多元線性關(guān)系,，說(shuō)明FD與光譜曲線有較好的對(duì)應(yīng)關(guān)系，可以作為定量描述葉片健康狀況的光譜指數(shù),；與常用監(jiān)測(cè)指數(shù)相比,，本文病害監(jiān)測(cè)指數(shù)與水稻染病具有更高的相關(guān)性，其相關(guān)系數(shù)達(dá)到了0.9840,，指數(shù)分布穩(wěn)定性更高。本研究結(jié)果說(shuō)明基于光譜反射曲線的圓規(guī)分形維數(shù)對(duì)判斷水稻葉片是否感染白葉枯病害是可行的，為水稻白葉枯病害的監(jiān)測(cè)提供了一種新方法,。

摘要:針對(duì)在自然場(chǎng)景中,，由于遮擋,、視角限制和操作不當(dāng)?shù)葐栴},，導(dǎo)致傳感器獲取的植物或器官點(diǎn)云不完整，提出了一種基于多尺度特征提取模塊結(jié)合點(diǎn)云金字塔解碼器（Multiscale feature extraction model with point cloud pyramid decoder,，MSF-PPD）的葉片形狀補(bǔ)全網(wǎng)絡(luò)。首先,，采用多尺度特征提取模塊實(shí)現(xiàn)不同維度特征信息的全局提取和融合，其次,，通過(guò)點(diǎn)云金字塔解碼器進(jìn)行葉片點(diǎn)云的多階段生成補(bǔ)全，最終得到完整的目標(biāo)葉片形狀,。使用曲面參數(shù)方程構(gòu)建綠蘿葉片仿真模型庫(kù)，并將其離散成點(diǎn)云作為網(wǎng)絡(luò)模型訓(xùn)練的訓(xùn)練集和驗(yàn)證集,，使用Kinect v2相機(jī)獲取綠蘿葉片點(diǎn)云作為網(wǎng)絡(luò)模型補(bǔ)全性能評(píng)估的測(cè)試集。試驗(yàn)結(jié)果表明,，本文網(wǎng)絡(luò)結(jié)構(gòu)對(duì)葉片點(diǎn)云補(bǔ)全的效果理想，證明本文方法能夠?qū)φ趽跚闆r下的綠蘿葉片進(jìn)行高效,、完整的補(bǔ)全。

摘要:采摘機(jī)器人對(duì)核桃采摘時(shí)，需準(zhǔn)確檢測(cè)到在體核桃目標(biāo),。為實(shí)現(xiàn)自然環(huán)境下青皮核桃的精準(zhǔn)識(shí)別，研究了基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的青皮核桃檢測(cè)方法,。以預(yù)訓(xùn)練的VGG16網(wǎng)絡(luò)結(jié)構(gòu)作為模型的特征提取器，在Faster R-CNN的卷積層加入批歸一化處理,、利用雙線性插值法改進(jìn)RPN結(jié)構(gòu)和構(gòu)建混合損失函數(shù)等方式改進(jìn)模型的適應(yīng)性，分別采用SGD和Adam優(yōu)化算法訓(xùn)練模型,，并與未改進(jìn)的Faster R-CNN對(duì)比。以精度,、召回率和F1值作為模型的準(zhǔn)確性指標(biāo),，單幅圖像平均檢測(cè)時(shí)間作為速度性能評(píng)價(jià)指標(biāo),。結(jié)果表明，利用Adam優(yōu)化器訓(xùn)練得到的模型更穩(wěn)定,，精度高達(dá)97.71%，召回率為94.58%,，F(xiàn)1值為96.12%，單幅圖像檢測(cè)耗時(shí)為0.227s,。與未改進(jìn)的Faster R-CNN模型相比,，精度提高了5.04個(gè)百分點(diǎn),，召回率提高了4.65個(gè)百分點(diǎn)，F(xiàn)1值提升了4.84個(gè)百分點(diǎn),，單幅圖像檢測(cè)耗時(shí)降低了0.148s。在園林環(huán)境下,，所提方法的成功率可達(dá)91.25%，并且能保持一定的實(shí)時(shí)性,。該方法在核桃識(shí)別檢測(cè)中能夠保持較高的精度,、較快的速度和較強(qiáng)的魯棒性,，能夠?yàn)闄C(jī)器人快速長(zhǎng)時(shí)間在復(fù)雜環(huán)境下識(shí)別并采摘核桃提供技術(shù)支撐。

摘要:蔬果采摘機(jī)器人面對(duì)的自然場(chǎng)景復(fù)雜多變,，為準(zhǔn)確識(shí)別和分割目標(biāo)果實(shí)，實(shí)現(xiàn)高成功率采收,，提出基于多源圖像融合的識(shí)別方法。首先,，針對(duì)在不同自然場(chǎng)景下單圖像通道信息不充分問題，提出融合RGB圖像,、深度圖像和紅外圖像的多源信息融合方法，實(shí)現(xiàn)了機(jī)器人能夠適應(yīng)自然環(huán)境中不同光線條件的番茄果實(shí),。其次,，針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)訓(xùn)練樣本標(biāo)注低效問題,，提出聚類方法對(duì)樣本進(jìn)行輔助快速標(biāo)注，完成模型訓(xùn)練,；最終，建立擴(kuò)展Mask R-CNN深度學(xué)習(xí)算法模型,，進(jìn)行采摘機(jī)器人在線果實(shí)識(shí)別。實(shí)驗(yàn)結(jié)果表明,，擴(kuò)展Mask R-CNN算法模型在測(cè)試集中的檢測(cè)準(zhǔn)確率為98.3%、交并比為0.916,，可以滿足番茄果實(shí)識(shí)別要求,；在不同光線條件下,，與Otsu閾值分割算法相比，擴(kuò)展Mask R-CNN算法模型能夠區(qū)分粘連果實(shí),，分割結(jié)果清晰完整，具有更強(qiáng)的抗干擾能力,。

摘要:為了解決圖像采集過(guò)程中由于昆蟲圖像獲取不完整而導(dǎo)致整體稻飛虱識(shí)別精度低、速度慢的問題,，提出了一種基于字典學(xué)習(xí)和SSD的不完整稻飛虱圖像分類方法,。首先,，使用自主研發(fā)的野外昆蟲圖像采集裝置采集稻飛虱圖像,，構(gòu)建小型圖像集,。然后,，將采集的稻田昆蟲圖像進(jìn)行閾值分割，得到單一稻田昆蟲圖像,；對(duì)單一昆蟲圖像進(jìn)行分塊處理，得到帶有背景信息和特征信息的混合子圖像塊集,；使用子圖像塊作為字典原子來(lái)構(gòu)建過(guò)完備字典,，并對(duì)其進(jìn)行初始化和優(yōu)化更新；將更新后的過(guò)完備字典作為訓(xùn)練集輸入SSD算法中進(jìn)行訓(xùn)練,，得到訓(xùn)練模型。最后,，將采集的包含不完整稻田昆蟲的圖像在訓(xùn)練集模型上進(jìn)行測(cè)試,，并將測(cè)試結(jié)果與BPNN（Back propagation neural network),、SVM (Support vector machines）、稀疏表示等方法進(jìn)行對(duì)比,。試驗(yàn)結(jié)果表明，所提出的基于字典學(xué)習(xí)和SSD的稻飛虱識(shí)別與分類方法可以對(duì)不完整的昆蟲圖像進(jìn)行準(zhǔn)確快速的識(shí)別分類,，其中,，分類速度可達(dá)22f/s，識(shí)別精度可達(dá)89.3%,，對(duì)稻飛虱的監(jiān)督、預(yù)警和防治提供了有效的信息與技術(shù)支持,。

