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:基于遙感分類實(shí)現(xiàn)高精度的土地利用和土地覆被制圖是研究熱點(diǎn)問(wèn)題,。近年來(lái),，以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了長(zhǎng)足發(fā)展,，同時(shí)也被引入到土地利用/覆被遙感制圖領(lǐng)域,。相比于經(jīng)典機(jī)器學(xué)習(xí)，深度學(xué)習(xí)的優(yōu)勢(shì)表現(xiàn)為能夠自適應(yīng)提取與分類任務(wù)最相關(guān)的特征,，其缺陷表現(xiàn)為分類精度的提高依賴于海量標(biāo)簽樣本,。基于深度學(xué)習(xí)在土地利用/覆被分類中日益增多的研究成果,，本文從樣本,、模型、算法3個(gè)角度對(duì)其研究進(jìn)展進(jìn)行綜述,。在樣本方面,，歸納總結(jié)了常用的土地利用/覆被樣本集，并分析了上述樣本集的學(xué)術(shù)影響力,；在模型方面,，綜述了土地利用/覆被分類中常用的深度學(xué)習(xí)模型，包括卷積神經(jīng)網(wǎng)絡(luò),、循環(huán)神經(jīng)網(wǎng)絡(luò),、全卷積神經(jīng)網(wǎng)絡(luò)等的最新研究成果；在算法方面,，綜述了樣本稀疏條件下的土地利用/覆被分類算法的最新研究進(jìn)展,，具體包括主動(dòng)學(xué)習(xí)、半監(jiān)督學(xué)習(xí),、弱監(jiān)督學(xué)習(xí),、自監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)等,。最后從樣本,、模型、算法3個(gè)角度對(duì)未來(lái)研究方向進(jìn)行展望,，通過(guò)構(gòu)建大規(guī)模遙感樣本數(shù)據(jù)集,、持續(xù)優(yōu)化深度學(xué)習(xí)模型結(jié)構(gòu)、提升樣本稀疏條件下深度學(xué)習(xí)模型的時(shí)空泛化能力等研究,，可以進(jìn)一步改善土地利用/覆被分類效果和精度,。

摘要:水稻生產(chǎn)田間管理機(jī)械自動(dòng)跟蹤水稻行是提高水稻生產(chǎn)田間管理自動(dòng)化程度的關(guān)鍵。為避免田間管理機(jī)械碾壓水稻行,，本文融合機(jī)器視覺(jué)和2D激光雷達(dá)信息識(shí)別水稻行,，并進(jìn)行水稻行跟蹤導(dǎo)航控制。首先分別利用機(jī)器視覺(jué)和激光雷達(dá)提取水稻行中心點(diǎn),，并統(tǒng)一空間坐標(biāo)和目標(biāo)區(qū)域,，再采用穩(wěn)健回歸算法擬合水稻行中心線，獲取導(dǎo)航基準(zhǔn)線并計(jì)算出導(dǎo)航參數(shù),。然后設(shè)計(jì)了預(yù)瞄追蹤PID控制器,，最后搭建了水稻行跟蹤導(dǎo)航試驗(yàn)平臺(tái)并進(jìn)行試驗(yàn)研究。試驗(yàn)結(jié)果表明,，跟蹤模擬水稻行的曲線導(dǎo)航試驗(yàn)標(biāo)準(zhǔn)差為27.51mm,；跟蹤機(jī)械移載的水稻行導(dǎo)航試驗(yàn)橫向偏差標(biāo)準(zhǔn)差為43.03mm,，航向偏差標(biāo)準(zhǔn)差為3.38°。

摘要:為解決果園蘋(píng)果采后運(yùn)輸設(shè)備自主導(dǎo)航模式單一,、無(wú)法在任意點(diǎn)起步或停車等問(wèn)題,，設(shè)計(jì)了一種雙導(dǎo)航模式小型果園運(yùn)輸機(jī)器人，可根據(jù)需求選擇行人引領(lǐng)導(dǎo)航或定點(diǎn)導(dǎo)航,。根據(jù)選擇的導(dǎo)航模式,，采用基于OpenPose人體姿態(tài)識(shí)別的目標(biāo)跟蹤控制方法或基于RTK-GNSS（Real time kinematic-global navigation satellite system）的距離-方向控制方法，實(shí)現(xiàn)果園環(huán)境下的行人引領(lǐng)導(dǎo)航和定點(diǎn)導(dǎo)航,。該運(yùn)輸機(jī)器人以額定負(fù)載為200kg,、速度為0.5m/s的條件參數(shù)在果園自主作業(yè)時(shí)，行人引領(lǐng)導(dǎo)航模式下目標(biāo)跟蹤誤差平均值小于9cm,，其標(biāo)準(zhǔn)差小于4cm,；定點(diǎn)導(dǎo)航模式下到達(dá)目標(biāo)點(diǎn)的相對(duì)誤差小于13cm，其標(biāo)準(zhǔn)差小于1.5cm,，絕對(duì)誤差小于7cm,，其標(biāo)準(zhǔn)差小于0.5cm；定點(diǎn)導(dǎo)航模式下機(jī)器人急停避障的行駛路徑與理想行駛路徑間的橫向偏差小于56cm,，航向偏差小于8°,。試驗(yàn)結(jié)果表明，該機(jī)器人能滿足果園自主運(yùn)輸和安全避障的需求,。

