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:生豬養(yǎng)殖業(yè)是我國畜牧業(yè)的重要組成部分，持續(xù)增長的養(yǎng)殖規(guī)模對(duì)養(yǎng)殖裝備性能要求不斷提升，目前我國生豬養(yǎng)殖業(yè)正處于智慧畜牧業(yè)初級(jí)階段,，自動(dòng)化裝備已得到廣泛應(yīng)用，智能化設(shè)備正在持續(xù)發(fā)展,。本文分析了當(dāng)前生豬養(yǎng)殖業(yè)中常用的自動(dòng)化裝備和技術(shù),，從其在欄體、飼喂,、環(huán)境控制以及糞污處理方面的技術(shù)手段,，不同裝備的優(yōu)缺點(diǎn)與適用場(chǎng)景進(jìn)行對(duì)比分析；基于當(dāng)前發(fā)展進(jìn)程對(duì)生豬養(yǎng)殖新階段的智能裝備和技術(shù)進(jìn)行闡述,，結(jié)合智能感知,、物聯(lián)網(wǎng)、云計(jì)算等技術(shù)對(duì)已有的智能飼喂,、環(huán)控裝備進(jìn)行分析，并闡述了人工智能技術(shù)在生豬養(yǎng)殖設(shè)備中的應(yīng)用,，包括機(jī)器視覺與語音處理技術(shù)在生豬養(yǎng)殖智能檢測(cè)系統(tǒng)中的應(yīng)用,，以及機(jī)器人技術(shù)替代人工進(jìn)行養(yǎng)殖作業(yè)的發(fā)展。最后總結(jié)了當(dāng)前生豬自動(dòng)化養(yǎng)殖裝備發(fā)展的研究重點(diǎn),，并展望了生豬自動(dòng)化,、智能化裝備研究的發(fā)展趨勢(shì),。

摘要:為解決東北稻區(qū)秸稈全量還田條件下,，現(xiàn)有驅(qū)動(dòng)式攪漿機(jī)存在動(dòng)力消耗大、嚴(yán)重破壞土壤結(jié)構(gòu)并使得秸稈漂浮等問題,，設(shè)計(jì)了一種無驅(qū)動(dòng)式自動(dòng)調(diào)平水田埋稈起漿整地機(jī),，機(jī)具前排星形耙片細(xì)碎土壤并掩埋秸稈，后排軋滾進(jìn)一步碎土埋稈,，平地裝置平整地表,，由電液控制系統(tǒng)實(shí)現(xiàn)自動(dòng)調(diào)平，能夠?yàn)樗静逖碜鳂I(yè)創(chuàng)造優(yōu)良地塊條件,。通過理論分析和優(yōu)化設(shè)計(jì),，確定了優(yōu)化后星形耙片的各項(xiàng)結(jié)構(gòu)參數(shù)和排列方式；設(shè)計(jì)了帶有齒板和刀齒的軋滾,，傾斜布置的齒板和直立的刀齒分別對(duì)土壤進(jìn)行橫向與縱向的滑切,，可提高碎土埋稈效果；改進(jìn)設(shè)計(jì)了平地板,，〖JP2〗確定了板高為150mm,，并針對(duì)前進(jìn)速度、板寬,、推壓角開展了仿真試驗(yàn),，得到最優(yōu)工作參數(shù)為：前進(jìn)速度2.4km/h、板寬290mm,、推壓角44°,；采用中心不動(dòng)法的調(diào)平策略，設(shè)計(jì)了基于傾角傳感器和PID算法的自動(dòng)調(diào)平電液控制系統(tǒng),，實(shí)現(xiàn)了自動(dòng)調(diào)平系統(tǒng)的快速平穩(wěn)控制,。田間試驗(yàn)結(jié)果表明，整機(jī)作業(yè)后地表平整度為0.73cm,，秸稈覆蓋率為91.4%,，壓茬深度為5.98cm，泥漿度為1.18g/cm3,，機(jī)具各項(xiàng)指標(biāo)均優(yōu)于國家標(biāo)準(zhǔn),，該設(shè)計(jì)可為東北稻區(qū)秸稈全量還田條件下水整地機(jī)具研究提供參考。

摘要:針對(duì)機(jī)器視覺獲取種子空間分布信息時(shí),，傳統(tǒng)開溝器作業(yè)過程中，種子落入種床后,，土壤快速回落覆蓋種子,，導(dǎo)致種床中種子原始圖像采集困難的問題，設(shè)計(jì)了一種開溝延時(shí)回土裝置,，通過導(dǎo)土裝置,、壓種裝置和回土裝置的配合作業(yè)，延長土壤回落時(shí)間,，形成有利于原始圖像采集的避讓空間,，并在圖像采集完畢后將泛起土壤推回種床，保證土壤回填率,，達(dá)到延時(shí)回土的目的,。通過理論分析確定導(dǎo)土裝置、回土裝置等關(guān)鍵裝置結(jié)構(gòu)參數(shù),。以開溝速度,、開溝深度、回土板轉(zhuǎn)角為試驗(yàn)因素,，開展土壤回填率離散元仿真試驗(yàn),，確定最優(yōu)作業(yè)參數(shù)為開溝速度1.6m/s、開溝深度30mm,、回土板轉(zhuǎn)角40°,。在最優(yōu)參數(shù)組合下，進(jìn)行土壤回填率田間試驗(yàn)和種子圖像采集田間試驗(yàn),。結(jié)果表明,，開溝延時(shí)回土裝置土壤回填率為96.5%，開溝延時(shí)回土裝置較未安裝回土裝置的開溝器土壤回填率提升39.6個(gè)百分點(diǎn),；工業(yè)相機(jī)可以在導(dǎo)土裝置形成的避讓空間中采集到種床中種子的原始圖像,。試驗(yàn)結(jié)果表明，設(shè)計(jì)的結(jié)構(gòu)可以有效避免回落土壤對(duì)圖像采集的影響,，并保證土壤回填率,，實(shí)現(xiàn)了種床中種子圖像的采集，為計(jì)算機(jī)視覺技術(shù)檢測(cè)播種作業(yè)質(zhì)量奠定了基礎(chǔ),。

摘要:為實(shí)現(xiàn)農(nóng)業(yè)機(jī)械全田塊高效自主作業(yè),，提出一種增益系數(shù)自適應(yīng)的Stanley模型路徑跟蹤算法。以橫向偏差和航向偏差為輸入變量構(gòu)建隸屬度函數(shù),，設(shè)計(jì)模糊推理和解模糊化過程實(shí)時(shí)確定控制模型增益系數(shù),，提高Stanley模型對(duì)不同曲率路徑的自適應(yīng)能力。為驗(yàn)證所提算法有效性,，以移動(dòng)小車為平臺(tái)開展聯(lián)合收獲機(jī)回字形全田塊自主作業(yè)路徑跟蹤試驗(yàn),，結(jié)果表明所提算法顯著改善Stanley模型路徑跟蹤精度，直線作業(yè)速度2.5m/s,、轉(zhuǎn)彎速度1m/s時(shí),，直線段和曲線段最大跟蹤誤差均小于3cm。大初始橫向偏差路徑跟蹤試驗(yàn)表明,，模糊Stanley模型較Stanley模型大幅度減小路徑跟蹤上線距離,，滿足農(nóng)業(yè)機(jī)械全田塊高效自動(dòng)導(dǎo)航作業(yè)要求。

摘要:針對(duì)傳統(tǒng)油菜精量直播機(jī)多采用被動(dòng)式地輪驅(qū)動(dòng)排種器，高速時(shí)地輪易打滑,，導(dǎo)致漏播,、斷條等現(xiàn)象，影響高速作業(yè)精量播種效果,，且手動(dòng)變速箱調(diào)整播量難以實(shí)現(xiàn)播種粒距,、播量的精準(zhǔn)調(diào)節(jié)等問題，設(shè)計(jì)了一種以STM32為主控器,，通過藍(lán)牙模塊與手機(jī)端微信小程序進(jìn)行實(shí)時(shí)數(shù)據(jù)交互的油菜隨速播種控制系統(tǒng),。該系統(tǒng)采用地輪編碼器和北斗接收器兩種模式分別獲取拖拉機(jī)低速和中高速作業(yè)時(shí)的前進(jìn)速度，主控器分析各傳感器數(shù)據(jù)并生成電機(jī)控制指令驅(qū)動(dòng)閉環(huán)步進(jìn)電機(jī)帶動(dòng)排種軸轉(zhuǎn)動(dòng),，實(shí)現(xiàn)排種軸轉(zhuǎn)速與拖拉機(jī)前進(jìn)速度匹配及無級(jí)播量調(diào)節(jié),；同時(shí)利用微信小程序設(shè)置目標(biāo)粒距、傳動(dòng)比,、地輪直徑等參數(shù)以適用于不同類型播種機(jī),，并顯示總播量、播種面積等關(guān)鍵參數(shù)；分析得出吸附種子臨界負(fù)壓為1477Pa,，切換測(cè)速方式臨界速度為3.7km/h,，測(cè)速范圍為1.44~12.77km/h，電機(jī)調(diào)速頻率為5Hz,。臺(tái)架試驗(yàn)結(jié)果表明：隨速播種控制系統(tǒng)播種性能優(yōu)于恒定轉(zhuǎn)速播種,，播種速度2.6~7.8km/h時(shí)粒距合格指數(shù)大于87%。田間試驗(yàn)結(jié)果表明：本系統(tǒng)搭載一器雙行正負(fù)氣壓組合式油菜精量排種器在作業(yè)速度為1.44~7.99km/h時(shí)播量誤差小于3.9%,、粒距合格率不低于84%,，滿足隨速播種要求。

摘要:針對(duì)華北一年兩熟區(qū)玉米根茬地小麥免耕播種機(jī)作業(yè)時(shí)存在開溝器易堵塞、通過性差等問題,，提出精準(zhǔn)對(duì)行避茬的方法,，設(shè)計(jì)一種小麥免耕播種機(jī)雙導(dǎo)軌滑移式調(diào)偏系統(tǒng)。通過理論分析構(gòu)建調(diào)偏橫移機(jī)構(gòu)的下懸掛臂力矩平衡,、偏移距離及液壓缸受力平衡方程,，確定影響調(diào)偏橫移機(jī)構(gòu)提升性能與調(diào)偏性能的關(guān)鍵因素。調(diào)偏控制系統(tǒng)運(yùn)用臨界比例度法對(duì)PID控制進(jìn)行參數(shù)整定,，通過土槽試驗(yàn)平臺(tái)對(duì)調(diào)偏控制系統(tǒng)的性能進(jìn)行驗(yàn)證,，超調(diào)量全部小于5%，平均響應(yīng)穩(wěn)態(tài)誤差小于3mm,，移動(dòng)響應(yīng)時(shí)間為2.8s,。田間試驗(yàn)結(jié)果表明，當(dāng)行間秸稈覆蓋量,、作業(yè)速度逐漸增大時(shí),，小麥免耕播種機(jī)的縱向調(diào)整距離和播種均勻性變異系數(shù)隨之逐漸增大，避茬率逐漸減小,，即當(dāng)免耕播種機(jī)作業(yè)速度小于等于1.4m/s,，行間秸稈覆蓋量小于等于1.5kg/m2時(shí)，避茬率大于等于90%,，縱向調(diào)整距離小于等于2.5m,，小麥播種均勻性變異系數(shù)小于等于26.75%，可滿足小麥免耕播種機(jī)的調(diào)偏作業(yè)要求,。