摘要:豬只盤點(diǎn)是生豬規(guī)?；B(yǎng)殖和管理中的重要環(huán)節(jié)，人工計(jì)數(shù)方法費(fèi)時(shí),、費(fèi)力，在大數(shù)據(jù)量的豬只盤點(diǎn)中容易出錯(cuò),。本文使用多尺度感知網(wǎng)絡(luò)對(duì)高密度豬群圖像中的豬只進(jìn)行計(jì)數(shù)。通過(guò)對(duì)人群計(jì)數(shù)網(wǎng)絡(luò)CSRNet的改進(jìn),，得到豬只計(jì)數(shù)網(wǎng)絡(luò)（Pig counting net, PCN），PCN采用VGG16作為前端網(wǎng)絡(luò)提取特征,，中間層采用空間金字塔（Spatial pyramid）結(jié)構(gòu)對(duì)圖像中的多尺度信息進(jìn)行提取與融合，后端網(wǎng)絡(luò)采用改進(jìn)的膨脹卷積網(wǎng)絡(luò),。PCN增加了多尺度感知結(jié)構(gòu)、擴(kuò)大了后端網(wǎng)絡(luò)感受野,，通過(guò)感知多尺度特征得到預(yù)測(cè)密度圖，預(yù)測(cè)密度圖反映了豬只空間分布,，通過(guò)對(duì)密度圖積分實(shí)現(xiàn)了豬只數(shù)量的估計(jì),。結(jié)果表明,，在平均豬只數(shù)為 40.71的測(cè)試集圖像上，PCN的計(jì)數(shù)準(zhǔn)確率優(yōu)于人群計(jì)數(shù)網(wǎng)絡(luò) MCNN,、CSRNet和改進(jìn)Counting CNN 的豬只計(jì)數(shù)網(wǎng)絡(luò)，MAE和RMSE 分別為1.74和 2.28,，表現(xiàn)出較高的準(zhǔn)確性和魯棒性,；單幅圖像平均識(shí)別時(shí)間為0.108s,，滿足實(shí)時(shí)處理要求,。

摘要:針對(duì)光照不均、噪聲大,、拍攝質(zhì)量不高的夜晚水下環(huán)境,，為實(shí)現(xiàn)夜晚水下圖像中魚類目標(biāo)的快速檢測(cè),，利用計(jì)算機(jī)視覺技術(shù)，提出了一種基于改進(jìn)Cascade R-CNN算法和具有色彩保護(hù)的MSRCP（Multi-scale Retinex with color restoration）圖像增強(qiáng)算法的夜晚水下魚類目標(biāo)檢測(cè)方法,。首先針對(duì)夜晚水下環(huán)境的視頻數(shù)據(jù)，根據(jù)時(shí)間間隔,，截取出相應(yīng)的夜晚水下魚類圖像，對(duì)截取的原始圖像進(jìn)行MSRCP圖像增強(qiáng),。然后采用DetNASNet主干網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練和水下魚類特征信息的提取，將提取出的特征信息輸入到Cascade R-CNN模型中,，并使用Soft-NMS候選框優(yōu)化算法對(duì)其中的RPN網(wǎng)絡(luò)進(jìn)行優(yōu)化，最后對(duì)夜晚水下魚類目標(biāo)進(jìn)行檢測(cè),。實(shí)驗(yàn)結(jié)果表明，該方法解決了夜晚水下環(huán)境中的圖像降質(zhì)、魚類目標(biāo)重疊檢測(cè)問題,，實(shí)現(xiàn)了對(duì)夜晚水下魚類目標(biāo)的快速檢測(cè)，對(duì)夜晚水下魚類圖像目標(biāo)檢測(cè)的查準(zhǔn)率達(dá)到95.81%,，比Cascade R-CNN方法提高了11.57個(gè)百分點(diǎn),。

摘要:針對(duì)多光譜圖像中由于多鏡頭多光譜相機(jī)各通道之間存在的偏差以及傳統(tǒng)分割方法的不適用，圖像分析處理過(guò)程往往會(huì)出現(xiàn)無(wú)法自動(dòng)化分割或分割精度較低的問題,，提出采用基于相位相關(guān)算法和基于UNet的語(yǔ)義分割模型對(duì)田間生菜多光譜圖像進(jìn)行各個(gè)通道的精確配準(zhǔn)并實(shí)現(xiàn)前景分割,。使用Canny算法對(duì)多光譜各通道圖像進(jìn)行邊緣提取,，進(jìn)而使用相位相關(guān)算法對(duì)多光譜各通道圖像進(jìn)行配準(zhǔn)，單幅圖像平均處理時(shí)間0.92s,，配準(zhǔn)精度達(dá)到99%，滿足后續(xù)圖像分割所需精度,；以VGG16作為主干特征提取網(wǎng)絡(luò)，直接采用兩倍上采樣,，使最終輸出圖像和輸入圖像高寬相等,，構(gòu)建優(yōu)化的UNet模型,。實(shí)驗(yàn)結(jié)果表明：本文所提出的圖像配準(zhǔn)和圖像分割網(wǎng)絡(luò)，分割像素準(zhǔn)確率達(dá)到99.19%,，平均IoU可以達(dá)到94.98%，能夠很好地對(duì)生菜多光譜圖像進(jìn)行前景分割,，可以為后續(xù)研究作物精準(zhǔn)表型的光譜分析提供參考。

摘要:遙感技術(shù)已成為大宗作物種植面積提取的有效手段,。為避免冬小麥提取中受光學(xué)數(shù)據(jù)缺乏的影響,，基于隨機(jī)森林算法（RF）和Google Earth Engine（GEE）云平臺(tái)，探索時(shí)間序列Sentinel-1合成孔徑雷達(dá)（SAR）數(shù)據(jù)后向散射系數(shù)對(duì)冬小麥提取效果,，并融合Sentinel-1,、2主被動(dòng)遙感數(shù)據(jù),，研究后向散射系數(shù)、光譜特征,、植被指數(shù)特征與紋理特征的不同組合對(duì)冬小麥識(shí)別精度的改善情況。結(jié)果表明：僅融合多時(shí)相Sentinel-1 SAR數(shù)據(jù)時(shí),，分類總體精度為85.93%，Kappa系數(shù)為0.75,，冬小麥識(shí)別精度達(dá)到95%以上。融合多時(shí)相SAR數(shù)據(jù)與單時(shí)相光學(xué)數(shù)據(jù),，在充分利用極化信息和光譜信息進(jìn)行分類后，分類總體精度為95.78%,Kappa系數(shù)為0.92,，比多時(shí)相SAR分類結(jié)果分別提高9.85個(gè)百分點(diǎn)和約22.67%,，對(duì)冬小麥的識(shí)別精度提高約2個(gè)百分點(diǎn),。通過(guò)分析不同特征組合情況下紋理特征對(duì)分類的影響，發(fā)現(xiàn)紋理特征對(duì)冬小麥的識(shí)別精度影響程度較小,。

摘要:為準(zhǔn)確識(shí)別抽雄期玉米雄蕊實(shí)現(xiàn)監(jiān)測(cè)玉米長(zhǎng)勢(shì),、植株計(jì)數(shù)和估產(chǎn)，基于無(wú)錨框的CenterNet目標(biāo)檢測(cè)模型,，通過(guò)分析玉米雄蕊的尺寸分布,，并在特征提取網(wǎng)絡(luò)中添加位置坐標(biāo),，從而提出一種改進(jìn)的玉米雄蕊識(shí)別模型。針對(duì)雄蕊尺寸較小的特點(diǎn),，去除CenterNet網(wǎng)絡(luò)中對(duì)圖像尺度縮小的特征提取模塊，在降低模型參數(shù)的同時(shí),，提高檢測(cè)速度。在CenterNet特征提取模型中添加位置信息,，提高定位精度,，降低雄蕊漏檢率,。試驗(yàn)結(jié)果表明，與有錨框的YOLO v4,、Faster R-CNN模型相比,，改進(jìn)的CenterNet雄蕊檢測(cè)模型對(duì)無(wú)人機(jī)遙感影像的玉米雄蕊識(shí)別精度達(dá)到92.4%,，分別高于Faster R-CNN和YOLO v4模型26.22、3.42個(gè)百分點(diǎn),；檢測(cè)速度為36f/s，分別比Faster R-CNN和YOLO v4模型高32,、23f/s。本文方法能夠準(zhǔn)確地檢測(cè)無(wú)人機(jī)遙感圖像中尺寸較小的玉米雄蕊,，為玉米抽雄期的農(nóng)情監(jiān)測(cè)提供參考,。