摘要:針對(duì)深松整地裝備應(yīng)用于海南省熱帶農(nóng)業(yè)區(qū)香蕉地時(shí),，存在作業(yè)阻力大,、松土面積小及地表平整度差等問(wèn)題，本文基于海南香蕉地磚紅壤土的物理特性,，設(shè)計(jì)一種可有效降低作業(yè)阻力的斜柄折翼式深松鏟,。運(yùn)用離散元法建立3層土壤顆粒虛擬仿真土槽模型，使用Hertz-Mindlin with JKR接觸模型進(jìn)行了斜柄折翼式深松鏟與直柄鑿式深松鏟的作業(yè)性能對(duì)比仿真。結(jié)果表明,，在確保深松效率的前提下,，進(jìn)行了深松鏟最佳作業(yè)速度仿真試驗(yàn)，得出斜柄折翼式深松鏟的最佳作業(yè)速度區(qū)間為3.24~3.96km/h,；相較于直柄鑿式深松鏟,，斜柄折翼式深松鏟工作阻力降低了16.2%，地表平整度提高了25.9%,，深松后溝槽寬度減小了36.3%；田間試驗(yàn)結(jié)果表明,，斜柄折翼式深松鏟和直柄鑿式深松鏟在耕作阻力,、地表平整度、深松溝槽寬度實(shí)測(cè)值與仿真值之間的誤差不超過(guò)2%,，仿真結(jié)果可靠性高,。仿真分析與田間試驗(yàn)表明，相較于直柄鑿式深松鏟,，斜柄折翼式深松鏟在作業(yè)過(guò)程中對(duì)地表輪廓破壞較小,，能有效降低對(duì)土層的擾動(dòng)并增大松土面積，作業(yè)后地表平整度高,、溝槽寬度小,，從而能夠更好地適應(yīng)熱帶農(nóng)業(yè)區(qū)香蕉地的作業(yè)環(huán)境。

摘要:針對(duì)砂姜黑土區(qū)土壤易形成堅(jiān)硬土塊，傳統(tǒng)翻耕,、旋耕作業(yè)后地表大土塊過(guò)多,，嚴(yán)重影響小麥播種質(zhì)量的問(wèn)題，設(shè)計(jì)了一種對(duì)輥擠壓式砂姜黑土整地機(jī),，可一次性完成土塊撿拾,、篩分輸送、破碎還田和平地鎮(zhèn)壓等作業(yè),。對(duì)整機(jī)關(guān)鍵部件進(jìn)行了設(shè)計(jì)與分析,，確定了入土鏟刀、篩分輸送裝置和破碎裝置等部件結(jié)構(gòu)與工作參數(shù),，同時(shí)分析了土壤在篩分輸送裝置上的受力和運(yùn)動(dòng)過(guò)程,。采用高速攝影對(duì)砂姜黑土土塊破碎機(jī)理進(jìn)行研究，得到土塊破碎過(guò)程中位移-載荷變化規(guī)律，結(jié)果表明土塊最大破碎載荷不超過(guò)900N,；利用EDEM軟件對(duì)3種輥齒的碎土能力進(jìn)行仿真分析,，確定破碎裝置的結(jié)構(gòu)和工作參數(shù)。田間試驗(yàn)采用3種作業(yè)方式：犁耕+旋耕+撿拾破碎(地塊a),；犁耕+撿拾破碎(地塊b),；犁耕+旋耕兩次(地塊c)。其中,，地塊a農(nóng)田土塊破碎率為89.5％,，較地塊c高44.4個(gè)百分點(diǎn)；地塊b較地塊c土塊數(shù)量少55.3%,。a,、b、c 3個(gè)地塊地表平整度標(biāo)準(zhǔn)差均值分別為6.92,、11.58,、17.23mm，結(jié)果表明地塊a作業(yè)后地表平整度最佳,，地塊b作業(yè)效果優(yōu)于地塊c,，在一定條件下，對(duì)輥擠壓式砂姜黑土整地機(jī)作業(yè)效果優(yōu)于旋耕機(jī),。