摘要:現(xiàn)有的大型噴桿噴霧機(jī)的噴桿大多采用傳統(tǒng)桁架結(jié)構(gòu)，隨著噴桿長度的增加,，配套機(jī)構(gòu),、設(shè)計(jì)復(fù)雜度及整機(jī)質(zhì)量相應(yīng)增加，整機(jī)質(zhì)量大,，農(nóng)田中行走的通過性差，陷車風(fēng)險(xiǎn)高,；噴桿平衡控制難度加大,，降低了整機(jī)的可靠性和便利性；特別是在水田噴施作業(yè)中,，大型噴桿噴霧機(jī)的功能受到很大限制,。本文提出了一種旋翼懸浮式噴桿，分別融合地面機(jī)械高續(xù)航,、載重大和空中無人機(jī)作業(yè)靈活,、受地形地貌限制小的優(yōu)點(diǎn)，并設(shè)計(jì)了自動(dòng)調(diào)平控制系統(tǒng)以實(shí)現(xiàn)噴霧機(jī)噴桿在噴施作業(yè)過程中保持水平姿態(tài),。分析了噴桿的受力情況,，對(duì)自動(dòng)調(diào)平控制系統(tǒng)進(jìn)行了辨識(shí)和建模，采用“陀螺儀+激光雷達(dá)”進(jìn)行雙傳感器融合控制的方式,，開展了旋翼懸浮式噴桿自動(dòng)調(diào)平控制算法的仿真試驗(yàn),、臺(tái)架試驗(yàn)和田間試驗(yàn)。試驗(yàn)結(jié)果表明：采用雙傳感器融合的模糊PID控制算法優(yōu)于單傳感器的角度PID控制算法,，可較好地避免出現(xiàn)失穩(wěn)狀態(tài),；在田間試驗(yàn)中，當(dāng)噴桿進(jìn)入穩(wěn)定狀態(tài)后,，整根噴桿各點(diǎn)離地高度均值在1.4~1.5m之間,，標(biāo)準(zhǔn)差不大于0.1027m，具有較好的水平度,；所采集的10個(gè)不同時(shí)刻噴桿各點(diǎn)高度均值的變異系數(shù)為1.40%,，說明噴桿懸浮高度的穩(wěn)定性較好。該研究驗(yàn)證了旋翼懸浮式噴桿作業(yè)方法的可行性,。

摘要:針對(duì)玉米中后期封行后高地隙植保機(jī)難以下田、傳統(tǒng)植保無人機(jī)霧滴穿透性差導(dǎo)致病蟲害難以防控等問題,，本文將脈沖煙霧機(jī)的熱力霧化和低量噴霧技術(shù)與高效率的植保無人機(jī)進(jìn)行結(jié)合,，提出了植保無人機(jī)搭載熱霧噴施系統(tǒng)的植保作業(yè)方案，設(shè)計(jì)了熱霧噴施管路與遙控作業(yè)系統(tǒng),，并開展了灌漿期玉米植保作業(yè)試驗(yàn),。以清水代替農(nóng)藥進(jìn)行噴霧作業(yè)，在試驗(yàn)區(qū)域設(shè)置水平和垂直采樣點(diǎn),，通過水敏試紙收集沉積在各采樣點(diǎn)的霧滴,，并利用霧滴分析軟件測(cè)出熱霧植保無人機(jī)霧滴在不同采樣區(qū)域的沉積分布結(jié)果。試驗(yàn)結(jié)果表明：噴霧區(qū)域采樣范圍-2~6m的霧滴粒徑和霧滴密度分布差異較為明顯,，在距噴口0~2m水平位置霧滴較為集中,，垂直方向玉米冠層至底層的霧滴粒徑和密度依次減小，整個(gè)采樣區(qū)域內(nèi)霧滴密度均超過20個(gè)/cm2,。霧滴覆蓋率和沉積量總體變化趨勢(shì)一致,，其中，距噴口前方1m位置各垂直采樣層葉片正面的霧滴覆蓋率均取到最大值,，從上層到地表依次為18.02%,、13.48%、4.37%和2.11%,，冠層葉片正面霧滴沉積量在此區(qū)域也達(dá)到最大值,，為0.36μL/cm2，整體上葉片正面的霧滴覆蓋率和霧滴沉積量均大于同位置葉片反面數(shù)值,。此外,，除少數(shù)采樣點(diǎn)位置因霧滴重疊、黏連導(dǎo)致霧滴譜寬度大于2μm以外,，其他采樣點(diǎn)的數(shù)據(jù)均符合低容量噴灑條件下霧滴譜寬度小于等于2.0μm的技術(shù)指標(biāo),。該研究可為熱霧植保無人機(jī)在玉米等高稈作物中后期植保作業(yè)的參數(shù)優(yōu)化和使用提供參考依據(jù)。

摘要:針對(duì)缺少系統(tǒng)測(cè)試播種機(jī)關(guān)鍵部件運(yùn)行參數(shù)和性能指標(biāo)測(cè)試平臺(tái)的問題，設(shè)計(jì)了一種播種機(jī)關(guān)鍵部件性能測(cè)試平臺(tái),，闡述了該平臺(tái)的工作過程,，確定了其種肥量檢測(cè)系統(tǒng)、氣流供給與檢測(cè)模塊,、地輪驅(qū)動(dòng)模塊,、三點(diǎn)懸掛模塊,、液壓動(dòng)力模塊及顯示與控制系統(tǒng)的結(jié)構(gòu)及關(guān)鍵參數(shù)，并以Stewart類自由度并聯(lián)結(jié)構(gòu)設(shè)計(jì)了模擬地表坡度的運(yùn)動(dòng)框架,。播種機(jī)關(guān)鍵部件性能測(cè)試平臺(tái)空載和各系統(tǒng)模塊工作性能測(cè)試試驗(yàn)結(jié)果表明：該平臺(tái)可實(shí)現(xiàn)排種與排肥過程中8路導(dǎo)種管和導(dǎo)肥管內(nèi)種肥排出信號(hào)及種肥質(zhì)量檢測(cè),，可提供排種軸與排肥軸轉(zhuǎn)速為20～120r/min時(shí)，高速氣送式排種與排肥所需流量為1.6992～2.5575m3/h的輸送氣流,，并可測(cè)試排種與排肥環(huán)節(jié)氣流壓力與流量,、播種機(jī)傳動(dòng)系統(tǒng)轉(zhuǎn)速與轉(zhuǎn)矩；通過運(yùn)動(dòng)框架可模擬-5°～5°地表坡度中地表不平對(duì)播種機(jī)排種性能的影響,，運(yùn)動(dòng)框架設(shè)置的傾斜角度與角度傳感器測(cè)定的傾斜角度偏差率為0～0.25%,、往復(fù)擺動(dòng)角度偏差率為0～0.275%，平臺(tái)運(yùn)行穩(wěn)定,，滿足不同排量的排種與排肥性能測(cè)試要求,。

摘要:針對(duì)油莎豆種子表面凹凸不平、形狀不規(guī)則導(dǎo)致的流動(dòng)性差,，種群壓實(shí)導(dǎo)致充種性能不佳和每穴3粒種子投種時(shí)軸向分散等問題,，設(shè)計(jì)了一種組合孔內(nèi)充式油莎豆排種器。對(duì)復(fù)式型孔的外孔和內(nèi)孔長度進(jìn)行了設(shè)計(jì),，提高了充填性能,；基于最速降線原理設(shè)計(jì)了回流板曲面，理論分析了回流板上端傾角范圍,、安裝位置及種子在回流板上運(yùn)動(dòng)情況,；分析了種子與強(qiáng)制排種裝置碰撞過程，設(shè)計(jì)優(yōu)化了強(qiáng)制排種裝置,。利用EDEM仿真分析了種群回流運(yùn)動(dòng)過程和強(qiáng)制排種過程,，探明了回流板種群運(yùn)動(dòng)過程，得出在傾斜角為32°的回流板安放位置回流效果較好,，表明回流板可以增強(qiáng)種群流動(dòng)性,，避免種群堆積；分析證明了強(qiáng)制排種裝置可提高排種器的集穴效果,，實(shí)現(xiàn)3粒投種一致性,。最后進(jìn)行了投種一致性高速攝影試驗(yàn)、排種輪單排孔排種試驗(yàn),、雙因素試驗(yàn)和集穴試驗(yàn),，通過高速攝影分析了油莎豆種子位移及速度變化規(guī)律,，其結(jié)果與數(shù)值模擬基本一致，從排種輪單排孔排種試驗(yàn)得出3排型孔排種合格率差異不顯著,，雙因素試驗(yàn)得出在復(fù)式型孔內(nèi)孔長度為8mm,、轉(zhuǎn)速為20r/min條件下，排種器合格指數(shù),、漏播指數(shù),、重播指數(shù)可達(dá)96.4%、1.5%和2.1%,。在較優(yōu)內(nèi)窩孔長度和回流板條件下進(jìn)行集穴試驗(yàn),，試驗(yàn)結(jié)果表明在轉(zhuǎn)速為10、20r/min時(shí)集穴效果最佳,。

摘要:為了實(shí)現(xiàn)蔬菜移栽機(jī)取投苗的穩(wěn)定性和高效性,，針對(duì)夾缽取投苗方式,，設(shè)計(jì)了一種全自動(dòng)曲柄搖桿-導(dǎo)軌組合式取投苗裝置。取投苗裝置與送盤裝置,、導(dǎo)苗裝置及分苗裝置配合完成自主送盤,、取苗、投苗與分苗,。用解析法對(duì)取投苗裝置中的擺桿-導(dǎo)軌及曲柄搖桿進(jìn)行了結(jié)構(gòu)參數(shù)設(shè)計(jì),，用矢量方程法和ADAMS仿真對(duì)取投苗裝置的運(yùn)動(dòng)過程進(jìn)行計(jì)算分析，并利用高速攝像機(jī)拍攝取投苗裝置的實(shí)際運(yùn)動(dòng)軌跡,，與仿真結(jié)果進(jìn)行對(duì)比,，驗(yàn)證了設(shè)計(jì)的正確性和可行性。以辣椒缽苗為試驗(yàn)對(duì)象,，選取取投苗速度,、苗株高度及基質(zhì)含水率為試驗(yàn)因素，以取苗成功率,、傷苗率,、投苗成功率及取栽成功率為評(píng)價(jià)指標(biāo)進(jìn)行正交試驗(yàn)。試驗(yàn)結(jié)果表明：在給定因素水平下,，整機(jī)單行取投苗速度90株/min,、苗株高度110mm、基質(zhì)含水率50%時(shí),，取投苗效果最佳,，取苗成功率為95.14%,，傷苗率為1.39%，投苗成功率93.05%,，取栽成功率91.67%,。