摘要:監(jiān)測(cè)地膜覆蓋農(nóng)田的分布對(duì)準(zhǔn)確評(píng)估由其導(dǎo)致的區(qū)域氣候和生態(tài)環(huán)境變化有著重要作用,，基于DeepLabv3+網(wǎng)絡(luò),，通過(guò)學(xué)習(xí)面向地膜語(yǔ)義分割的通道注意力和空間注意力特征,，提出一種適用于判斷農(nóng)田是否覆膜的改進(jìn)深度語(yǔ)義分割模型，實(shí)現(xiàn)對(duì)無(wú)人機(jī)多光譜遙感影像中地膜農(nóng)田的有效分割,。以內(nèi)蒙古自治區(qū)河套灌區(qū)西部解放閘灌區(qū)中沙壕渠灌域2018—2019年4塊實(shí)驗(yàn)田的無(wú)人機(jī)多光譜遙感影像為研究數(shù)據(jù)，與可見光遙感影像的識(shí)別結(jié)果進(jìn)行對(duì)比,，同時(shí)考慮不同年份地膜農(nóng)田表觀的變化，設(shè)計(jì)了2組實(shí)驗(yàn)方案,，分別用于驗(yàn)證模型的泛化性能和增強(qiáng)模型的分類精度。結(jié)果表明,，改進(jìn)的DeepLabv3+語(yǔ)義分割模型對(duì)多光譜遙感影像的識(shí)別效果比可見光高7.1個(gè)百分點(diǎn)。同時(shí)考慮地膜農(nóng)田表觀變化的深度語(yǔ)義分割模型具有更高的分類精度,，其平均像素精度超出未考慮地膜農(nóng)田表觀變化時(shí)7.7個(gè)百分點(diǎn)，表明訓(xùn)練數(shù)據(jù)的多樣性有助于提高地膜農(nóng)田的識(shí)別精度,。其次，改進(jìn)的DeepLabv3+語(yǔ)義分割模型能夠自適應(yīng)學(xué)習(xí)地膜注意力,，在2組實(shí)驗(yàn)中，分類精度均優(yōu)于原始的DeepLabv3+模型,，表明注意力機(jī)制能夠增加深度語(yǔ)義分割模型的自適應(yīng)性,，從而提升分類精度,。本文提出的方法能夠從復(fù)雜的場(chǎng)景中精準(zhǔn)識(shí)別地膜農(nóng)田,。

摘要:為進(jìn)一步促進(jìn)機(jī)器學(xué)習(xí)技術(shù)在玉米單產(chǎn)估測(cè)中的應(yīng)用,，以河北中部平原為研究區(qū)域,，選取與玉米長(zhǎng)勢(shì)和產(chǎn)量密切相關(guān)的條件植被溫度指數(shù)（Vegetation temperature condition index,，VTCI）和葉面積指數(shù)（Leaf area index，LAI）為特征變量,，通過(guò)極限梯度提升（Extreme gradient boosting，XGBoost）算法和隨機(jī)森林（Random forest,，RF）算法分別對(duì)玉米單產(chǎn)進(jìn)行估測(cè)?；诮M合預(yù)測(cè)思想與Shapley值理論,，分別確定組合預(yù)測(cè)模型中XGBoost與RF模型權(quán)重，進(jìn)而得到組合預(yù)測(cè)模型,，結(jié)果表明，基于Shapley值確定的組合估產(chǎn)模型精度較高（R2=0.32）,達(dá)極顯著水平（P<0.001）,。同時(shí)將組合預(yù)測(cè)模型應(yīng)用于河北中部平原2012年各縣（區(qū)）玉米的單產(chǎn)估測(cè)，結(jié)果表明,，模型精度較高（R2=0.52）,，玉米估測(cè)單產(chǎn)與實(shí)際單產(chǎn)的平均相對(duì)誤差和均方根誤差分別為9.86%,、831.14kg/km2,，達(dá)到極顯著水平（P<0.001）,，且組合預(yù)測(cè)模型的精度均優(yōu)于單一估測(cè)模型,。研究發(fā)現(xiàn),，河北中部平原玉米估測(cè)單產(chǎn)隨年份發(fā)生波動(dòng)變化,，呈先降低后升高的趨勢(shì),。玉米估測(cè)單產(chǎn)以西部地區(qū)最高,，其次是北部和南部地區(qū)，東部地區(qū)最低,。

摘要:設(shè)施栽培中作物鮮質(zhì)量動(dòng)態(tài)變化作為生長(zhǎng)發(fā)育的指示性特征，是蔬菜長(zhǎng)勢(shì)無(wú)損監(jiān)測(cè)的重要指標(biāo)之一,。水培蔬菜通過(guò)離水直接稱量實(shí)現(xiàn)長(zhǎng)勢(shì)無(wú)損監(jiān)測(cè),，但是土培或基質(zhì)培無(wú)法通過(guò)直接鮮質(zhì)量稱量實(shí)現(xiàn)生長(zhǎng)過(guò)程的無(wú)損測(cè)量,。本文提出了基于表型特征參數(shù)和生長(zhǎng)過(guò)程環(huán)境參數(shù)融合的鮮質(zhì)量估算方法，用于日光溫室環(huán)境下基質(zhì)培生菜個(gè)體和群體的鮮質(zhì)量無(wú)損估算,。首先，監(jiān)測(cè)生菜全生命周期的環(huán)境參數(shù),，采集第1批次生菜生長(zhǎng)過(guò)程中的多樣本圖像和部分樣本鮮質(zhì)量,，提取樣本圖像中不同生長(zhǎng)期生菜的形狀,、顏色,、紋理等特征,，計(jì)算環(huán)境信息中的累積輻熱積等參數(shù)。然后,，利用高斯過(guò)程回歸方法建立表型參數(shù)和環(huán)境參數(shù)與生菜鮮質(zhì)量的關(guān)系模型,。最后,，采集第2批次生菜群體的樣本數(shù)據(jù),，基于上述模型預(yù)測(cè)生菜3個(gè)生長(zhǎng)階段的個(gè)體和群體鮮質(zhì)量,，以驗(yàn)證鮮質(zhì)量估算模型的泛化能力和可靠性,。結(jié)果表明,，與支持向量機(jī),、線性回歸,、嶺回歸和神經(jīng)網(wǎng)絡(luò)相比,，高斯過(guò)程模型的決定系數(shù)R2為0.9493,，相對(duì)誤差的均值和標(biāo)準(zhǔn)差分別為11.50%和11.21%。模型泛化能力試驗(yàn)中,，生菜群體鮮質(zhì)量比個(gè)體鮮質(zhì)量的預(yù)測(cè)相對(duì)誤差的平均值小（3個(gè)生長(zhǎng)階段分別相差4.44,、5.71,、5.89個(gè)百分點(diǎn)），且隨著群體數(shù)量增加,，群體鮮質(zhì)量預(yù)測(cè)的相對(duì)誤差的均值和標(biāo)準(zhǔn)差逐漸減小。本鮮質(zhì)量估算方法預(yù)測(cè)的群體鮮質(zhì)量數(shù)據(jù)可為基質(zhì)培綠葉菜類作物的栽培管理決策提供數(shù)據(jù)支撐,。