摘要:針對(duì)新疆現(xiàn)有夾持式穴播器易空穴,，充種性能還需進(jìn)一步提高等問(wèn)題,，結(jié)合型孔輪式穴播器和階梯形型孔對(duì)種子適應(yīng)性強(qiáng)的特點(diǎn)，設(shè)計(jì)一種組合型孔輪式玉米精量穴播器,，通過(guò)理論分析建立型孔與取種塊間相對(duì)運(yùn)動(dòng)模型,分析其相對(duì)位置對(duì)充種性能的影響規(guī)律,，確定影響排種性能的參數(shù)及范圍，完成組合型孔和齒板的參數(shù)設(shè)計(jì),。通過(guò)單因素試驗(yàn)確定并縮小關(guān)鍵參數(shù)范圍,，以型孔方向角、型孔位置角,、穴播器轉(zhuǎn)速為試驗(yàn)因素,，以排種合格指數(shù)、重播指數(shù),、漏播指數(shù)為試驗(yàn)指標(biāo)進(jìn)行三因素三水平Box-Behnken中心組合試驗(yàn),，得到試驗(yàn)因素與試驗(yàn)指標(biāo)間的數(shù)學(xué)模型,，應(yīng)用Design-Expert軟件對(duì)回歸模型進(jìn)行多目標(biāo)優(yōu)化，得到最佳參數(shù)為：型孔深度12.3mm,，型孔方向角20.3°,，型孔位置角44.7°，穴播器轉(zhuǎn)速40r/min,，此時(shí)排種合格指數(shù)89.12%,，重播指數(shù)7.30%，漏播指數(shù)3.87%,。在最優(yōu)參數(shù)組合下進(jìn)行臺(tái)架驗(yàn)證試驗(yàn),，合格指數(shù)為91.14%，重播指數(shù)4.23%,，漏播指數(shù)4.63%,。土槽試驗(yàn)結(jié)果表明，穴播器前進(jìn)速度為3.38km/h時(shí),，排種合格指數(shù)為92.53%，重播指數(shù)為3.54%,，漏播指數(shù)為3.93%,，較夾持式穴播器排種合格指數(shù)提高了2.53個(gè)百分點(diǎn)。

摘要:為提高綠豆精密排種過(guò)程離散元仿真模擬試驗(yàn)所用仿真參數(shù)的準(zhǔn)確度,，進(jìn)一步優(yōu)化排種部件，基于綠豆種子的本征參數(shù),，采用Hertz Mindlin with bonding粘結(jié)模型建立種子仿真模型,，分別采用自由落體碰撞法、斜面滑動(dòng)法,、斜面滾動(dòng)法對(duì)綠豆種子與接觸材料（有機(jī)玻璃,、Somos8000樹(shù)脂）間仿真參數(shù)進(jìn)行標(biāo)定，結(jié)果表明：綠豆與有機(jī)玻璃碰撞恢復(fù)系數(shù),、靜摩擦因數(shù),、滾動(dòng)摩擦因數(shù)分別為0.445、0.458,、0.036,，與Somos8000樹(shù)脂碰撞恢復(fù)系數(shù)、靜摩擦因數(shù),、滾動(dòng)摩擦因數(shù)分別為0.434,、0.556,、0.049。以種間接觸參數(shù)為因素,，以實(shí)測(cè)堆積角與仿真堆積角相對(duì)誤差為指標(biāo),，進(jìn)行了最陡爬坡試驗(yàn)、三因素五水平旋轉(zhuǎn)組合設(shè)計(jì)試驗(yàn),，以最小相對(duì)誤差為優(yōu)化目標(biāo),，對(duì)試驗(yàn)數(shù)據(jù)尋優(yōu)分析得到：綠豆種間碰撞恢復(fù)系數(shù)、靜摩擦因數(shù),、滾動(dòng)摩擦因數(shù)分別為0.3,、0.23、0.03,。對(duì)標(biāo)定結(jié)果進(jìn)行排種驗(yàn)證試驗(yàn),，結(jié)果表明：仿真試驗(yàn)漏吸率與臺(tái)架試驗(yàn)漏播率最大相對(duì)誤差為4.71%、重吸率與重播率最大相對(duì)誤差為4.94%,、單粒率與合格率最大相對(duì)誤差為0.98%,，證明標(biāo)定結(jié)果可靠。該研究結(jié)果可為綠豆精密排種裝置的設(shè)計(jì)與仿真優(yōu)化提供理論參考,。