摘要:為了提高自動(dòng)移栽機(jī)移栽效率,，設(shè)計(jì)一種雙排移栽機(jī)械手聯(lián)動(dòng)式高速移栽裝置。利用安裝在兩個(gè)移栽臂上的雙排移栽機(jī)械手交替取苗和栽苗的方法,，采用聯(lián)動(dòng)控制方式使移栽效率翻倍,。通過優(yōu)化移栽機(jī)械臂和移栽機(jī)械手結(jié)構(gòu)，并對(duì)其關(guān)鍵部件進(jìn)行參數(shù)設(shè)計(jì)和運(yùn)動(dòng)學(xué)分析,，綜合考慮影響移栽成功率的關(guān)鍵因素,，確定穴盤苗苗坨含水率、苗齡,、爪針限位孔中心距為試驗(yàn)因素,，以200穴歐石竹穴盤苗為試驗(yàn)對(duì)象，進(jìn)行單因素試驗(yàn)和多因素正交試驗(yàn),，確定雙排移栽機(jī)械手聯(lián)動(dòng)式高速移栽裝置的最佳工作參數(shù)。試驗(yàn)結(jié)果表明：當(dāng)穴盤苗苗坨含水率為32.6%,、苗齡為46d,、爪針限位孔中心距為16.7mm時(shí)，取苗成功率為94.7%,，與軟件計(jì)算結(jié)果94.2%接近,，符合花卉、蔬菜移栽作業(yè)的技術(shù)要求,。

摘要:針對(duì)我國大白菜收獲機(jī)械化水平低,、配套技術(shù)與裝備缺乏的現(xiàn)狀,，在分析大白菜主要種植模式和機(jī)械化收獲要求的基礎(chǔ)上，對(duì)大白菜機(jī)械化收獲關(guān)鍵技術(shù)進(jìn)行了研究,，確定了先切根再夾持導(dǎo)向,、輸送的機(jī)械化收獲方案,，并設(shè)計(jì)了一種適合我國南方地區(qū)田間作業(yè)的履帶自走式單行大白菜收獲機(jī)。該收獲機(jī)主要由切割裝置,、夾持導(dǎo)向裝置,、傾斜輸送裝置、水平輸送裝置,、收集裝置,、液壓傳動(dòng)系統(tǒng)等關(guān)鍵部件組成，可一次性完成大白菜的切根,、夾持導(dǎo)向,、輸送與裝箱等收獲作業(yè)。為了獲得該機(jī)的良好作業(yè)性能,，對(duì)各關(guān)鍵裝置和部件進(jìn)行了理論計(jì)算與分析,，并進(jìn)行了樣機(jī)試制和田間性能試驗(yàn)。田間試驗(yàn)結(jié)果表明,，當(dāng)機(jī)器前進(jìn)速度約為0.30m/s,，切根裝置、夾持導(dǎo)向裝置以及夾持導(dǎo)向裝置的液壓馬達(dá)驅(qū)動(dòng)轉(zhuǎn)速分別設(shè)置為300,、300,、175r/min時(shí)，該大白菜收獲機(jī)平均生產(chǎn)率達(dá)0.11hm2/h,，平均切根合格率為93.40%,，平均夾持成功率為95.86%，平均輸送成功率為100%,，平均作業(yè)損失率為7.84%,，收獲機(jī)各關(guān)鍵部件工作穩(wěn)定，收獲效果較好,，基本滿足大白菜的機(jī)械化收獲要求,。

摘要:針對(duì)油菜薹機(jī)械化收獲裝備匱乏的問題,，設(shè)計(jì)了一種龍門式電驅(qū)動(dòng)油菜薹收獲機(jī)，實(shí)現(xiàn)油菜薹切割,、夾拋,、輸送、收集、跨廂面遙控自走功能,。闡述了收獲機(jī)整機(jī)設(shè)計(jì)方案,，設(shè)計(jì)了立式回轉(zhuǎn)夾拋切割裝置，確定了分禾器,、割刀和夾拋輥結(jié)構(gòu)參數(shù),；通過割臺(tái)夾拋過程力學(xué)與運(yùn)動(dòng)學(xué)分析，明確了油菜薹切割,、夾拋輸送作業(yè)影響因素,，確定了割刀、夾拋輥結(jié)構(gòu)和運(yùn)動(dòng)學(xué)要求,；搭建油菜薹收獲試驗(yàn)臺(tái),，以切割效果、輸送效果為評(píng)價(jià)指標(biāo)開展單因素試驗(yàn)和正交試驗(yàn),，結(jié)果表明當(dāng)割刀轉(zhuǎn)速為234r/min,、夾拋輥轉(zhuǎn)速為120r/min、喂入速度（機(jī)具前進(jìn)速度）為0.56m/s時(shí)綜合收獲效果最佳,。田間收獲驗(yàn)證試驗(yàn)表明,設(shè)計(jì)的收獲機(jī)作業(yè)效率可達(dá)到0.41hm2/h,，綜合切割效果為95.6%，綜合輸送效果為95.2%,，滿足油菜薹收獲要求,。該研究可為油菜薹機(jī)械化收獲裝備的結(jié)構(gòu)設(shè)計(jì)優(yōu)化提供參考。

摘要:針對(duì)紅花采收機(jī)械存在的花絲破碎率高,，采收效果差的問題,，基于低速對(duì)切與分段切割的設(shè)計(jì)思想，研究設(shè)計(jì)了一種紅花采收機(jī)雙動(dòng)對(duì)切式末端執(zhí)行器,，利用雙動(dòng)刀和多工作段凸輪實(shí)現(xiàn)低速夾持切割與分段作業(yè)。構(gòu)建刀具-花絲切割力學(xué)模型,，對(duì)切割過程進(jìn)行理論分析,，確定影響末端執(zhí)行器性能的關(guān)鍵因素為：切刀進(jìn)給速度、刃口傾斜角和切刀刃面傾角,；并以凸輪轉(zhuǎn)速（切刀進(jìn)給速度）,、刃口傾斜角和切刀刃面傾角為試驗(yàn)因素，以花絲采凈率與花絲破碎率為評(píng)價(jià)指標(biāo),，進(jìn)行了三因素五水平二次正交旋轉(zhuǎn)組合試驗(yàn),，得到試驗(yàn)因素與評(píng)價(jià)指標(biāo)間的數(shù)學(xué)模型，對(duì)回歸模型進(jìn)行多目標(biāo)優(yōu)化,，確定最佳參數(shù)組合為：凸輪轉(zhuǎn)速27.9r/min,、刃口傾斜角16.1°,、切刀刃面傾角19.7°，對(duì)應(yīng)花絲采凈率為91.78%,，花絲破碎率為5.32%,。在最佳參數(shù)組合下進(jìn)行田間驗(yàn)證試驗(yàn)，結(jié)果表明,，花絲采凈率為91.25%,，破碎率為5.57%，與優(yōu)化結(jié)果誤差不超過5%,，表明所設(shè)計(jì)末端執(zhí)行器能實(shí)現(xiàn)花絲的低破碎率采收,。

摘要:針對(duì)鮮食大豆采收勞動(dòng)強(qiáng)度大,，人工采摘效率低,，缺少相應(yīng)收獲機(jī)械裝備等問題，結(jié)合鮮食大豆種植模式和采摘期植株物理特性,，設(shè)計(jì)了一種彈齒滾筒式鮮食大豆采摘裝置,。闡述了彈齒滾筒采摘裝置的工作原理，對(duì)采摘過程中的豆莢進(jìn)行運(yùn)動(dòng)學(xué)分析,，并對(duì)裝置關(guān)鍵部件進(jìn)行了參數(shù)設(shè)計(jì)和結(jié)構(gòu)優(yōu)化,，確定了影響作業(yè)效果的因素。通過單因素預(yù)試驗(yàn)確定了關(guān)鍵參數(shù)的范圍,，以前進(jìn)速度,、滾筒轉(zhuǎn)速、割臺(tái)高度為試驗(yàn)因素,，以掉落率,、掛枝率、破損率為試驗(yàn)指標(biāo)進(jìn)行三因素五水平二次正交旋轉(zhuǎn)中心組合試驗(yàn),，建立了試驗(yàn)因素與試驗(yàn)指標(biāo)間的數(shù)學(xué)模型,，并分析了各因素對(duì)試驗(yàn)指標(biāo)的影響。對(duì)模型進(jìn)行粒子群算法優(yōu)化,，預(yù)測(cè)最優(yōu)參數(shù)組合為：前進(jìn)速度0.43m/s,、滾筒轉(zhuǎn)速245r/min、割臺(tái)高度4cm,，對(duì)應(yīng)的掉落率,、掛枝率和破損率的預(yù)測(cè)值分別為10.6%、4.4%、5.6%,。對(duì)最優(yōu)參數(shù)組合進(jìn)行田間驗(yàn)證試驗(yàn),，結(jié)果為掉落率11.8%，掛枝率4.0%,，破損率6.1%,，試驗(yàn)結(jié)果與理論預(yù)測(cè)值的相對(duì)誤差均不高于10.1%。方差分析表明各評(píng)價(jià)指標(biāo)的實(shí)際值和預(yù)測(cè)值之間不具有顯著性差異,。研究結(jié)果可為鮮食大豆采摘裝置設(shè)計(jì)提供參考,。

摘要:針對(duì)新疆插盤食葵人工取盤收獲勞動(dòng)強(qiáng)度大,、成本高的問題，設(shè)計(jì)一種由原位脫粒裝置,、籽?；厥昭b置組成的插盤食葵原位脫粒收獲原理機(jī)?；陟o力學(xué)及運(yùn)動(dòng)學(xué)理論分析,，對(duì)擊打-刷脫組合式原位脫粒裝置進(jìn)行設(shè)計(jì)，并確定影響食葵脫粒效果的主要因素,；結(jié)合食葵籽粒特點(diǎn)初步確定氣吸式籽?；厥昭b置結(jié)構(gòu)參數(shù)，應(yīng)用離散元與流體耦合分析方式對(duì)籽?；厥昭b置進(jìn)行仿真分析,，模擬集料斗和密封收集箱的作業(yè)過程，并得到滿足籽粒收集性能的風(fēng)機(jī)作業(yè)參數(shù),。采用單因素試驗(yàn)分別確定機(jī)具作業(yè)速度,、脫粒刷轉(zhuǎn)速、擊打輥轉(zhuǎn)速的合理取值范圍,，基于單因素試驗(yàn)結(jié)果,，以機(jī)具作業(yè)速度、脫粒刷轉(zhuǎn)速,、擊打輥轉(zhuǎn)速為試驗(yàn)因素，食葵盤未脫凈率,、籽粒破損率為評(píng)價(jià)指標(biāo),，整機(jī)開展正交試驗(yàn)。試驗(yàn)結(jié)果表明，當(dāng)機(jī)具作業(yè)速度為0.3m/s,、脫粒刷轉(zhuǎn)速為130r/min,、擊打輥轉(zhuǎn)速為80r/min時(shí)，原理機(jī)工作性能最佳,，食葵盤未脫凈率,、籽粒破損率分別為7.11%、1.13%,，研究結(jié)果可為插盤食葵機(jī)械化收獲提供參考,。