摘要:土壤含水率監(jiān)測(cè)是精準(zhǔn)農(nóng)業(yè)的重要組成部分,，對(duì)于農(nóng)情監(jiān)測(cè)和農(nóng)業(yè)生產(chǎn)起著關(guān)鍵性作用,。超寬帶雷達(dá)由于其體積小,、質(zhì)量輕,、穿透力強(qiáng)和功耗低等特性已被廣泛應(yīng)用于土壤含水率監(jiān)測(cè)研究,。而現(xiàn)有超寬帶雷達(dá)反演土壤含水率多為理想裸土情況，實(shí)際應(yīng)用中地表植被覆蓋會(huì)對(duì)結(jié)果造成較大影響,，針對(duì)此問題，融合超寬帶雷達(dá)和多光譜數(shù)據(jù),，利用支持向量機(jī)（SVM）模型對(duì)農(nóng)田尺度不同植被覆蓋下的土壤含水率進(jìn)行分級(jí)預(yù)測(cè)，以減小植被對(duì)預(yù)測(cè)精度的影響,。研究結(jié)果表明，在超寬帶雷達(dá)回波數(shù)據(jù)提取出的不同時(shí)域特征組合中,，選用峰值因子,、峭度,、均方根、峰-峰值,、最大幅值、方差,、偏斜度,、平均值和最小幅值9個(gè)時(shí)域特征作為SVM模型輸入特征預(yù)測(cè)結(jié)果最好，總體精度為95.59%,，Kappa系數(shù)為0.9492,。加入植被指數(shù)NDVI后,，不同時(shí)域特征組合作為特征輸入的模型精度均有顯著提高,，其中將9個(gè)時(shí)域特征與NDVI共同作為SVM輸入預(yù)測(cè)效果最佳,，總體精度為98.09%,，Kappa系數(shù)為0.9780,，與不考慮植被影響的預(yù)測(cè)結(jié)果比較,，總體精度提高了2.50個(gè)百分點(diǎn),，Kappa系數(shù)提高了0.0288。

摘要:為揭示添加微納米氣泡的加氣灌溉對(duì)秸稈還田條件下稻麥輪作區(qū)水稻生長(zhǎng)的影響，并提出合理進(jìn)氣量的加氣灌溉方式,，設(shè)置6個(gè)處理（無(wú)秸稈還田不加氣灌溉（CK）,、小麥秸稈還田不加氣灌溉（ST）,、小麥秸稈還田+進(jìn)氣量0.3L/min加氣灌溉（SO1）,、小麥秸稈還田+進(jìn)氣量0.5L/min加氣灌溉（SO2）,、小麥秸稈還田+進(jìn)氣量0.7L/min加氣灌溉（SO3）和小麥秸稈還田+進(jìn)氣量0.9L/min加氣灌溉（SO4））開展水稻盆栽試驗(yàn),，觀測(cè)不同處理下的土壤還原性狀況以及水稻生長(zhǎng)規(guī)律,。結(jié)果表明：秸稈還田會(huì)顯著增強(qiáng)土壤的還原性狀況,，微納米加氣灌溉可以改善土壤還原性,，且隨著進(jìn)氣量的增加改善效果逐漸增強(qiáng)，當(dāng)進(jìn)氣量為0.9L/min時(shí),，土壤活性還原性物質(zhì)含量、Fe2+含量,、Mn2+含量最高可降低48.66%,、56.11%和42.76%,；進(jìn)氣量在0.5~0.7L/min時(shí)的加氣灌溉能夠促進(jìn)水稻的生長(zhǎng)發(fā)育,，緩解秸稈還田帶來(lái)的水稻生長(zhǎng)前期生長(zhǎng)受到抑制的問題,，促進(jìn)水稻根系良好生長(zhǎng),，利于水稻光合作用的有效性,，促進(jìn)干物質(zhì)積累，從而提高水稻產(chǎn)量,，微納米加氣灌溉處理較無(wú)秸稈還田以及秸稈還田不加氣灌溉處理最高可增產(chǎn)19.7%。綜合考慮添加微納米氣泡的加氣灌溉對(duì)于改善秸稈還田后土壤的還原性以及對(duì)水稻生長(zhǎng)發(fā)育的影響,，推薦使用溶解氧質(zhì)量濃度為8.06mg/L的微納米氣泡水（SO3處理）對(duì)稻麥輪作區(qū)秸稈還田后的水稻進(jìn)行灌溉,。

摘要:為探討寧夏鹽環(huán)定揚(yáng)黃灌區(qū)秸稈還田條件下保水劑用量對(duì)砂性土保水保肥效應(yīng)及玉米產(chǎn)量的影響，通過(guò)3年大田試驗(yàn),，以不施保水劑為對(duì)照，研究保水劑施用量（30,、60、90,、120kg/hm2）對(duì)砂性土壤容重,、水分、養(yǎng)分及玉米生長(zhǎng),、產(chǎn)量和水分利用效率的影響,，并對(duì)經(jīng)濟(jì)效益進(jìn)行分析。結(jié)果表明,，與對(duì)照相比，施用保水劑可有效降低0~40cm層土壤容重,，改善土壤孔隙狀況，以保水劑施用量90,、120kg/hm2處理效果較優(yōu),。在玉米整個(gè)生育期，施用保水劑60,、90,、120kg/hm2時(shí)0~100cm層土壤貯水量較高，其3年平均分別較對(duì)照顯著提高18.3%,、21.6%和23.5%,。施用保水劑60,、90kg/hm2處理耕層（0~40cm）土壤有機(jī)質(zhì)、有效磷和速效鉀含量較對(duì)照顯著增加,，其改善土壤養(yǎng)分狀況效果最佳,。施用保水劑可提高玉米植株株高,、莖粗和地上部生物量,，施用保水劑60,、90kg/hm2處理的效果最為顯著。與對(duì)照相比,，施用保水劑60kg/hm2處理對(duì)提高作物水分利用效率、玉米增產(chǎn)和增收效果最佳,，其3年平均玉米水分利用效率、產(chǎn)量和純收益分別較對(duì)照顯著增加30.4%,、26.0%和20.7%,。施用保水劑60kg/hm2時(shí)能有效改善砂性土壤理化性狀，實(shí)現(xiàn)玉米的增產(chǎn)增收,，可在寧夏鹽環(huán)定揚(yáng)黃灌區(qū)秸稈還田條件下的滴灌玉米田推廣應(yīng)用,。

摘要:為研究不同灌水方式配施腐植酸肥對(duì)水稻干物質(zhì)轉(zhuǎn)運(yùn),、碳含量和土壤呼吸速率以及無(wú)機(jī)氮含量的影響，在大田試驗(yàn)條件下設(shè)置了3種灌水方式（控制灌溉,、淹灌和淺濕灌溉）和5種施肥方式（100%尿素（T1,，為當(dāng)?shù)貍鹘y(tǒng)施肥方式,，純氮量110kg/hm2）,、30%腐植酸肥+70%尿素（T2）,、50%腐植酸肥+50%尿素（T3）,、70%腐植酸肥+30%尿素（T4）和100%腐植酸肥（T5,，1500kg/hm2）),，共計(jì)15個(gè)試驗(yàn)處理,，并對(duì)水稻的抽穗后期干物質(zhì)轉(zhuǎn)運(yùn),、成熟期水稻各器官的碳含量以及土壤呼吸速率和無(wú)機(jī)氮含量進(jìn)行觀測(cè)。結(jié)果表明：水肥處理影響了水稻的干物質(zhì)轉(zhuǎn)運(yùn),、碳含量和土壤呼吸速率以及氮素形態(tài)的積累，在CT5,、WT5和FT5處理下水稻抽穗后期莖葉干物質(zhì)轉(zhuǎn)運(yùn)相比較其他水肥處理,，具有顯著優(yōu)勢(shì),，且在成熟期各器官的碳含量也相對(duì)較大,；隨著腐植酸肥的增加,，3種灌水方式下的土壤呼吸速率逐漸增大,，控制灌溉不同施肥處理下的土壤呼吸速率大于淹灌和淺濕灌溉,，而淹灌和淺濕灌溉各處理之間的差異不顯著,；腐植酸肥的增加,，提高了土壤銨態(tài)氮和硝態(tài)氮含量,，并在CT5處理下達(dá)到最大值,。因此,，控制灌溉下施加1500kg/hm2腐植酸肥,，能夠提高水稻的生長(zhǎng)和改善土壤的呼吸和無(wú)機(jī)氮含量，綜合考慮CT5處理為最佳的水肥模式,。