摘要:針對(duì)目前氣吸式馬鈴薯播種機(jī)所需風(fēng)機(jī)數(shù)量多,、結(jié)構(gòu)尺寸大,、傳動(dòng)復(fù)雜等問(wèn)題，優(yōu)化設(shè)計(jì)了氣吸式馬鈴薯播種機(jī)一體式風(fēng)機(jī),。一體式風(fēng)機(jī)的進(jìn)氣口,、吹管出口分別與排種器的吸管接口、吹管接口相連,，為排種作業(yè)提供取種負(fù)壓,、投種正壓，實(shí)現(xiàn)一體式風(fēng)機(jī)吹吸雙作用,。通過(guò)排種過(guò)程力學(xué)分析確定所需風(fēng)壓,，并對(duì)風(fēng)機(jī)內(nèi)部流場(chǎng)進(jìn)行數(shù)值模擬及運(yùn)動(dòng)學(xué)分析。采用旋轉(zhuǎn)正交組合試驗(yàn),，以葉輪外徑,、葉片數(shù)、葉輪轉(zhuǎn)速為試驗(yàn)因素,，以進(jìn)氣口負(fù)壓和吹管出口正壓為試驗(yàn)指標(biāo),，分析試驗(yàn)結(jié)果,，優(yōu)化風(fēng)機(jī)裝置的結(jié)構(gòu)參數(shù)：葉輪外徑為1099mm、葉片數(shù)為10個(gè),、葉輪轉(zhuǎn)速為2532r/min時(shí),，進(jìn)氣口負(fù)壓為11.6kPa，吹管出口正壓為3.7kPa,。對(duì)優(yōu)化后一體式風(fēng)機(jī)與雙風(fēng)機(jī)進(jìn)行田間對(duì)比試驗(yàn),，分析結(jié)果得：優(yōu)化后一體式風(fēng)機(jī)作業(yè)重播指數(shù)降低了14.0％、漏播指數(shù)降低了17.0％,、合格指數(shù)提高了0.92％,，提高了馬鈴薯播種機(jī)作業(yè)質(zhì)量。

摘要:人參播種中存在因人參種子形狀不規(guī)則、流動(dòng)性差,，種子在播種前需進(jìn)行催芽處理,，催芽的種子易損傷，造成充種困難,、易傷種等問(wèn)題，為此設(shè)計(jì)一種鏈勺式人參精密排種器,。通過(guò)對(duì)充種過(guò)程中種子受力情況和運(yùn)動(dòng)狀態(tài)的分析,，闡明傾斜充種可提高充種性能的機(jī)理；通過(guò)對(duì)攜種過(guò)程的理論計(jì)算和力學(xué)分析,，并基于DEM-MBD耦合的單因素仿真試驗(yàn),，分析了不同排種鏈條的張緊力、不同排種器結(jié)構(gòu)參數(shù)和工作參數(shù)對(duì)其工作性能的影響,，確定了鏈勺式排種器的結(jié)構(gòu)參數(shù),；以主動(dòng)鏈輪轉(zhuǎn)速、充種傾角和種層高度為試驗(yàn)因素,，以充種的單粒率（1粒/勺）,、復(fù)充率（≥2粒/勺）、漏充率（0粒/勺）為試驗(yàn)指標(biāo),，基于DEM-MBD耦合進(jìn)行了二次回歸正交旋轉(zhuǎn)組合仿真試驗(yàn),。結(jié)果表明：影響單粒率的主次順序?yàn)槌浞N傾角、主動(dòng)鏈輪轉(zhuǎn)速,、種層高度,；當(dāng)充種傾角為71.73°,、主動(dòng)鏈輪轉(zhuǎn)速為79.10r/min、種層高度為84.28mm時(shí),，充種性能最佳,，單粒率為95.68%、復(fù)充率為3.57%,、漏充率為0.75%,；為驗(yàn)證排種器的工作性能，進(jìn)行了臺(tái)架試驗(yàn),，結(jié)果表明鏈勺式人參精密排種器的工作性能較好,，滿足我國(guó)非林地人參種植的播種要求。