摘要:半喂入聯(lián)合收獲機(jī)脫粒裝置柵格凹板分離的谷?；旌衔铮m經(jīng)抖動(dòng)板均布,，進(jìn)入清選篩后仍存在篩面兩側(cè)多中間少的問題,影響清選質(zhì)量,。為此提出了利用雙圓錐離心風(fēng)機(jī)均布篩面谷粒混合物的篩面雙側(cè)橫向氣流均布思想,。雙圓錐離心風(fēng)機(jī)工作時(shí),，具有K字形葉片葉輪的大小端之間存在風(fēng)壓差Δp，它可以產(chǎn)生橫向氣流,。根據(jù)喂入量所需的清選氣流全壓,、風(fēng)量和風(fēng)速，設(shè)計(jì)了具有K形葉片葉輪的雙圓錐離心風(fēng)機(jī),；計(jì)算了理論壓力差及其所產(chǎn)生的橫向風(fēng)速,；進(jìn)行了氣流流場(chǎng)數(shù)值模擬比較分析。經(jīng)二次旋轉(zhuǎn)正交組合模擬試驗(yàn)和多目標(biāo)優(yōu)化表明：當(dāng)葉輪大端直徑x1為308.72mm,，風(fēng)機(jī)轉(zhuǎn)速x2為1186.71r/min,、葉片錐度x3為3.12°時(shí)，最大橫向風(fēng)速va為3.26m/s,，清選損失率y1為1.08%,，籽粒含雜率y2為0.68%，指標(biāo)達(dá)到相關(guān)標(biāo)準(zhǔn)要求,，優(yōu)于現(xiàn)有機(jī)型水平（清選損失率為1.5%左右,，籽粒含雜率大于0.8%）。

摘要:針對(duì)二層及三層篩式花椒篩選機(jī)篩選擺動(dòng)頻率、篩凈率及篩選效率低等問題,，設(shè)計(jì)了四層篩式花椒篩選機(jī),，利用頂層篩與第2層篩連接、第3層篩與底層篩連接,，兩套連接裝置由偏心輪驅(qū)動(dòng)和連桿牽引擺動(dòng)時(shí)互為反向運(yùn)動(dòng),，從而減小擺動(dòng)不平衡力矩，提升篩選最高擺動(dòng)頻率,。開展了整機(jī)結(jié)構(gòu)與關(guān)鍵部件設(shè)計(jì),，機(jī)架及四層篩的振動(dòng)模態(tài)仿真，分析了機(jī)架與篩面穩(wěn)定性,、擺動(dòng)機(jī)構(gòu)參數(shù),、篩面傾角與擺角，進(jìn)行了篩選穩(wěn)定性和篩選性能試驗(yàn),。結(jié)果表明：篩選機(jī)機(jī)架,、頂層篩、第2層篩,、第3層篩和底層篩的1階振動(dòng)頻率分別為9.7,、9.9、11.7,、9.3,、9.4Hz，整機(jī)固有振動(dòng)頻率約為11.8Hz,；篩選頻率越高則最大喂入量和篩選效率越大,；篩選機(jī)擺角為2.77°、頂層及底層篩傾角分別為6.95°和8.12°時(shí),，最優(yōu)篩選頻率為9.0Hz,，最大喂入量達(dá)792kg/h，篩選效率為559kg/h,，花椒殼篩凈率和損失率分別為98.1%和3.1%,，花椒籽篩凈率和損失率分別為94.1%和4.2%。

摘要:針對(duì)傳統(tǒng)兩相流CFD-DEM模型中忽略一些次要力以及顆粒-湍流作用導(dǎo)致計(jì)算精度不高的問題,，建立了考慮Loth升力,、虛擬質(zhì)量力、壓力梯度力以及湍流調(diào)制等多種機(jī)制的全耦合模型,，分析了進(jìn)口顆粒體積分?jǐn)?shù),、輸送速度和顆粒直徑對(duì)固-液兩相流動(dòng)的影響,。研究結(jié)果表明，升力驅(qū)使顆粒向管道中心聚集,，且Loth升力比傳統(tǒng)Saffman和Magnus升力預(yù)測(cè)的顆粒分布更接近實(shí)驗(yàn)。隨著進(jìn)口顆粒體積分?jǐn)?shù)的增加,，各相的軸向速度均明顯減小,，同時(shí)顆粒對(duì)湍流的調(diào)制作用導(dǎo)致流體均方根速度降低。隨著輸送速度的增加,，顆粒在管道中心更加聚集,，而流體均方根速度快速增加。隨著顆粒直徑的增加,，顆粒在管道中的分布更加不均勻,，而對(duì)流體均方根速度的影響很小。輸送速度對(duì)壓降影響最大,，進(jìn)口顆粒體積分?jǐn)?shù)次之,，顆粒直徑對(duì)其影響最小。

摘要:針對(duì)現(xiàn)有監(jiān)測(cè)方式難以大面積準(zhǔn)確監(jiān)測(cè)植株個(gè)體水分狀況，且獼猴桃果園的郁閉性導(dǎo)致根域土壤含水率（Root domain soil water content,，RSWC）監(jiān)測(cè)方法匱乏的問題,，使用多層感知機(jī)（Multi-layer perceptron，MLP）和冠層植被指數(shù)來預(yù)測(cè)果實(shí)膨大期（5—9月）徐香獼猴桃植株40cm深度的RSWC,。在MLP訓(xùn)練數(shù)據(jù)的預(yù)處理中,，采用Pearson相關(guān)系數(shù)作為輸入（植被指數(shù)）與輸出（RSWC）的相關(guān)性評(píng)價(jià)指標(biāo)，采用單因素方差分析作為輸入與輸出的顯著性評(píng)價(jià)指標(biāo),。進(jìn)一步考慮冠層采集范圍可能對(duì)模型精度造成的影響,，將數(shù)據(jù)分割為不同尺度對(duì)MLP進(jìn)行訓(xùn)練評(píng)估。結(jié)果表明,，重歸一化植被指數(shù)（Renormalized difference vegetation index,，RDVI）與RSWC具有最高的相關(guān)性與顯著性，相關(guān)系數(shù)和P分別為0.744和0.007,，該指數(shù)可以作為RSWC反演的輸入量,。對(duì)不同尺度RDVI的建模數(shù)據(jù)表明，模型精度與RDVI采樣面積A及對(duì)角線長度L有著較強(qiáng)的相關(guān)性（R2分別為0.991和0.993）,，為了使模型精度最大化,，采樣面積應(yīng)在2.540~3.038m2之間,。通過使用該尺度的RDVI建立的MLP模型達(dá)到最大精度（R2為0.638，RMSE為0.016）,。本研究可為建立非接觸性獼猴桃果園土壤含水率估算方法與果園灌溉系統(tǒng)設(shè)計(jì)提供依據(jù),。

摘要:為驗(yàn)證基于花后累積地上生物量比例動(dòng)態(tài)參數(shù)（D-fG）的作物動(dòng)態(tài)收獲指數(shù)（D-HI）遙感估算方法在大范圍獲取作物收獲指數(shù)空間信息的可行性和有效性，以我國黃淮海平原河北省衡水市為研究區(qū),，以冬小麥為研究對(duì)象,，在前期田間冠層尺度確定作物收獲指數(shù)估算敏感波段中心和最大波段寬度基礎(chǔ)上，利用哨兵-2A(Sentinel-2A)遙感模擬反射率數(shù)據(jù)及其真實(shí)遙感數(shù)據(jù)開展基于花后累積地上生物量比例的區(qū)域冬小麥?zhǔn)斋@指數(shù)遙感估算研究,。在基于不同波段組合Sentinel-2A遙感模擬數(shù)據(jù)篩選出的冬小麥動(dòng)態(tài)收獲指數(shù)估算最優(yōu)波段信息基礎(chǔ)上,，利用Sentinel-2A影像數(shù)據(jù)實(shí)現(xiàn)區(qū)域作物收獲指數(shù)空間信息準(zhǔn)確獲取。結(jié)果表明,，在Sentinel-2A多光譜遙感模擬反射率波段λ1（672~680nm）和λ2（855~875nm）條件下,，基于D-fG遙感參數(shù)信息的D-HI估測(cè)精度最高，其中,，均方根誤差（RMSE）,、歸一化均方根誤差（NRMSE）和平均相對(duì)誤差（MRE）分別為0.0404、10.83%,、9.56%,，證明Sentinel-2A衛(wèi)星遙感數(shù)據(jù)在冬小麥?zhǔn)斋@指數(shù)估算中具有一定應(yīng)用潛力。同時(shí),，在估測(cè)D-HI精度最高的模擬遙感數(shù)據(jù)波段信息基礎(chǔ)上,，基于Sentinel-2A衛(wèi)星遙感紅光和窄近紅外波段組合的灌漿期不同階段和成熟期D-HI估測(cè)區(qū)域總體驗(yàn)證精度指標(biāo)RMSE、NRMSE和MRE分別為0.0502,、13.81%,、12.00%。上述結(jié)果表明基于Sentinel-2A衛(wèi)星數(shù)據(jù)和花后累積地上生物量比例的作物動(dòng)態(tài)收獲指數(shù)遙感估算方法在大范圍D-HI空間信息獲取中具有一定可行性和有效性,，為基于寬波段多光譜衛(wèi)星遙感數(shù)據(jù)的大范圍作物動(dòng)態(tài)收獲指數(shù)空間信息準(zhǔn)確獲取提供一定技術(shù)方法借鑒,。

摘要:玉米籽粒構(gòu)成和精細(xì)結(jié)構(gòu)與玉米產(chǎn)量及品質(zhì)直接相關(guān),。本文提出一種基于CT圖像的玉米籽粒三維結(jié)構(gòu)自動(dòng)測(cè)量方法，快速提取,、統(tǒng)計(jì)玉米籽粒成分和結(jié)構(gòu)性狀,，評(píng)估不同玉米品種籽粒間性狀差異,。首先，利用Micro-CT獲取批量玉米籽粒CT圖像,，通過Watershed算法準(zhǔn)確分割出單顆籽粒,；進(jìn)而，設(shè)計(jì)基于注意力機(jī)制RAUNet-3D網(wǎng)絡(luò)準(zhǔn)確提取出籽粒胚,；最后,，建立自動(dòng)化玉米籽粒表型管道，計(jì)算籽粒,、胚、胚乳和空腔的共23項(xiàng)性狀,，用于玉米籽粒性狀分析和品種鑒定,。選取4個(gè)玉米品種籽粒（登海605、京科968,、先正達(dá)408和農(nóng)華5號(hào)）共120顆籽粒進(jìn)行驗(yàn)證,，結(jié)果表明籽粒CT掃描成像效率提高到1min/粒，籽粒表型提取效率為10s/粒,，胚分割精度可達(dá)93.4%,，粒長、粒寬和粒厚的R2分別為0.902,、0.926和0.904,，籽粒品種分類精度達(dá)90.4%。本文方法實(shí)現(xiàn)了玉米籽粒及其胚,、胚乳,、空腔三維結(jié)構(gòu)無損、快速測(cè)量,，提取的性狀能夠表征不同玉米品種籽粒間表型差異,，為開展大規(guī)模玉米籽粒三維表型鑒定奠定了基礎(chǔ)。