摘要:針對(duì)河套灌區(qū)寬畦田,、大畦塊導(dǎo)致的灌水效率低的問題,，為探求變化環(huán)境下適宜的畦灌技術(shù)參數(shù),，在河套灌區(qū)沈?yàn)豕嘤虻湫驮囼?yàn)基礎(chǔ)上，采用不同灌溉設(shè)計(jì)方案對(duì)典型砂土較大田塊（長(zhǎng)×寬為80m×25m）灌水質(zhì)量進(jìn)行評(píng)價(jià),，并在WinSRFR模型模擬基礎(chǔ)上分析不同參數(shù)對(duì)最佳方案灌水質(zhì)量指標(biāo)的敏感性變化情況。結(jié)果表明：砂土畦田規(guī)格（80m×25m）較大時(shí)農(nóng)田灌水效果較差,，在中等流量（入畦流量Q=20L/s,、單寬流量q=0.80L/(m·s)）水平下，減少尾部25%的田間面積（改水成數(shù)從1.0降低至0.75）可節(jié)省40%的灌水時(shí)間,，并可減少16%的灌溉水在水流推進(jìn)過(guò)程中的滲漏損失,。采用田塊規(guī)格+灌水時(shí)間設(shè)計(jì)方案后灌水效果較典型田塊得到顯著改善，垂直分割田塊（80m×12.5m）在較大流量水平（Q為26~30L/s,、q為2.08~2.40L/(m·s)）下灌水效率從67%~80%提升至97%~99%,，灌水均勻度從0.59~0.79提高至0.84~0.95,，儲(chǔ)水效率從1.17降低至0.76，并且可以節(jié)省當(dāng)前灌水時(shí)間的20%以上,，中等流量（Q=20L/s、q=1.60L/(m·s)）下在獲得更優(yōu)灌水質(zhì)量的同時(shí)可以節(jié)省40%的灌水時(shí)間,，節(jié)水效果顯著,。不同參數(shù)對(duì)灌水質(zhì)量評(píng)價(jià)指標(biāo)具有相同的變化規(guī)律，計(jì)劃需水水深對(duì)灌水質(zhì)量影響明顯,，極小單寬流量情況下灌水質(zhì)量受田面坡度,、畦田長(zhǎng)度影響較小,。建議灌區(qū)采用的砂土畦田規(guī)格為80m×12.5m,，并且可根據(jù)實(shí)際不同來(lái)水流量選擇所需的最佳單寬流量和灌水時(shí)間組合,。

摘要:為獲取玉米高產(chǎn)和減少氮素淋失的合理有機(jī)無(wú)機(jī)配施模式,，通過(guò)田間試驗(yàn)和脫氮-分解模型(DeNitrification-DeComposition,DNDC)模擬,，研究了有機(jī)氮替代不同比例無(wú)機(jī)氮對(duì)玉米產(chǎn)量和硝態(tài)氮淋失的影響。玉米田間試驗(yàn)在內(nèi)蒙古河套灌區(qū)進(jìn)行,，設(shè)置了6個(gè)處理,，包括不施氮（CK）,、單施無(wú)機(jī)氮（U1）以及用有機(jī)氮替代25%、50%,、75%和100%無(wú)機(jī)氮（U3O1,、U1O1,、U1O3、O1）,。利用2018—2020年的U1處理對(duì)模型進(jìn)行了校準(zhǔn),，用其他處理進(jìn)行驗(yàn)證。結(jié)果表明,，該模型能較好地模擬作物產(chǎn)量（標(biāo)準(zhǔn)均方根誤差小于5%）和硝態(tài)氮淋失量（標(biāo)準(zhǔn)均方根誤差小于15%）,。此外，利用該模型模擬評(píng)估不同管理措施對(duì)玉米產(chǎn)量和硝態(tài)氮淋失量發(fā)現(xiàn),，在U1處理的基礎(chǔ)上,，增加無(wú)機(jī)氮施用量會(huì)導(dǎo)致作物產(chǎn)量下降,，同時(shí)也會(huì)顯著增加硝態(tài)氮淋失量,；增加有機(jī)氮施用量、灌水量,、無(wú)機(jī)氮分施次數(shù)會(huì)增加玉米產(chǎn)量和硝態(tài)氮淋失量,。在等施氮量240kg/hm2條件下,，隨著有機(jī)氮施入比例增加,，玉米產(chǎn)量呈先升后降的趨勢(shì),，硝態(tài)氮淋失量呈逐漸降低的態(tài)勢(shì)。綜合來(lái)看，有機(jī)無(wú)機(jī)氮配施比例為3∶2時(shí),，作物產(chǎn)量達(dá)到最高值（12578kg/hm2）,，硝態(tài)氮淋失量（15.7kg/hm2）也在可接受水平,，可確定為該地區(qū)較優(yōu)有機(jī)無(wú)機(jī)氮配施模式。

摘要:為對(duì)設(shè)施甜瓜高效集約化生產(chǎn)實(shí)施準(zhǔn)確有效的水肥管理,，以“千玉六號(hào)”甜瓜為對(duì)象,，于2020年4—7月在陜西省楊凌區(qū)的雙層大跨度溫室內(nèi)進(jìn)行試驗(yàn),，設(shè)水肥兩因素,，依據(jù)蒸騰蒸發(fā)量（ETc）和目標(biāo)產(chǎn)量法設(shè)計(jì)3個(gè)灌水量（W1：低水,，75%ETc,；W2：中水,，100%ETc,；W3：高水,，125%ETc）及3個(gè)施肥量（F1：低肥,，施肥量758.44kg/hm2,；F2：中肥，施肥量948.05kg/hm2,；F3：高肥，施肥量1137.66kg/hm2）,，研究不同水肥條件對(duì)甜瓜生長(zhǎng)、產(chǎn)量,、品質(zhì)及水肥利用效率的影響,，運(yùn)用綜合評(píng)價(jià)方法確定最優(yōu)灌水施肥制度,。結(jié)果表明,，水肥耦合對(duì)甜瓜各指標(biāo)的影響不同,，基于博弈論的組合賦權(quán)法對(duì)甜瓜生長(zhǎng),、產(chǎn)量,、品質(zhì)及水肥利用效率4類因素12個(gè)指標(biāo)進(jìn)行綜合賦權(quán),，其中總產(chǎn)量權(quán)重最大，為0.343,，游離氨基酸含量最小,，為0.007,?；诨疑P(guān)聯(lián)與TOPSIS耦合模型進(jìn)行綜合評(píng)價(jià),，中水中肥處理下復(fù)合貼近度最佳。水肥配施對(duì)甜瓜綜合生長(zhǎng)的交互作用顯著,，灌水量及施肥量對(duì)甜瓜綜合生長(zhǎng)的調(diào)控均呈先增加再降低的趨勢(shì),，與實(shí)際生產(chǎn)相符,。當(dāng)灌水量為810.52~990.64m3/hm2,、施肥量為853.25~1042.85kg/hm2時(shí)甜瓜綜合生長(zhǎng)得分最高,，為最優(yōu)的水肥配施方案,。本研究可為當(dāng)?shù)卦O(shè)施甜瓜生產(chǎn)中水肥科學(xué)管理提供依據(jù)。