摘要:針對(duì)丘陵山地作物移栽的現(xiàn)有半自動(dòng)和間歇井窖式成穴裝備作業(yè)效率和質(zhì)量較低,、人工勞動(dòng)強(qiáng)度較大等問(wèn)題,，為保證井窖穴體的大深度以及穴體輪廓直徑一致的農(nóng)藝要求，基于非圓齒輪-平行四桿機(jī)構(gòu)設(shè)計(jì)一種井窖式成穴機(jī)構(gòu),，在闡述機(jī)構(gòu)的組成結(jié)構(gòu)和工作原理的基礎(chǔ)上建立其運(yùn)動(dòng)學(xué)模型,。依據(jù)運(yùn)動(dòng)學(xué)模型運(yùn)用Matlab開(kāi)發(fā)成穴機(jī)構(gòu)的人機(jī)交互可視化輔助界面，利用該界面結(jié)合二次正交旋轉(zhuǎn)中心組合試驗(yàn)方法建立成穴機(jī)構(gòu)響應(yīng)指標(biāo)與試驗(yàn)因素的回歸方程,，并通過(guò)響應(yīng)曲面得到其影響趨勢(shì)和交互關(guān)系,；以回歸方程為基礎(chǔ)，采用多目標(biāo)函數(shù)優(yōu)化獲取成穴機(jī)構(gòu)的優(yōu)化參數(shù)組合,。根據(jù)優(yōu)化后的機(jī)構(gòu)參數(shù)組合研制成穴機(jī)構(gòu)樣機(jī)及田間作業(yè)平臺(tái)并進(jìn)行田間試驗(yàn),，試驗(yàn)結(jié)果表明：穴體深度為181.7mm、穴體直立角度為90.5°,、穴體直徑最大值為75.6mm,、穴體直徑最小值為68.5mm、穴體直徑方差為7.5mm2,、穴距為503.1mm,，優(yōu)化后的成穴機(jī)構(gòu)滿足丘陵山地作物移栽井窖成穴的農(nóng)藝要求。

摘要:針對(duì)氣動(dòng)下壓式高速移栽機(jī)有序供盤(pán)和高速取苗作業(yè)自動(dòng)控制需求,，本文基于Arduino微控制器設(shè)計(jì)移栽機(jī)自動(dòng)控制系統(tǒng),。該系統(tǒng)包括苗盤(pán)位移監(jiān)測(cè)、有序供盤(pán)、高速取苗等任務(wù)模塊,，以苗盤(pán)位置和苗盤(pán)位移為主要控制條件,，根據(jù)供盤(pán)速度-送盤(pán)速度,、高速取苗間隔-苗盤(pán)位移等參數(shù)匹配要求確定供盤(pán)速度和取苗間隔控制方法,，建立有序供盤(pán)、高速取苗兩個(gè)有限狀態(tài)機(jī),，并基于動(dòng)態(tài)時(shí)間片輪詢算法設(shè)計(jì)控制流程,，實(shí)現(xiàn)有序供盤(pán)、高速取苗作業(yè)過(guò)程自動(dòng)控制,。以供盤(pán)位置準(zhǔn)確度和取苗位置準(zhǔn)確度為指標(biāo)開(kāi)展控制系統(tǒng)運(yùn)行準(zhǔn)確性試驗(yàn),，結(jié)果表明，高速取苗時(shí)（90~150株/min）,，供盤(pán)位置最大相對(duì)誤差1.27%,，取苗位置最大相對(duì)誤差12.85%，第2~6時(shí)序取苗位置最大累積相對(duì)誤差分別為11.85%,、5.63%,、4.25%、1.94%和2.44%,，均在允許誤差范圍內(nèi),，滿足作業(yè)要求。以供盤(pán)成功率,、取投苗成功率為指標(biāo)開(kāi)展移栽性能試驗(yàn),，試驗(yàn)結(jié)果表明，高速作業(yè)時(shí)自動(dòng)控制系統(tǒng)運(yùn)行正常,、性能可靠，供盤(pán)送盤(pán)有效銜接,、送盤(pán)取苗精準(zhǔn)配合,，供盤(pán)成功率、取苗成功率為100%,，投苗成功率不小于94.44%,，實(shí)現(xiàn)了氣動(dòng)下壓式高速移栽機(jī)有序供盤(pán)、高速取苗過(guò)程自動(dòng)化作業(yè),。