摘要:體質(zhì)量是評(píng)價(jià)家禽生長狀況的關(guān)鍵指標(biāo)，但家禽姿態(tài)的變化會(huì)影響體質(zhì)量估測(cè)精度,。本研究提出了一種SE-ResNet18+fLoss網(wǎng)絡(luò)對(duì)平養(yǎng)模式下黃羽雞姿態(tài)關(guān)鍵幀進(jìn)行識(shí)別,，融合了注意力機(jī)制SE模塊和殘差結(jié)構(gòu)，并改進(jìn)了損失函數(shù),，通過Focal Loss監(jiān)督信號(hào)來解決樣本不平衡問題,，同時(shí)引入梯度加權(quán)類激活圖對(duì)末端分類規(guī)則的合理性進(jìn)行解釋,。利用4295幅雞只圖像構(gòu)建數(shù)據(jù)集，測(cè)試集中雞只的站立,、低頭,、展翅、梳理羽毛,、坐姿和遮擋6類姿態(tài)情況識(shí)別的F1值分別為94.34%,、91.98%、76.92%,、93.75%,、100%和93.68%；黃羽雞姿態(tài)關(guān)鍵幀的識(shí)別精確率為97.38%,、召回率為97.22%,、F1值為97.26%、識(shí)別速度為19.84f/s,，識(shí)別精度,、召回率和F1值均優(yōu)于ResNet18、MobileNet18 V2和SE-ResNet18網(wǎng)絡(luò),，在提高黃羽雞姿態(tài)關(guān)鍵幀識(shí)別精度的同時(shí)保證了實(shí)時(shí)性,，為準(zhǔn)確估測(cè)家禽體質(zhì)量提供了技術(shù)支持。

摘要:群養(yǎng)生豬行為的識(shí)別與跟蹤是智能養(yǎng)殖中監(jiān)測(cè)豬只健康的關(guān)鍵技術(shù)。為在豬只重疊與遮擋復(fù)雜場(chǎng)景中,，實(shí)現(xiàn)群養(yǎng)生豬行為識(shí)別與穩(wěn)定跟蹤,，提出了改進(jìn)ByteTrack算法。首先,，采用YOLOX-X目標(biāo)檢測(cè)器實(shí)現(xiàn)群養(yǎng)生豬檢測(cè),，然后，提出改進(jìn)ByteTrack多目標(biāo)跟蹤算法,。該算法改進(jìn)包括：設(shè)計(jì)并實(shí)現(xiàn)BYTE數(shù)據(jù)關(guān)聯(lián)的軌跡插值后處理策略,，降低遮擋造成的IDs錯(cuò)誤變換，穩(wěn)定跟蹤性能,；設(shè)計(jì)適合群養(yǎng)生豬的檢測(cè)錨框,，將YOLOX-X檢測(cè)算法中的行為類別信息引入跟蹤算法中，實(shí)現(xiàn)群養(yǎng)生豬行為跟蹤。改進(jìn)ByteTrack算法的MOTA為96.1%,，IDF1為94.5%,，IDs為9，MOTP為0.189,；與ByteTrack,、DeepSORT和JDE方法相比，在MOTA與IDF1上均具有顯著提升,，并有效減少了IDs,。改進(jìn)ByteTrack算法在群養(yǎng)環(huán)境下能實(shí)現(xiàn)穩(wěn)定ID的豬只行為跟蹤，能夠?yàn)闊o接觸式自動(dòng)監(jiān)測(cè)生豬提供技術(shù)支持,。

摘要:針對(duì)球形果蔬的視覺檢測(cè)過程中存在的表面圖像獲取遺漏或重復(fù),，造成面積識(shí)別不準(zhǔn)、相關(guān)品質(zhì)特征檢測(cè)準(zhǔn)確率低的問題,，提出了一種保證圖像中球形果蔬表面各處面積比例與真實(shí)值一致的外表面投影展開算法,。首先，在果蔬樣品滾動(dòng)過程中獲取多組圖像,，裁剪其中正對(duì)相機(jī)的窄列區(qū)域進(jìn)行拼接展開,，隨后，通過相機(jī)獲取圖像方式建立幾何關(guān)系,，計(jì)算展開圖中每行像素的理論長度并進(jìn)行尺寸縮放,，得到各處面積比例符合真實(shí)值的樣品外表面投影圖像。利用標(biāo)準(zhǔn)球進(jìn)行投影算法準(zhǔn)確率驗(yàn)證,，應(yīng)用田口試驗(yàn)設(shè)計(jì)L16(34)正交試驗(yàn),，以果杯速度、裁剪寬度,、相機(jī)高度為主要影響因素衡量檢測(cè)的準(zhǔn)確度,，試驗(yàn)結(jié)果表明三因素影響均顯著，確定最優(yōu)參數(shù)為果杯速度0.40m/s,、裁剪寬度9像素,、相機(jī)高度255mm，標(biāo)準(zhǔn)球的表面積投影準(zhǔn)確率為95.47%,。以最優(yōu)參數(shù)進(jìn)行蘋果,、臍橙和番茄3種球形果蔬的表面投影試驗(yàn)，并探索不同樣品角度對(duì)投影準(zhǔn)確率的影響，3種水果檢測(cè)準(zhǔn)確率分別為84.0%,、92.2%和87.6%,，驗(yàn)證了果蔬表面二維投影算法的可行性。

摘要:針對(duì)人工測(cè)量、統(tǒng)計(jì)作物莖稈顯微切片圖像中維管束數(shù)目,、面積等關(guān)鍵參數(shù)主觀性強(qiáng),、費(fèi)時(shí)費(fèi)力、效率低的問題,，提出一種基于圖像處理的水稻莖稈截面參數(shù)自動(dòng)檢測(cè)方法,。首先構(gòu)建了一個(gè)基于改進(jìn)Mask R-CNN網(wǎng)絡(luò)的水稻莖稈切片圖像分割模型。網(wǎng)絡(luò)以MobilenetV2和殘差特征增強(qiáng)及自適應(yīng)空間融合的特征金字塔網(wǎng)絡(luò)為特征提取網(wǎng)絡(luò),，同時(shí)引入PointRend增強(qiáng)模塊,，并將網(wǎng)絡(luò)回歸損失函數(shù)優(yōu)化為IoU函數(shù)，最優(yōu)模型的F1值為91.21%,，平均精確率為94.37%,，召回率為88.25%，平均交并比為90.80%,，單幅圖像平均檢測(cè)耗時(shí)0.50s,，實(shí)現(xiàn)了水稻莖稈切片圖像中大、小維管束區(qū)域的定位,、檢測(cè)和分割,；通過邊緣檢測(cè)、形態(tài)學(xué)處理及輪廓提取,，實(shí)現(xiàn)莖稈截面輪廓的分割提取,。本文方法可實(shí)現(xiàn)對(duì)水稻莖稈截面面積、截面直徑,，大,、小維管束面積，大,、小維管束數(shù)量等6個(gè)參數(shù)的自動(dòng)檢測(cè),，檢測(cè)平均相對(duì)誤差不超過4.6%，可用于水稻莖稈微觀結(jié)構(gòu)的高通量觀測(cè),。

摘要:為更好地助力荔枝病蟲害防治工作，推進(jìn)荔枝產(chǎn)業(yè)健康發(fā)展,，本文以所收集的荔枝病蟲害圖像數(shù)據(jù)集為研究對(duì)象,，基于輕量型卷積神經(jīng)網(wǎng)絡(luò)ShuffleNetV2模型，提出一個(gè)高精度,、穩(wěn)定且適用于荔枝病蟲害的識(shí)別模型SHTNet,。首先，在ShuffleNetV2模型中引入注意力機(jī)制SimAM,，不額外增加網(wǎng)絡(luò)參數(shù)的同時(shí),，增強(qiáng)重要特征的有效提取，強(qiáng)化荔枝病蟲害特征并抑制背景特征,。其次,，在保證模型識(shí)別精度的同時(shí)，采用激活函數(shù)Hardswish減少網(wǎng)絡(luò)模型參數(shù)量,，使網(wǎng)絡(luò)更加輕量化,。最后，在改進(jìn)模型上采用遷移學(xué)習(xí)方法,，將源數(shù)據(jù)（Mini-ImageNet數(shù)據(jù)集）學(xué)習(xí)到的知識(shí)遷移到目標(biāo)數(shù)據(jù)（數(shù)據(jù)增強(qiáng)后的荔枝病蟲害圖像數(shù)據(jù)集）,，增強(qiáng)模型識(shí)別不同的荔枝病蟲害種類的適應(yīng)性。實(shí)驗(yàn)結(jié)果表明,，與原始ShuffleNetV2模型相比，本文提出的荔枝病蟲害識(shí)別模型SHTNet的準(zhǔn)確率達(dá)到84.9%,，提高8.8個(gè)百分點(diǎn),；精確率達(dá)到78.1%，提高9個(gè)百分點(diǎn),；召回率達(dá)到73.2%,，提高8.8個(gè)百分點(diǎn)；F1值達(dá)到75.8%,，提高10.2個(gè)百分點(diǎn),；且綜合性能明顯優(yōu)于ResNet34、ResNeXt50和MobileNetV3-large模型,。本文提出的荔枝病蟲害識(shí)別模型具有較高的識(shí)別精度和較強(qiáng)的泛化能力,，為荔枝病蟲害實(shí)時(shí)在線識(shí)別奠定了技術(shù)基礎(chǔ)。