摘要:針對(duì)干旱區(qū)綠洲土壤鹽漬化的生態(tài)環(huán)境問題,，以新疆維吾爾自治區(qū)奇臺(tái)綠洲為研究區(qū),，基于58個(gè)表層土壤鹽度數(shù)據(jù)及與之對(duì)應(yīng)的Landsat TM多光譜遙感影像數(shù)據(jù),，分別選取柵格重采樣(空間分辨率為30～990m)和鄰域?yàn)V波(窗口尺度為3×3、5×5,、…、31×31)兩種尺度轉(zhuǎn)換方法獲取不同尺度下Landsat TM派生數(shù)據(jù),，并據(jù)此計(jì)算相應(yīng)的環(huán)境變量（總數(shù)為720）,；隨后利用梯度提升決策樹（GBDT）模型在不同尺度下依托環(huán)境變量對(duì)土壤鹽度進(jìn)行模擬,，并分析其定量關(guān)系。結(jié)果表明：?jiǎn)我怀叨认?，基?0m空間分辨率的鄰域?yàn)V波方法對(duì)土壤鹽度的解析力總體優(yōu)于柵格重采樣模式，其最大解析力分別為78.55%,、75.31%,?；旌隙喾N尺度下,，對(duì)土壤鹽度的解析效果較單一尺度得到明顯提升，解析力最高可達(dá)90.66%,，有效實(shí)現(xiàn)了信息互補(bǔ)。柵格重采樣模式相對(duì)于鄰域?yàn)V波而言,，其調(diào)整R2波動(dòng)范圍更為寬泛,，說(shuō)明柵格重采樣尺度變換方法相較于鄰域?yàn)V波對(duì)土壤鹽度-環(huán)境變量關(guān)系的表征更具靈敏性,。

摘要:為準(zhǔn)確評(píng)價(jià)東北旱作區(qū)耕層質(zhì)量特征,，針對(duì)全部初選指標(biāo)采用主成分分析法（PCA）建立了東北旱作區(qū)耕層質(zhì)量評(píng)價(jià)的最小數(shù)據(jù)集（Minimum data set, MDS）,，并運(yùn)用最小數(shù)據(jù)集耕層質(zhì)量指數(shù)（MDS-Plough horizon integrated quality index, MDS-PHIQI）和障礙因子診斷模型對(duì)研究區(qū)耕層質(zhì)量及主導(dǎo)障礙因子進(jìn)行分析,。結(jié)果表明：東北旱作區(qū)耕層質(zhì)量評(píng)價(jià)的最小數(shù)據(jù)集由土壤有機(jī)質(zhì)含量,、全氮含量,、有效磷含量、粘粒含量,、耕作層穿透阻力和壓實(shí)層厚度組成,，最小數(shù)據(jù)集可替代全部初選指標(biāo)對(duì)東北旱作區(qū)耕層質(zhì)量進(jìn)行評(píng)價(jià)；東北旱作區(qū)耕層質(zhì)量指數(shù)分布在0.10~0.53之間,，均值為0.30,，整體處于低和中等水平,。東北旱作區(qū)合理耕層指標(biāo)參數(shù)的適宜范圍為：有機(jī)質(zhì)質(zhì)量比大于等于37.16g/kg,，全氮質(zhì)量比大于等于1.75g/kg,，有效磷質(zhì)量比大于等于26.38mg/kg,，粘粒質(zhì)量分?jǐn)?shù)為4.60%~6.19%,，耕作層穿透阻力小于等于364.56kPa,，壓實(shí)層厚度小于等于8.18cm,。東北旱作區(qū)糧食產(chǎn)量低產(chǎn)區(qū)耕層多存在結(jié)構(gòu)型障礙，中產(chǎn)區(qū)耕層結(jié)構(gòu)型障礙和養(yǎng)分限制共存,，而高產(chǎn)區(qū)耕層主要表現(xiàn)為養(yǎng)分限制型障礙,。整體來(lái)看,，研究區(qū)耕層質(zhì)量的主要障礙因素為耕作層穿透阻力、土壤全氮含量,、有機(jī)質(zhì)含量，需針對(duì)上述指標(biāo)采取針對(duì)性的耕作和培肥措施,。

摘要:以玉米秸稈纖維素為原料,，以三氟乙酸(Trifluoroacetic acid, TFA)為催化劑,，提出采用一鍋法高效制備三醋酸纖維素(Cellulose triacetate, CTA)的新工藝，并進(jìn)行了合成試驗(yàn),。以CTA的取代度和產(chǎn)率為指標(biāo),，分析了TFA添加量,、反應(yīng)溫度,、反應(yīng)時(shí)間以及乙酸酐添加量對(duì)CTA取代度及產(chǎn)率的影響，并優(yōu)化了合成工藝,，結(jié)果表明,，CTA的最佳制備條件為：TFA添加量15mL/g、反應(yīng)溫度25℃,、反應(yīng)時(shí)間30min、乙酸酐添加量5mL/g,，得到的CTA的取代度為2.95，產(chǎn)率為96.2%,。通過(guò)傅里葉變換紅外光譜分析、X射線衍射分析以及氫核磁共振分析對(duì)產(chǎn)物理化特性進(jìn)行了表征,，結(jié)果表明,，纖維素發(fā)生了乙?；磻?yīng)，并合成了CTA,；熱重分析結(jié)果表明，該工藝制備的CTA具有較高的熱穩(wěn)定性,。

摘要:為了準(zhǔn)確測(cè)量肉雞養(yǎng)殖過(guò)程中雞舍內(nèi)的氨氣濃度，實(shí)現(xiàn)舍內(nèi)氨氣環(huán)境的精準(zhǔn)調(diào)控,，設(shè)計(jì)了一種由氣體檢測(cè)系統(tǒng),、氣體循環(huán)系統(tǒng)和輔助裝置構(gòu)成的主動(dòng)式氨氣檢測(cè)裝置,。裝置通過(guò)控制風(fēng)扇實(shí)現(xiàn)狀態(tài)切換，使用電化學(xué)氨氣模組檢測(cè)氣體,，通過(guò)微控制器（Micro control unit，MCU）實(shí)現(xiàn)濃度數(shù)據(jù)分析,、處理,，并運(yùn)用計(jì)算流體力學(xué)（Computational fluid dynamics, CFD）技術(shù)模擬裝置在不同狀態(tài)下的速度云圖和速度矢量圖,，由此得到空氣齡,，確定單次進(jìn)氣時(shí)間,。裝置在氨氣檢測(cè)狀態(tài)時(shí)氣流呈逆時(shí)針循環(huán)流動(dòng),，使氨氣濃度更均勻,，最大空氣齡為0.804s,，裝置設(shè)定單次檢測(cè)時(shí)間為1s,，每10s檢測(cè)一次,，每6個(gè)值的均值作為1min的值。在養(yǎng)殖雞舍內(nèi)進(jìn)行現(xiàn)場(chǎng)試驗(yàn),，結(jié)果表明本文裝置檢測(cè)的氨氣濃度和氨氣變送器檢測(cè)值的Pearson相關(guān)系數(shù)達(dá)到0.832,，與檢測(cè)結(jié)果趨勢(shì)相符,，平均相差為3.46%,，方差也較小,，總體比氨氣變送器檢測(cè)值波動(dòng)小,，檢測(cè)更穩(wěn)定,。該檢測(cè)裝置具有速度快、精度高和穩(wěn)定性強(qiáng)等優(yōu)點(diǎn),。