摘要:針對(duì)花生撿拾收獲機(jī)作業(yè)中因缺少高效順暢殘秧輸送收集裝置造成花生秧浪費(fèi)的生產(chǎn)實(shí)際問(wèn)題，設(shè)計(jì)一種秧蔓氣力輸送裝置,。闡述秧蔓氣力輸送裝置的工作原理,，確定秧蔓氣力輸送裝置方程及關(guān)鍵參數(shù)間的關(guān)系，分析輸送氣流及關(guān)鍵結(jié)構(gòu)對(duì)殘秧速度的影響,。通過(guò)Box-Behnken試驗(yàn)設(shè)計(jì)和DEM-CFD氣固耦合仿真,，分析左風(fēng)機(jī)轉(zhuǎn)速、主輸送管高度,、右風(fēng)機(jī)轉(zhuǎn)速對(duì)殘秧輸送效率的影響,，仿真試驗(yàn)結(jié)果表明：輸送效率影響順序由大到小為左風(fēng)機(jī)轉(zhuǎn)速、右風(fēng)機(jī)轉(zhuǎn)速,、主輸送管高度,。田間試驗(yàn)結(jié)果表明，當(dāng)最優(yōu)參數(shù)為左風(fēng)機(jī)轉(zhuǎn)速1550r/min,、右風(fēng)機(jī)轉(zhuǎn)速1200r/min,、主輸送管高度2.08m，秧蔓氣力輸送裝置主輸送管內(nèi)可有效實(shí)現(xiàn)殘秧與氣流的均勻混合和高效輸送,，對(duì)應(yīng)的青花6號(hào)和駐花2號(hào)平均輸送效率分別為1533.56,、1451.52kg/h，比優(yōu)化前分別提高9.57%,、8.61%,。

摘要:為提高果園風(fēng)送式噴霧靶標(biāo)區(qū)域沉積量,，減少果樹(shù)行間霧滴飄移，在常規(guī)氣流輔助噴霧基礎(chǔ)上,，設(shè)計(jì)了一種多氣流協(xié)同式V形防飄噴霧裝置,，通過(guò)CFD仿真驗(yàn)證其防飄效果。以V形風(fēng)場(chǎng)風(fēng)速,、橫風(fēng)風(fēng)速,、噴霧壓力為因素，分別進(jìn)行單因素和三因素三水平的蘋(píng)果樹(shù)冠層霧滴飄移沉積試驗(yàn),，探析多氣流V形風(fēng)場(chǎng)對(duì)霧滴冠層沉積效果的影響規(guī)律,。結(jié)果表明，當(dāng)橫風(fēng)風(fēng)速為3m/s時(shí)，多氣流協(xié)同作用的霧滴沉積密度,、沉積量較單一氣流分別提高了28.7%,、17.4%，飄移量降低了21.8%,；且3種因素對(duì)霧滴沉積特性都有顯著影響,，由大到小依次為：V形風(fēng)場(chǎng)風(fēng)速、橫風(fēng)風(fēng)速,、噴霧壓力,。通過(guò)響應(yīng)面建立了霧滴沉積量預(yù)測(cè)優(yōu)化模型，當(dāng)橫風(fēng)風(fēng)速為2m/s,、噴霧壓力為0.52MPa,、V形風(fēng)場(chǎng)風(fēng)速為21.8m/s時(shí)，霧滴沉積量最優(yōu)值為4.81μL/cm2,，田間試驗(yàn)結(jié)果為4.72μL/cm2,，與霧滴沉積模型預(yù)測(cè)基本一致。

摘要:針對(duì)自走式全混合日糧制備機(jī)缺乏取料機(jī)理、堵塞問(wèn)題明顯的情況,，建立了取料作業(yè)的理論模型,，對(duì)取料寬度、刀具回轉(zhuǎn)半徑,、取料刀安裝螺距,、取料刀密度、取料轉(zhuǎn)速,、每刃進(jìn)給量,、拋料速度、物料射入角和輸送帶尺寸等關(guān)鍵因素進(jìn)行了設(shè)計(jì)與計(jì)算,。為衡量取料刀刃口長(zhǎng)度與取料寬度之間的關(guān)系,，提出取料刃長(zhǎng)度比C的概念，取C為1.25,。采用EDEM對(duì)青貯取料進(jìn)給速度和取料轉(zhuǎn)速等關(guān)鍵因素進(jìn)行了仿真，分析表明由于螺旋葉片與護(hù)罩間隙較大,，物料會(huì)隨著取料刀和滾筒高速轉(zhuǎn)動(dòng),，回流率較高。提高取料進(jìn)給速度,，取料效率增大,，但回流率上升,。當(dāng)進(jìn)給速度為4m/min時(shí)，回流率高達(dá)50.05%,，造成物料的過(guò)度切割,，且能耗大。增加取料轉(zhuǎn)速,，取料效率增大,，回流率降低，但轉(zhuǎn)速超過(guò)230r/min后驅(qū)動(dòng)扭矩增幅較大,。采取中等進(jìn)給速度和取料轉(zhuǎn)速,，加大取料刀安裝螺距、滾筒護(hù)罩后部導(dǎo)流傾角和物料射入角,，能夠提高取料效率,，并降低回流率和能耗。選取料進(jìn)給速度2.5m/min和轉(zhuǎn)速230r/min對(duì)優(yōu)化裝置進(jìn)行仿真和試驗(yàn),，結(jié)果基本一致,。仿真分析功耗降低64%，試驗(yàn)未出現(xiàn)堵塞和憋車現(xiàn)象,，取料寬度2000mm,，取料高度5050mm，取料效率75.02m3/h,，回流率28.95%,。