摘要:針對(duì)現(xiàn)階段特征提取網(wǎng)絡(luò)當(dāng)測(cè)試樣本出現(xiàn)歪斜,、模糊,、缺損等變化時(shí)識(shí)別效果不夠理想，利用訓(xùn)練樣本擴(kuò)充,、變換,、縮放等方式改善網(wǎng)絡(luò)性能并不能動(dòng)態(tài)地滿足實(shí)際的復(fù)雜病害圖像識(shí)別任務(wù)的問題，在ResNet50中引入雙層注意力機(jī)制與通道特征提取機(jī)制,，設(shè)計(jì)基于全局特征提取的深度學(xué)習(xí)網(wǎng)絡(luò)（Global feature deep learning network,，GFDL-Net），該網(wǎng)絡(luò)包括通道特征提取子網(wǎng)絡(luò)（Squeeze and excitation net,，SE-Net）和雙注意力特征提取子網(wǎng)絡(luò)（Double feature extraction net,，DFE-Net），分別從通道空間特征提取與平面關(guān)鍵點(diǎn)特征提取兩方面改善了網(wǎng)絡(luò)的全局特征提取能力,。為了驗(yàn)證GFDL-Net的有效性,，對(duì)辣椒、馬鈴薯,、番茄等15種病害圖像加入不同角度的旋轉(zhuǎn),、色彩變換等測(cè)試，發(fā)現(xiàn)在樣本加入旋轉(zhuǎn)后與ResNet50,、BoTNet,、EfficientNet相比，平均識(shí)別準(zhǔn)確率分別高出20.05,、18.62,、21.97個(gè)百分點(diǎn)；加入明暗度,、飽和度,、對(duì)比度變換后與ResNet50、BoTNet,、 EfficientNet相比,，平均識(shí)別準(zhǔn)確率分別高出3.57、0.53,、3.98個(gè)百分點(diǎn),，而識(shí)別速度分別為ResNet50、BoTNet,、EfficientNet的4.4,、4.9、2.0倍,。試驗(yàn)證明GFDL-Net在圖像全局特征提取能力方面的改進(jìn)能有效提升網(wǎng)絡(luò)的泛化能力與魯棒性,，可將其應(yīng)用于解決變化樣本的農(nóng)作物病害識(shí)別任務(wù)中,。

摘要:花生在儲(chǔ)運(yùn)過程中極易受到各種霉菌的污染而產(chǎn)生真菌毒素,，其中以黃曲霉毒素B1（AFB1）最為常見。提出了基于嗅覺可視化技術(shù)的花生AFB1定量檢測(cè),。利用頂空固相微萃取氣相色譜-質(zhì)譜聯(lián)用技術(shù)（HS-SPEM-GC-MS）分析得到不同霉變花生的指示性揮發(fā)性物質(zhì)成分,，據(jù)此選擇12種化學(xué)染料制備特異性強(qiáng)的色敏傳感器陣列，用于采集不同霉變程度花生樣本的氣味信息,。引入遺傳算法（GA）結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）優(yōu)化預(yù)處理后的傳感器特征圖像的顏色分量,。借助支持向量回歸（SVR）構(gòu)建基于優(yōu)化特征顏色分量組合的定量模型實(shí)現(xiàn)花生AFB1的定量檢測(cè)；在此過程中,，比較網(wǎng)格搜索（GS）和麻雀搜索算法（SSA）對(duì)SVR參數(shù)的優(yōu)化性能,。研究結(jié)果顯示：SSA-SVR模型性能整體優(yōu)于GS-SVR模型性能；且基于7個(gè)特征顏色分量組合的最佳SSA-SVR模型的預(yù)測(cè)相關(guān)系數(shù)（RP）達(dá)到0.9142,，預(yù)測(cè)均方根誤差為5.6832μg/kg,，剩余預(yù)測(cè)偏差為2.3926。研究結(jié)果表明,，利用嗅覺可視化技術(shù)可實(shí)現(xiàn)花生AFB1的定量檢測(cè),。

摘要:為實(shí)現(xiàn)在復(fù)雜水體下對(duì)魚道過魚進(jìn)行監(jiān)測(cè)，提出了一種基于YOLOv5s的改進(jìn)模型,，并用TensorRT部署應(yīng)用于某水電站魚道現(xiàn)場(chǎng),。首先，針對(duì)水下圖像模糊,、目標(biāo)檢測(cè)困難的問題,，提出了將Swin Transformer（STR）作為檢測(cè)層，提升了模型對(duì)目標(biāo)的檢測(cè)能力,；其次,，針對(duì)魚群密集,、圖像信息少的問題,，將Efficient channel attention（ECA）注意力機(jī)制作為主干特征提取網(wǎng)絡(luò)C3結(jié)構(gòu)的Bottleneck，減少了計(jì)算參數(shù)并提升了檢測(cè)精度,；然后,，針對(duì)檢測(cè)目標(biāo)定位差、回歸不收斂的問題,，將Focal and efficient IOU loss（FIOU）作為模型損失函數(shù),，優(yōu)化了模型整體性能,；最后將模型部署在TensorRT框架進(jìn)行優(yōu)化，處理速度得到了大幅度提升,?；趯?shí)際采集的復(fù)雜水體數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，結(jié)果表明,，本文算法mAP為91.9%,，單幅圖像處理時(shí)間為10.4ms，在相同條件下,，精度比YOLOv5s提升4.8個(gè)百分點(diǎn),，處理時(shí)間減少0.4ms。模型使用TensorRT部署后單幅圖像推理時(shí)間達(dá)到2.3ms,，在不影響檢測(cè)精度的前提下,，推理速度提高4.5倍。綜上,，本文算法模型在保證快速檢測(cè)的基礎(chǔ)上,，具有較高的準(zhǔn)確性，更適用于復(fù)雜水體下魚道過魚監(jiān)測(cè),。

摘要:針對(duì)獼猴桃種植領(lǐng)域命名實(shí)體識(shí)別任務(wù)中實(shí)體詞復(fù)雜度較高,，識(shí)別精確率較低的問題,，提出一種融合字詞語義信息的獼猴桃種植實(shí)體識(shí)別方法。以BiGRU-CRF為基本模型,，融合詞級(jí)別和字符級(jí)別的信息,。在詞級(jí)別上，通過引入詞集信息,，并使用多頭自注意力（Multiple self-attention mechanisms,，MHA）調(diào)整詞集中不同詞的權(quán)重；同時(shí)使用注意力機(jī)制忽略不可靠的詞集,，將注意力集中在重要的詞集上,，從而提高實(shí)體識(shí)別效果；在字符級(jí)別上,，引入無監(jiān)督的基于轉(zhuǎn)換器的雙向編碼表征（Bidirectional encoder representations form transformers,，BERT）預(yù)訓(xùn)練模型增強(qiáng)字的語義表示。在包含12477條標(biāo)注樣本和7個(gè)類別實(shí)體的獼猴桃種植領(lǐng)域自制語料上進(jìn)行了實(shí)驗(yàn),，結(jié)果表明,，本文模型與SoftLexicon模型相比，F(xiàn)1值提高1.58個(gè)百分點(diǎn),。此外,，本文模型在公開數(shù)據(jù)集ResumeNER上與Lattice-LSTM,、WC-LSTM等模型進(jìn)行實(shí)驗(yàn)對(duì)比取得了最佳效果，F(xiàn)1值達(dá)到96.17%,，表明本文模型具有一定的泛化能力,。

摘要:為解決現(xiàn)有水產(chǎn)品供應(yīng)鏈中各企業(yè)環(huán)節(jié)的區(qū)塊鏈間信息孤島的問題以及實(shí)現(xiàn)各企業(yè)間的安全交易,，提出了基于區(qū)塊鏈跨鏈技術(shù)的水產(chǎn)品交易模型,。在分析水產(chǎn)品供應(yīng)鏈交易業(yè)務(wù)流程的基礎(chǔ)上，針對(duì)水產(chǎn)品跨鏈交易的功能需求,，構(gòu)建基于跨鏈技術(shù)的水產(chǎn)品交易模型,；基于此模型設(shè)計(jì)跨鏈交易流程及相應(yīng)的智能合約，實(shí)現(xiàn)水產(chǎn)品供應(yīng)鏈中企業(yè)間的跨鏈交易,；最后,，利用Hyperledger Fabric平臺(tái)實(shí)現(xiàn)了水產(chǎn)品跨鏈交易模型的原型系統(tǒng)。系統(tǒng)性能測(cè)試結(jié)果表明,，平均交易成功率為99%左右,，而平均交易延遲為0.2s左右。因此,，所提出的水產(chǎn)品跨鏈交易模型既能夠滿足現(xiàn)有水產(chǎn)品供應(yīng)鏈在區(qū)塊鏈鏈上交易的需求,，也保證了跨鏈交易的可行性。

摘要:為揭示水氣互作對(duì)辣椒根系形態(tài)、產(chǎn)量和品質(zhì)的影響效應(yīng),，設(shè)置地下水灌溉C（溶解氧質(zhì)量濃度5mg/L）作為對(duì)照,，2個(gè)加氣量：A（溶解氧質(zhì)量濃度15mg/L）和O（溶解氧質(zhì)量濃度40mg/L），2個(gè)灌水量：W1和W2（0.8倍和1.0倍作物-蒸發(fā)皿系數(shù)）開展隨機(jī)區(qū)組試驗(yàn),，基于相關(guān)性分析和主成分分析對(duì)不同處理進(jìn)行綜合評(píng)價(jià),。結(jié)果表明，加氣灌溉對(duì)辣椒根系形態(tài),、產(chǎn)量,、品質(zhì),、株高和氮素利用效率均有明顯的促進(jìn)作用,。處理AW1產(chǎn)量最高,，為6.78t/hm2，較處理OW1和CW1產(chǎn)量分別增加39.04%和42.89%,，較處理AW2產(chǎn)量增加30.80%（P<0.05）,。與處理CW1相比，處理AW1的可溶性糖含量（BRIX）,、可溶性蛋白含量和糖酸比（SAT）分別增加29.49%,、75.24%和68.10%（P<0.05），處理AW1根干質(zhì)量,、總根長,、根體積和根表面積分別增加13.63%、11.09%,、59.47%和6167%（P<0.05）,。與處理CW2相比，AW2辣椒株高,、氮素吸收量,、產(chǎn)量和灌溉水利用效率分別增加17.88%、66.56%,、26.28%和26.12%（P<0.05）,。根系形態(tài)指標(biāo)（根干質(zhì)量、總根長,、根體積和根表面積）與氮素吸收量,、株高、產(chǎn)量,、BRIX含量和可溶性蛋白含量均呈顯著正相關(guān),，且處理AW1綜合得分最高。綜上,，綜合考慮提質(zhì),、增產(chǎn)、節(jié)水3方面,，確定加氣量15mg/L,、灌水量0.8倍作物-蒸發(fā)皿系數(shù)為最佳水氣調(diào)控模式。