摘要:為解決微好氧同步預(yù)升溫序批式干發(fā)酵工藝實(shí)際運(yùn)行過(guò)程中現(xiàn)有裝備存在曝氣不充分,、噴淋均勻度低等問題,，加快促進(jìn)纖維物料降解和中間物質(zhì)轉(zhuǎn)化并提高產(chǎn)氣效率,，創(chuàng)新設(shè)計(jì)裝備噴淋系統(tǒng),、曝氣系統(tǒng),，優(yōu)化集成了微好氧預(yù)升溫序批式厭氧干發(fā)酵一體化裝備,，實(shí)現(xiàn)微好氧快速預(yù)升溫,、噴淋均勻接種,、高效生產(chǎn)沼氣,。通過(guò)噴頭特性比選出適合粘稠沼液循環(huán)的螺旋式噴嘴,，并計(jì)算出當(dāng)噴淋面積為0.6m×0.6m時(shí),，最佳噴頭間距和管道直徑分別為0.37m和0.08m,，噴淋覆蓋面積可達(dá)到物料表面積的87.33%。為方便物料進(jìn)出,，設(shè)計(jì)曝氣管道對(duì)稱分布在物料兩側(cè)，共設(shè)置6支平行曝氣管,，單側(cè)管道間距和兩端管道間距分別為0.5m和0.7m。集成裝備并耦合微好氧同步預(yù)升溫序批式干發(fā)酵工藝,，通過(guò)長(zhǎng)期試驗(yàn)確定實(shí)際運(yùn)行中的多組反應(yīng)器序批啟動(dòng)調(diào)控策略應(yīng)為8組反應(yīng)器,，啟動(dòng)間隔為3d,，發(fā)酵周期為24d,。基于規(guī)?；膛ｐB(yǎng)殖場(chǎng)對(duì)技術(shù)裝備應(yīng)用經(jīng)濟(jì)效益進(jìn)行核算,，得出投資回收周期約為4年,，與傳統(tǒng)濕法厭氧發(fā)酵技術(shù)相比減少了約1.3年。

摘要:針對(duì)中小規(guī)模養(yǎng)豬場(chǎng)糞污收集與利用處理效率低,、利用技術(shù)不配套等問題,，以存欄量2000頭的養(yǎng)豬場(chǎng)為例,，計(jì)算了糞污的產(chǎn)生和收集量,，結(jié)合養(yǎng)豬現(xiàn)有設(shè)施基礎(chǔ),，設(shè)計(jì)了“日產(chǎn)日清,、原位處理”的豬糞好氧快速發(fā)酵高溫?zé)o害化處理工藝,，設(shè)計(jì)了一種智能好氧高溫發(fā)酵罐,，并按照工藝設(shè)計(jì)要求,，在養(yǎng)豬場(chǎng)進(jìn)行了試驗(yàn),。結(jié)果表明：養(yǎng)殖規(guī)模為2000頭的養(yǎng)豬場(chǎng),，每天產(chǎn)生含水率60%的固糞1.2t,，主要構(gòu)筑物占地面積485.5m2，其中設(shè)備占地13.2m2,；豬糞發(fā)酵前后全氮損失率為8.3%,，全磷損失率為1.7%,，全鉀損失率為0；發(fā)酵產(chǎn)物含水率為43%,、蛔蟲卵死亡率100%,、糞大腸菌群數(shù)小于3個(gè)/g，均達(dá)到相關(guān)行業(yè)無(wú)害化衛(wèi)生要求標(biāo)準(zhǔn),；當(dāng)環(huán)境溫度為10～25℃時(shí),，發(fā)酵罐平均能耗為63.5kW·h/d,。

摘要:在低pH值、低離子強(qiáng)度,、長(zhǎng)時(shí)間高溫加熱條件下乳清蛋白可以自組裝形成納米纖維聚合物,。纖維的形成主要有自發(fā)和核誘導(dǎo)2種方式,，對(duì)改善乳清蛋白的功能性質(zhì)具有重要作用。通過(guò)界面性質(zhì)與纖維結(jié)構(gòu)的關(guān)系探究CaCl2對(duì)核形成,、核誘導(dǎo)以及成熟纖維的影響。結(jié)果表明：核誘導(dǎo)方式比自發(fā)方式對(duì)CaCl2的耐受性更強(qiáng),，CaCl2濃度為50mmol/L時(shí),，均相核誘導(dǎo),、二次核誘導(dǎo)乳清蛋白形成的纖維聚合物較自發(fā)方式樣品乳化穩(wěn)定性指數(shù)分別降低了30.92%,、34.09%,，泡沫穩(wěn)定性指數(shù)分別降低了68.18%、78.59%,。加入20~50mmol/L CaCl2能提高蛋白質(zhì)的聚合速率，同時(shí)降低反應(yīng)的活化能,，但這種快速聚合破壞了纖維有序組裝的過(guò)程,，核誘導(dǎo)方式由于加快了纖維聚合物的形成速度，與自發(fā)方式相比,，核誘導(dǎo)對(duì)CaCl2的耐受程度更高,。

摘要:壓差預(yù)冷是廣泛應(yīng)用于果蔬保鮮的預(yù)冷措施,，采用垂直送風(fēng)方式相較于傳統(tǒng)的水平送風(fēng)方式具有更好的冷卻效果,。通過(guò)建立單箱蘋果垂直送風(fēng)式壓差預(yù)冷過(guò)程的數(shù)值模型，分析了送風(fēng)速度,、送風(fēng)溫度及箱體開孔率對(duì)預(yù)冷性能的影響。模擬結(jié)果表明,，當(dāng)送風(fēng)速度由0.5m/s增大至2.5m/s時(shí)，蘋果的冷卻時(shí)間由127min下降至90min,，蘋果中心溫度平均偏差由0.51℃下降至0.20℃,；當(dāng)送風(fēng)溫度由2℃升高至6℃時(shí),，7/8冷卻時(shí)間不變,，冷卻終溫與送風(fēng)溫度接近,；當(dāng)箱體開孔率由15%增大至30%時(shí),，冷卻速率相近,，壓降由418Pa降低至86.8Pa,，蘋果中心溫度平均偏差由0.73℃上升至1.11℃。結(jié)合實(shí)際情況,，在15%開孔率下垂直送風(fēng)式壓差預(yù)冷的最佳送風(fēng)速度約為2.0m/s，低于相同工況下水平送風(fēng)的最佳送風(fēng)速度,；在壓降滿足設(shè)計(jì)要求的前提下,，出于結(jié)構(gòu)強(qiáng)度考慮,，宜采用較小的箱體開孔面積,；為了減小質(zhì)量損失率,，應(yīng)使氣流均勻流過(guò)所有蘋果表面，從而使其表面溫度快速下降,。

摘要:馬鈴薯儲(chǔ)藏過(guò)程中,，在高溫、缺氧等環(huán)境下,，極易產(chǎn)生黑心病等內(nèi)部缺陷,，嚴(yán)重影響馬鈴薯加工品的品質(zhì)和原料加工利用率,。黑心病薯無(wú)法從外觀分辨,，傳統(tǒng)檢測(cè)方法需要將馬鈴薯切開后判斷,，僅適用于抽樣檢測(cè),?；谧灾餮邪l(fā)的馬鈴薯內(nèi)部品質(zhì)光譜檢測(cè)裝置進(jìn)行光譜數(shù)據(jù)采集，分別采集234條健康馬鈴薯和236條黑心病馬鈴薯能量譜和吸光度譜數(shù)據(jù)用于判別模型建立,，采用隨機(jī)法按3∶1將樣本集劃分為校正集和驗(yàn)證集,，以靈敏度,、特異性指數(shù),、分類正確率作為模型評(píng)價(jià)指標(biāo),?；谖舛茸V，經(jīng)標(biāo)準(zhǔn)化（Auto）預(yù)處理后,，在波段500~950nm范圍內(nèi)建立馬鈴薯黑心病偏最小二乘線性判別模型（PLS-LDA）,，并通過(guò)競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)法與連續(xù)投影法（CARS-SPA）進(jìn)行聯(lián)合變量篩選，最終采用9個(gè)變量,，對(duì)黑心病判別的靈敏度,、特異性指數(shù),、總分類正確率分別達(dá)98.87%,、98.30%和98.44%,?；谀芰孔V，采用雙波長(zhǎng)相關(guān)系數(shù)法,，分別計(jì)算任意波長(zhǎng)對(duì)組合的能量差值和比值,，與黑心病進(jìn)行相關(guān)分析，最終采用2個(gè)變量能量比值T699/T435建立線性判別模型（LDA）,，對(duì)黑心病判別的靈敏度,、特異性指數(shù),、總分類正確率分別達(dá)97.71%、96.15%和97.67%,。因此,，基于吸光度譜的CARS-SPA-PLS-LDA模型和基于能量譜的(T699/T435)-LDA模型均可有效識(shí)別馬鈴薯黑心病，與吸光度譜模型相比,，能量譜模型僅采用2個(gè)變量,，模型更簡(jiǎn)單穩(wěn)定，并且解決了白背景與暗電流2個(gè)參比限制的難題,，適用性更廣泛,。