摘要:為探究基于蚯蚓運(yùn)動(dòng)特征的仿生篩上玉米脫出物的運(yùn)動(dòng)特性,，利用API實(shí)現(xiàn)了仿生篩在EDEM中的非簡(jiǎn)諧運(yùn)動(dòng)（兩移動(dòng)一轉(zhuǎn)動(dòng)）,，并采用CFD-DEM耦合方法對(duì)玉米脫出物在氣流和仿生篩共同作用下的篩上運(yùn)動(dòng)進(jìn)行了數(shù)值模擬。通過(guò)分析玉米脫出物的篩分過(guò)程,，明晰了仿生篩對(duì)篩上玉米脫出物的運(yùn)移機(jī)理,。探究了玉米脫出物在仿生篩上不同區(qū)域的水平運(yùn)移和豎直分層。數(shù)值模擬結(jié)果表明：玉米籽粒,、芯和莖稈在仿生篩上的平均水平速度分別為0.63,、1.60、2.51m/s,，有利于籽粒和雜余沿篩面水平分離和分散,；玉米脫出物在篩體前部的平均水平速度最大，為1.71m/s，表明仿生篩能夠?qū)⒑Y體前部的玉米脫出物快速向后運(yùn)移以減少進(jìn)料端堆積,；隨著玉米脫出物由篩體中部運(yùn)動(dòng)到篩體尾部,，玉米籽粒平均豎直位移降低20.61mm，而芯和莖稈平均豎直位移卻分別增大9.84mm和5.70mm,，籽粒和雜余在豎直方向上的分層明顯,；通過(guò)高速攝像分析了玉米脫出物在仿生篩上的運(yùn)動(dòng)狀態(tài)，并提取了玉米脫出物在篩體前,、中部區(qū)域的平均水平速度,，其變化規(guī)律與數(shù)值模擬結(jié)果基本一致，驗(yàn)證了仿生篩對(duì)篩上玉米脫出物的運(yùn)移機(jī)理,。當(dāng)仿生篩清選裝置入口氣流速度為12.8m/s,、氣流方向角為25°、篩面最大下凹深度為50mm,、凸輪轉(zhuǎn)速為120r/min時(shí),，仿生篩清選裝置篩分后的籽粒損失率均值為0.61%，籽粒含雜率均值為1.94%,，均滿足國(guó)家標(biāo)準(zhǔn)要求,。