摘要:針對(duì)西北干旱區(qū)灌區(qū)生態(tài)環(huán)境脆弱,、水資源短缺、復(fù)雜不確定性等問題,，以石羊河流域紅崖山灌區(qū)為例,，耦合2型模糊集,、模糊可信度約束規(guī)劃和多目標(biāo)規(guī)劃等理論方法，構(gòu)建了基于2型模糊集的多目標(biāo)農(nóng)業(yè)-生態(tài)水土資源優(yōu)化配置模型,。模型以灌溉水損失最小,、生態(tài)植被灌溉水滿意度最大、生態(tài)植被灌溉水費(fèi)用最小和主要糧食作物經(jīng)濟(jì)效益最大為目標(biāo),，對(duì)紅崖山灌區(qū)10個(gè)決策單元的地表水,、地下水和糧食作物種植面積進(jìn)行優(yōu)化配置。求解模型得到不同可信度水平和不確定性程度下的水土資源優(yōu)化配置方案,。結(jié)果表明：耦合2型模糊集的模型能夠提供豐富的配置方案,，水量對(duì)可信度水平的敏感性高于不確定性程度，作物種植結(jié)構(gòu)對(duì)可信度水平不敏感,。以不確定性程度參數(shù)為0.5,、可信度水平為0.7時(shí)為例，生態(tài)植被均通過地表水灌溉,，作物通過地表水,、地下水聯(lián)合灌溉，玉米的產(chǎn)量和經(jīng)濟(jì)效益均大于小麥,。相比前人研究,，本研究考慮生態(tài)植被灌溉需求，優(yōu)化結(jié)果更加真實(shí)合理,。本研究可為決策者提供較為符合灌區(qū)實(shí)際的配置方案,，為西北干旱區(qū)灌區(qū)現(xiàn)代化建設(shè)提供科學(xué)指導(dǎo)。

摘要:為探究節(jié)水改造工程對(duì)灌區(qū)土壤鹽漬化的影響，以河套灌區(qū)永濟(jì)灌域?yàn)槔?，將?jié)水改造工程實(shí)施階段分成4個(gè)時(shí)期,，基于遙感技術(shù)對(duì)各時(shí)期的土地利用類型和不同土層深度的土壤鹽分進(jìn)行解譯，從土壤鹽分的空間分布狀態(tài),、土壤鹽分指標(biāo)（總儲(chǔ)鹽量及單位儲(chǔ)鹽量）的時(shí)間演變等方面分析不同節(jié)水改造時(shí)期土壤鹽漬化的時(shí)空演變規(guī)律,，并從點(diǎn)尺度和區(qū)域尺度綜合分析土壤鹽漬化對(duì)地下水的響應(yīng)，同時(shí)結(jié)合灌區(qū)灌溉,、排水等因素分析土壤鹽漬化的演變機(jī)制,。結(jié)果表明：隨著節(jié)水改造工程的實(shí)施，土壤鹽漬化程度南低北高的空間分布狀態(tài)逐漸明顯，鹽漬化等級(jí)最高的區(qū)域均為鹽荒地,，2005—2010年土壤鹽漬化程度增加,，主要表現(xiàn)為春季、秋季0~40cm的重度鹽化土（主要鹽漬化等級(jí)）所占比例相比2000年分別平均增加106.98%~806.38%和44.26%~190.60%,，2010—2015年土壤鹽漬化程度逐漸減輕，主要鹽漬化等級(jí)向等級(jí)小的方向轉(zhuǎn)移,，2015—2021年,，土壤鹽漬化程度減輕程度較為明顯，主要表現(xiàn)為春季0~20cm中度,、重度鹽化土所占比例之和（主要鹽漬化等級(jí)）相比2005—2010年平均下降9.15%,，春季20~40cm、秋季0~20cm和20~40cm土層輕度,、中度鹽化土所占比例之和（主要鹽漬化等級(jí)）分別增加15.02%,、-2.62%和6.26%；隨著節(jié)水改造工程的進(jìn)行,，春,、秋兩季0~40cm土層儲(chǔ)鹽量均呈先增后減的趨勢(shì)，2010年達(dá)到最大值,，其中0~20cm春,、秋兩季總儲(chǔ)鹽量分別為1.489×106t和1.396×106t，至2021年,，春,、秋兩季平均總儲(chǔ)鹽量仍大于2000年；不同時(shí)期土壤含鹽量與地下水埋深滿足對(duì)數(shù)關(guān)系,，春季,、秋季土壤含鹽量與地下水埋深的決定系數(shù)R2分別為0.744和0.672，春,、秋兩季輕度鹽化土,、中度鹽化土、重度鹽化土和鹽土的地下水埋深平均值分別為2.351,、2.144,、1.953、1.752m,，秋季地下水埋深平均值相比春季分別降低7.85%,、8.27%、12.16%和9.88%,。

摘要:為探明保護(hù)性耕作對(duì)東北寒地黑土土壤水熱狀況和玉米產(chǎn)量的影響，基于秸稈全量還田和免耕播種為核心的黑土地保護(hù)性耕作方式,，設(shè)置寬窄行秸稈全覆蓋還田（FM）,、均勻行秸稈全覆蓋還田（LM）、秸稈旋耕全量還田（LX）和常規(guī)壟作秸稈離田（LN）4種模式,，探究保護(hù)性耕作對(duì)寒地黑土土壤水熱效應(yīng),、玉米干物質(zhì)量、產(chǎn)量構(gòu)成及水氮利用效率的影響,。結(jié)果表明：在玉米生育期內(nèi),，保護(hù)性耕作能夠顯著提高土壤含水率，調(diào)節(jié)土壤溫度,，針對(duì)不同的氣溫變化,，進(jìn)行“增降溫”。保護(hù)性耕作處理較LN處理0~60cm土層平均土壤體積含水率增加27.28%~63.86%,，氣溫最高時(shí)使平均土壤溫度降低3.20%~7.63%,，成熟期氣溫低時(shí)使平均土壤溫度增加2.32%~5.37%。保護(hù)性耕作顯著提高了水分利用效率（WUE）以及作物對(duì)氮素的吸收與利用,，其中WUE較LN處理提高7.26%~12.90%,，同時(shí)氮素吸收效率、氮素收獲指數(shù)分別提高14.29%~42.86%,、4.00%~12.00%,。保護(hù)性耕作能夠提高玉米產(chǎn)量，促進(jìn)玉米干物質(zhì)積累,，玉米產(chǎn)量,、干物質(zhì)量分別較LN處理提高37.7~431.0kg/hm2和2322.3~5451.7kg/hm2，LM處理產(chǎn)量變異系數(shù)最小,，產(chǎn)量最穩(wěn)定,。

摘要:為探明加氣灌溉技術(shù)對(duì)土壤呼吸速率的影響及調(diào)控機(jī)制,，完善加氣灌溉技術(shù)下土壤呼吸排放機(jī)理，以國家土壤質(zhì)量湛江觀測(cè)實(shí)驗(yàn)站為平臺(tái)開展為期3年（2019—2021年）的定位試驗(yàn),，每年開展2次試驗(yàn)觀測(cè),，研究加氣灌溉（Aerated irrigation,，AI）和不加氣灌溉（CK）兩種處理對(duì)土壤呼吸速率、土壤溫度,、含水率,、含氧量、土壤細(xì)菌生物量及根系生物量的影響,，采用偏最小二乘回歸分析（Partial least square regression analysis,，PLSR）方法建立兩種處理下土壤呼吸速率與土壤溫度、含水率,、含氧量,、土壤細(xì)菌生物量及根系生物量的回歸方程，篩選出加氣灌溉技術(shù)下影響土壤呼吸速率變化的主要土壤環(huán)境因子,。研究結(jié)果表明,，AI處理后土壤呼吸速率和土壤含氧量分別提高12.30%~20.54%和19.90%~25.70%,，同時(shí)植株根系生物量和土壤細(xì)菌生物量分別提高15.30%~22.67%和35.10%~69.17%,，土壤含水率降低3.36%~14.30%，不同處理對(duì)土壤溫度影響不顯著,?；貧w擬合結(jié)果表明，兩種處理下土壤呼吸速率與土壤溫度,、土壤含水率均呈二次多項(xiàng)式負(fù)相關(guān)關(guān)系,，與土壤含氧量呈線性正相關(guān)，與根系生物量呈冪函數(shù)正相關(guān),，與土壤細(xì)菌生物量呈指數(shù)正相關(guān),。PLSR模型的變量重要性投影（Variable importance for projection，VIP）值表明土壤溫度（VIP值為1.48）,、土壤含氧量（VIP值為1.40）,、根系生物量（VIP值為1.25）和細(xì)菌生物量（VIP值為1.09）是影響土壤呼吸速率變化的主要影響因子，加氣灌溉技術(shù)可以通過改變土壤含氧量,、根系生物量及細(xì)菌生物量對(duì)土壤呼吸速率產(chǎn)生驅(qū)動(dòng)作用,。研究結(jié)果可為完善加氣灌溉下土壤呼吸速率變化響應(yīng)機(jī)理、合理制定有效的土壤碳排放調(diào)控管理措施提供理論依據(jù),。

摘要:為提高生物質(zhì)顆粒生產(chǎn)自動(dòng)化水平,，實(shí)時(shí)監(jiān)控制粒機(jī)組生產(chǎn)過程中作業(yè)參數(shù),，解決當(dāng)前存在的粉料喂入量不精確導(dǎo)致的壓縮室壅堵問題,，設(shè)計(jì)了一套生物質(zhì)制粒遠(yuǎn)程監(jiān)控系統(tǒng)，依托運(yùn)行于遠(yuǎn)程上位機(jī)內(nèi)的模糊PID控制算法,，PLC通過OPC與之通信實(shí)現(xiàn)對(duì)粉料喂入量的控制; 以5G網(wǎng)絡(luò)作為遠(yuǎn)程數(shù)據(jù)傳輸途徑,，選擇5G工業(yè)路由器作為網(wǎng)絡(luò)數(shù)據(jù)收發(fā)器，通過網(wǎng)頁,、手機(jī)APP或微信小程序?qū)崿F(xiàn)客戶端的遠(yuǎn)程監(jiān)控功能,。本系統(tǒng)設(shè)置了用戶監(jiān)控層、數(shù)據(jù)網(wǎng)絡(luò)傳輸層和測(cè)控現(xiàn)場(chǎng)層; 基于系統(tǒng)遠(yuǎn)程監(jiān)控要求,，工業(yè)路由器與PLC之間通過PROFINET協(xié)議實(shí)現(xiàn)數(shù)據(jù)傳遞; 并使用MQTT協(xié)議,，實(shí)現(xiàn)其與云服務(wù)器之間數(shù)據(jù)傳輸。根據(jù)對(duì)系統(tǒng)穩(wěn)定性,、喂料量準(zhǔn)確性及其通信性能的試驗(yàn),，穩(wěn)定時(shí)電流實(shí)際值與目標(biāo)值平均相對(duì)誤差在1%~12%范圍內(nèi)波動(dòng)，變異系數(shù)在0.19%~0.28%范圍內(nèi)波動(dòng),，滿足生物質(zhì)顆粒生產(chǎn)需求,，有效提高了生物質(zhì)顆粒生產(chǎn)智能化水平。