摘要:為解決無(wú)人化水田植保機(jī)在田間作業(yè)時(shí)上線速度慢、精度不高和抗干擾能力差的問題,，提出了一種基于快速冪次趨近律和全局滑?？刂频乃镏脖C(jī)路徑跟蹤控制方法。首先建立了含有滑移干擾項(xiàng)和航向角干擾項(xiàng)的水田植保機(jī)四輪異相位轉(zhuǎn)向運(yùn)動(dòng)學(xué)模型,，提出了一種基于全局滑?？刂坪涂焖賰绱乌吔傻闹本€作業(yè)跟蹤轉(zhuǎn)向控制算法，解決了滑?？刂扑惴ǖ亩墩窈挖吔B(tài)對(duì)干擾敏感的問題,，使用Lyapunov判據(jù)檢驗(yàn)了算法的收斂性。使用Matlab建立了仿真模型,，對(duì)算法進(jìn)行了仿真,，相比基于指數(shù)趨近律和等速趨近律的滑模控制算法,，本文算法的快速性更好,。實(shí)際作業(yè)實(shí)驗(yàn)結(jié)果表明，該方法直線跟蹤橫向偏差絕對(duì)值最大為0.0778m,，能夠有效提高自主導(dǎo)航控制系統(tǒng)的穩(wěn)定性和快速性,。

摘要:為提高同步轉(zhuǎn)向高地隙噴霧機(jī)軌跡跟蹤的穩(wěn)定性與魯棒性，提出一種基于模型預(yù)測(cè)控制理論的模糊自適應(yīng)軌跡跟蹤方法,。首先,，基于剛體運(yùn)動(dòng)學(xué)以及幾何約束推導(dǎo)出噴霧機(jī)的非線性運(yùn)動(dòng)學(xué)模型,，并對(duì)該運(yùn)動(dòng)學(xué)模型進(jìn)行簡(jiǎn)化；然后,，基于簡(jiǎn)化的運(yùn)動(dòng)學(xué)模型建立噴霧機(jī)的狀態(tài)預(yù)測(cè)模型,；最后，結(jié)合實(shí)際工況設(shè)計(jì)了模糊自適應(yīng)預(yù)測(cè)控制器,。仿真試驗(yàn)表明：與傳統(tǒng)的預(yù)測(cè)控制器相比,，模糊自適應(yīng)預(yù)測(cè)控制器的跟蹤速度更快、穩(wěn)定性更好,。場(chǎng)地試驗(yàn)表明：在進(jìn)行初始誤差2.5,、5m的直線軌跡跟蹤以及無(wú)初始誤差的圓形軌跡跟蹤時(shí)，其平均誤差分別為0.0442,、0.0602,、0.0901m。本文建立的噴霧機(jī)運(yùn)動(dòng)學(xué)模型可以很好地體現(xiàn)同步轉(zhuǎn)向高地隙噴霧機(jī)的運(yùn)動(dòng)特點(diǎn),，設(shè)計(jì)的模糊自適應(yīng)預(yù)測(cè)控制器可以保證噴霧機(jī)路徑跟蹤的準(zhǔn)確性和魯棒性。

摘要:基于虛關(guān)節(jié)法和構(gòu)件有限元分析建立了考慮驅(qū)動(dòng)副、滾珠絲桿副,、線性導(dǎo)軌和運(yùn)動(dòng)桿件彈性變形的3T1R混聯(lián)機(jī)構(gòu)靜剛度矩陣模型,。通過(guò)在構(gòu)件末端添加多自由度虛擬關(guān)節(jié)的方式來(lái)等效構(gòu)件的彈性，將支鏈等效為一系列剛性構(gòu)件,，通過(guò)主動(dòng)副,、被動(dòng)副以及虛擬關(guān)節(jié)連接的形式，給出了運(yùn)動(dòng)關(guān)節(jié)和虛擬關(guān)節(jié)變量對(duì)機(jī)構(gòu)末端位姿的映射,，應(yīng)用虛功原理得到機(jī)構(gòu)靜平衡方程,，推導(dǎo)了機(jī)構(gòu)在一定外載下的剛度矩陣模型，采用無(wú)量綱變換法定義了局部線剛度和角剛度評(píng)價(jià)指標(biāo)與全局線剛度和角剛度評(píng)價(jià)指標(biāo),，據(jù)此分析了混聯(lián)機(jī)構(gòu)在典型位姿和工作空間域內(nèi)的靜剛度性能,，并利用有限元仿真驗(yàn)證了剛度模型的準(zhǔn)確性。結(jié)果表明,，所建半解析剛度模型具有較高的精度,；機(jī)構(gòu)z向線剛度在工作空間內(nèi)關(guān)于x=y軸線對(duì)稱分布；機(jī)構(gòu)x向,、y向的線剛度沿x軸,、y軸方向不變，具有解耦性,；機(jī)構(gòu)線剛度遠(yuǎn)大于角剛度,。

摘要:針對(duì)常規(guī)方法難以有效求解冗余機(jī)械臂逆運(yùn)動(dòng)學(xué)的不足,，提出了一種基于改進(jìn)果蠅優(yōu)化算法的逆運(yùn)動(dòng)學(xué)解決方案。改進(jìn)算法采用線性候選解產(chǎn)生機(jī)制,，克服了基本果蠅優(yōu)化算法不能搜索負(fù)值空間及無(wú)法在指定的區(qū)域內(nèi)均勻搜索的缺陷,。通過(guò)混合學(xué)習(xí)嗅覺搜索策略的構(gòu)建，有效增強(qiáng)并合理平衡算法的全局探索與局部開發(fā),。此外,，通過(guò)視覺實(shí)時(shí)更新策略的引入，提升了算法的搜索效率及加速了算法的收斂速度,。以7自由度冗余機(jī)械臂的逆運(yùn)動(dòng)學(xué)求解為例展開對(duì)比試驗(yàn)分析,，結(jié)果表明所提出算法在尋優(yōu)速度、精度以及結(jié)果穩(wěn)定性等方面明顯優(yōu)于對(duì)比算法,，說(shuō)明該方法能夠有效解決冗余機(jī)械臂的逆運(yùn)動(dòng)學(xué)問題,。

摘要:設(shè)計(jì)了一種由壓電作動(dòng)器驅(qū)動(dòng)的微操作機(jī)構(gòu),。基于柔順機(jī)構(gòu)原理設(shè)計(jì)了橋式位移放大機(jī)構(gòu),，以改善壓電作動(dòng)器的輸出位移,。利用偽剛體法和Euler-Bernoulli柔性梁理論建立微操作機(jī)構(gòu)的靜力學(xué)模型，并通過(guò)Lagrange方法推導(dǎo)出其動(dòng)力學(xué)方程,，進(jìn)而獲得機(jī)構(gòu)的自然頻率,。借助于差分進(jìn)化算法進(jìn)行柔性鉸鏈幾何尺寸優(yōu)化，并與計(jì)算機(jī)有限元仿真分析進(jìn)行交叉驗(yàn)證,。最后,，實(shí)驗(yàn)驗(yàn)證了所提出微操作機(jī)構(gòu)能夠獲得位移放大倍數(shù)為9.8和行程為180μm；在基于觀測(cè)器PID控制下,，機(jī)構(gòu)位移均方根誤差和最大位移誤差分別為0.071,、0.128μm。本文提出的微操作機(jī)構(gòu)具有精度高,、魯棒性強(qiáng)的運(yùn)動(dòng)效果,。