摘要:為探究輻射與對(duì)流在聯(lián)合干燥過程中的匹配機(jī)理,，了解紅外與熱風(fēng)之間的影響機(jī)制，需要搭建精準(zhǔn)調(diào)控介質(zhì)溫濕度,、風(fēng)速和輻射溫度的紅外聯(lián)合熱風(fēng)干燥試驗(yàn)平臺(tái),。選擇碳晶涂層式加熱板、超聲波加濕器,、離心風(fēng)機(jī),、四線式軸流風(fēng)機(jī)等硬件進(jìn)行設(shè)計(jì)、組裝樣機(jī),，并選取白蘿卜片和獼猴桃片作為兩種質(zhì)地均勻和不均勻的代表物料驗(yàn)證該機(jī)均勻性效果,。該裝置由控制系統(tǒng)、加熱腔室,、料盤料架,、氣流分配室、加濕裝置等組成,?？刂葡到y(tǒng)以觸摸屏為主機(jī)，與各從機(jī)進(jìn)行串口通訊,，實(shí)現(xiàn)人機(jī)交互,、邏輯運(yùn)算,、數(shù)據(jù)存儲(chǔ)等功能。技術(shù)參數(shù)具體為熱風(fēng)風(fēng)速調(diào)節(jié)范圍0～3m/s,，輻射溫度及熱風(fēng)溫度調(diào)節(jié)范圍為常溫至120℃,，相對(duì)濕度調(diào)節(jié)范圍為30%～60%，誤差均在3%以內(nèi),。氣流分配室仿真結(jié)果表明采用穩(wěn)壓腔和高,、低轉(zhuǎn)速軸流風(fēng)機(jī)結(jié)合的方式有效改善沿管道軸線方向風(fēng)速高、周圍低的問題,。優(yōu)化后均勻性驗(yàn)證試驗(yàn)結(jié)果表明速度偏差比最大可達(dá)5.9%,，速度不均勻系數(shù)為4.6%。驗(yàn)證試驗(yàn)結(jié)果表明,，紅外聯(lián)合熱風(fēng)干燥不同區(qū)域物料的干燥特性曲線和中心溫度上升曲線基本接近,，滿足干燥裝備均勻性良好的要求。

摘要:為明確高壓靜電場(chǎng)（High voltage electrostatic field,，HVEF）輔助牛肉腌制過程中的傳質(zhì)動(dòng)力學(xué)規(guī)律,，將HVEF與傳統(tǒng)濕腌法結(jié)合,，分析比較了1.5kV HVEF和3.0kV HVEF對(duì)腌制過程中牛肉的總質(zhì)量、含水率,、NaCl含量變化量的影響,，并通過掃描電鏡對(duì)不同腌制處理牛肉的微觀結(jié)構(gòu)進(jìn)行觀察。結(jié)果表明：與傳統(tǒng)濕腌比較,，HVEF輔助處理可顯著提高腌制牛肉含水率,、總質(zhì)量以及NaCl擴(kuò)散速率（P<0.05），且3.0kV處理組效率更高,，傳統(tǒng)濕腌,、1.5kV HVEF輔助濕腌、3.0kV HVEF輔助濕腌的NaCl表觀擴(kuò)散系數(shù)分別為5.593×10-10,、6.284×10-10,、1.142×10-9；HVEF輔助腌制的牛肉肌原纖維束膜被破壞,，肌原纖維之間更松散,，有利于NaCl和水分在肌肉中擴(kuò)散。

摘要:速凍方式不同對(duì)魚肉溫降速率、均勻性以及解凍后品質(zhì)的影響不同,，最佳速凍方式選取已成為行業(yè)內(nèi)提升魚類速凍效率與維持魚肉品質(zhì)的主要方式之一,。以羅非魚為例，結(jié)合3D掃描逆向建模與計(jì)算流體力學(xué)數(shù)值模擬等技術(shù)直觀獲取冷風(fēng)式速凍,、氯化鈉和氯化鈣浸漬速凍方式下羅非魚溫度時(shí)空分布規(guī)律,，并通過與實(shí)驗(yàn)值比較驗(yàn)證模擬結(jié)果的準(zhǔn)確性與可靠性，綜合對(duì)比分析不同速凍方式對(duì)羅非魚凍結(jié)速率,、均勻性以及水分流失的影響規(guī)律,，確定最佳速凍方式并提出優(yōu)化設(shè)計(jì)方案。研究結(jié)果表明,，溫度模擬值與實(shí)測(cè)值最大偏差為1.81℃,，最大均方根誤差與平均絕對(duì)百分比誤差分別為1.017℃、18.9%,，且凍結(jié)過程羅非魚溫度降至-15℃時(shí),，3種速凍方式所需凍結(jié)時(shí)間模擬值與實(shí)測(cè)值最大相對(duì)偏差僅為6.89%。其次,，氯化鈉和氯化鈣兩種浸漬速凍方式下羅非魚凍結(jié)速率基本相同,，相比冷風(fēng)式速凍凍結(jié)時(shí)間約降低73%，凍結(jié)均勻性提升10~40倍,。兩種浸漬速凍方式下羅非魚解凍后水分流失率僅為3.89%和3.92%,，分別比冷風(fēng)式速凍方式降低10.37%和9.68%左右。最后,，提出了一種氯化鈉液流化速凍方式優(yōu)化方案,，通過綜合考慮凍結(jié)速率、均勻性及能耗確定最佳流速為2.5m/s,，且相比魚體頭朝入口水平放置與豎直放置,，魚體背朝入口水平擺放方式的凍結(jié)效率最優(yōu)。

摘要:針對(duì)基于離散元法的玉米粉碎過程仿真研究中缺乏準(zhǔn)確模型的問題,，本文以玉米籽粒為研究對(duì)象,，設(shè)計(jì)搭建了顆粒物料沖擊破碎試驗(yàn)裝置，運(yùn)用切片法構(gòu)建了適用于Ab-T10破碎模型的玉米籽粒凸面體模型,，開展了玉米籽粒的Ab-T10破碎模型參數(shù)標(biāo)定和玉米籽粒的沖擊破碎特性研究,。以破碎概率和t10為沖擊破碎特性評(píng)價(jià)指標(biāo)，開展了5種不同含水率玉米籽粒的沖擊破碎試驗(yàn),。試驗(yàn)結(jié)果表明,，玉米籽粒的破碎概率和t10隨著沖擊比能增加而增加,，隨著玉米籽粒含水率的增加而減小，臨界破碎速度隨著玉米籽粒含水率的增加而增加,；以Ab-T10破碎模型中破碎概率和t10的理論公式對(duì)玉米籽粒沖擊破碎試驗(yàn)數(shù)據(jù)進(jìn)行了擬合（R2adj高于0.86）,，確定理論公式中參數(shù)值，實(shí)現(xiàn)了玉米籽粒Ab-T10破碎模型的參數(shù)標(biāo)定,。以構(gòu)建的籽粒模型和標(biāo)定的Ab-T10破碎模型參數(shù)進(jìn)行粉碎仿真試驗(yàn),，結(jié)果表明，不同含水率玉米籽粒的粒徑累計(jì)分布規(guī)律的實(shí)測(cè)值與仿真值具有較好的一致性,，粉碎后顆粒平均粒徑的實(shí)測(cè)值與仿真值相對(duì)誤差低于6.54%,，說明構(gòu)建的玉米籽粒模型和標(biāo)定的Ab-T10破碎模型參數(shù)可以表征玉米籽粒沖擊粉碎過程。

摘要:面向機(jī)器人力控自適應(yīng)抓取,，設(shè)計(jì)一種微型直線串聯(lián)彈性驅(qū)動(dòng)器及其機(jī)電一體化系統(tǒng),。開展非線性校正試驗(yàn)，采用BCM法對(duì)微型直線串聯(lián)彈性驅(qū)動(dòng)器感知系統(tǒng)進(jìn)行校正,，以提高力控系統(tǒng)測(cè)量精度,。基于雙位移傳感器構(gòu)建驅(qū)動(dòng)力,、位移同步感知方法,，并開展模型辨識(shí)試驗(yàn)建立目標(biāo)變形軌跡及驅(qū)動(dòng)力觀測(cè)模型，根據(jù)目標(biāo)變形軌跡模型建立驅(qū)動(dòng)力PID控制策略,。開展階躍力控與自適應(yīng)抓取試驗(yàn),，優(yōu)化力控制器參數(shù)并研究串聯(lián)彈性力控自適應(yīng)抓取特性,。試驗(yàn)結(jié)果表明,，建立的微型串聯(lián)彈性驅(qū)動(dòng)器具備感知驅(qū)動(dòng)一體化特性，可在無力傳感器的情況下實(shí)現(xiàn)驅(qū)動(dòng)力準(zhǔn)確感知與控制,。微型串聯(lián)彈性驅(qū)動(dòng)器力控超調(diào)量極低,，當(dāng)目標(biāo)驅(qū)動(dòng)力幅值為15N時(shí)，超調(diào)量為0.6%,。在機(jī)器人力控自適應(yīng)抓取試驗(yàn)中,，指尖抓持姿態(tài)可通過驅(qū)動(dòng)力控制實(shí)現(xiàn)調(diào)控，使指尖抓持力方向指向物體質(zhì)心,，從而達(dá)到增強(qiáng)抓持穩(wěn)定性的目的,。

摘要:微動(dòng)機(jī)構(gòu)是實(shí)現(xiàn)超精密定位的重要部件,。本文基于平衡附加力原理設(shè)計(jì)一種放大比可調(diào)的精密微動(dòng)放大機(jī)構(gòu),，并完成機(jī)構(gòu)強(qiáng)度、動(dòng)態(tài),、運(yùn)動(dòng)學(xué)分析,。基于平衡附加力原理設(shè)計(jì)了一種無附加力及位移的微動(dòng)放大機(jī)構(gòu),，可確保運(yùn)動(dòng)過程的安全性及精密性,。采用有限元法完成了機(jī)構(gòu)強(qiáng)度分析，結(jié)果表明系統(tǒng)強(qiáng)度滿足設(shè)計(jì)要求,。采用有限元法及實(shí)驗(yàn)分析完成了機(jī)構(gòu)的動(dòng)態(tài)性能分析,，二者最大相對(duì)誤差為9.41%，結(jié)果表明機(jī)構(gòu)動(dòng)態(tài)性能符合設(shè)計(jì)要求且運(yùn)動(dòng)過程中不會(huì)發(fā)生共振,。采用理論計(jì)算,、有限元分析及實(shí)驗(yàn)分析完成了機(jī)構(gòu)運(yùn)動(dòng)學(xué)分析，在完成3種方法線性擬合基礎(chǔ)上解析了機(jī)構(gòu)運(yùn)動(dòng)方程,，微動(dòng)放大機(jī)構(gòu)理論與實(shí)驗(yàn)分析相對(duì)誤差為9.4%（二者最大絕對(duì)誤差為0.85μm）,，有限元與實(shí)驗(yàn)分析相對(duì)誤差為7.8%（二者最大絕對(duì)誤差為0.57μm），運(yùn)動(dòng)線性擬合相關(guān)系數(shù)不小于0.998,。結(jié)果表明微動(dòng)放大機(jī)構(gòu)具有強(qiáng)度及動(dòng)態(tài)性能優(yōu)良,、運(yùn)動(dòng)精密、線性度高等優(yōu)點(diǎn),。