摘要:針對(duì)傳統(tǒng)斜面法測(cè)定馬鈴薯靜摩擦因數(shù)存在工作效率,、精度較低等問(wèn)題，提出水重力式馬鈴薯靜摩擦因數(shù)測(cè)定原理,，通過(guò)精確控制水的重力來(lái)確定馬鈴薯的靜摩擦力,，進(jìn)而計(jì)算靜摩擦因數(shù)，據(jù)此設(shè)計(jì)了馬鈴薯靜摩擦因數(shù)測(cè)定儀,。對(duì)甘肅省普遍種植的隴薯10號(hào)品種進(jìn)行靜摩擦因數(shù)測(cè)定,。結(jié)果表明：帶土馬鈴薯與鋼板之間的靜摩擦因數(shù)為0.420，與塑料板之間的靜摩擦因數(shù)為0.496,，馬鈴薯之間靜摩擦因數(shù)為0.442,；不帶土馬鈴薯與鋼板之間的靜摩擦因數(shù)為0.455，與塑料板之間的靜摩擦因數(shù)為0.526,，馬鈴薯之間的靜摩擦因數(shù)為0.483,。由此可見(jiàn)，帶土馬鈴薯的靜摩擦因數(shù)較不帶土馬鈴薯小,，靜摩擦因數(shù)從大到小依次為：馬鈴薯與塑料板之間,、馬鈴薯之間,、馬鈴薯與45號(hào)鋼板之間。為進(jìn)一步驗(yàn)證重力法的可靠性,，進(jìn)行馬鈴薯坍塌堆積角仿真和試驗(yàn)。結(jié)果發(fā)現(xiàn)：重力法條件下不帶土馬鈴薯形成的堆積角與試驗(yàn)結(jié)果較接近,，其相對(duì)誤差為1.04%,，斜面法條件下不帶土馬鈴薯形成的堆積角與試驗(yàn)結(jié)果相對(duì)誤差為7.73%；斜面法條件下帶土馬鈴薯形成的堆積角與試驗(yàn)結(jié)果較接近,，其相對(duì)誤差為0.37%,，重力法條件下的堆積角與試驗(yàn)結(jié)果的相對(duì)誤差為4.31%。重力法可以測(cè)定馬鈴薯之間的靜摩擦因數(shù),，綜合比較可知重力法在測(cè)定馬鈴薯靜摩擦因數(shù)方面優(yōu)于斜面法,。

摘要:大型立式蝸殼離心泵是長(zhǎng)距離輸水的核心動(dòng)力裝備,，為了研究小流量工況下泵內(nèi)不穩(wěn)定失速機(jī)理,，基于精細(xì)化網(wǎng)格和SST-SAS湍流模型，數(shù)值分析了活動(dòng)導(dǎo)葉開(kāi)度在小開(kāi)度,、最優(yōu)開(kāi)度和大開(kāi)度3種條件下的非定常流態(tài)及其誘導(dǎo)壓力脈動(dòng)特性,，討論了導(dǎo)葉開(kāi)度對(duì)立式蝸殼離心泵失速特性的影響。研究結(jié)果表明,，在不同導(dǎo)葉開(kāi)度下泵內(nèi)失速的特征工況點(diǎn)相近,，流量-揚(yáng)程曲線均呈現(xiàn)典型的駝峰區(qū)，但在小導(dǎo)葉開(kāi)度條件下流量-揚(yáng)程曲線對(duì)應(yīng)正斜率最大,，大導(dǎo)葉開(kāi)度時(shí)最小,。在3種活動(dòng)導(dǎo)葉開(kāi)度下，活動(dòng)和固定導(dǎo)葉之間的無(wú)葉區(qū)內(nèi)均出現(xiàn)了大尺度旋渦,，且固定導(dǎo)葉工作面的流動(dòng)分離不斷擴(kuò)散至相鄰固定導(dǎo)葉背面,。在深度失速工況下，不同導(dǎo)葉開(kāi)度條件時(shí)葉輪內(nèi)的流體熵產(chǎn)率分布規(guī)律呈現(xiàn)明顯不同的特征,。隨導(dǎo)葉開(kāi)度增大葉輪葉片靠近前蓋板截面上的流動(dòng)分離區(qū)域擴(kuò)大,，且在最優(yōu)開(kāi)度和大開(kāi)度條件下葉輪葉片中截面上靠近葉輪流道出口位置出現(xiàn)了較大速度梯度，導(dǎo)致了局部熵產(chǎn)率高的特征,。在導(dǎo)葉小開(kāi)度時(shí)深度失速工況下壓力脈動(dòng)的主頻為葉片通過(guò)頻率7fn,，而最優(yōu)開(kāi)度時(shí)主頻為0.9fn，大開(kāi)度時(shí)在0.7fn~1.2fn范圍內(nèi)頻率對(duì)應(yīng)振幅均較大,，大開(kāi)度下的壓力脈動(dòng)呈現(xiàn)寬頻特性,。通過(guò)導(dǎo)葉內(nèi)非定常數(shù)值模擬,，發(fā)現(xiàn)低頻壓力脈動(dòng)的出現(xiàn)與導(dǎo)葉內(nèi)存在的周期性大尺度旋渦密切相關(guān)。

摘要:開(kāi)敞式進(jìn)水池在大流量、低水位情況下易出現(xiàn)表面渦,，嚴(yán)重時(shí)將發(fā)展為吸氣渦,，影響泵站安全穩(wěn)定運(yùn)行。為準(zhǔn)確模擬吸氣渦流動(dòng)結(jié)構(gòu),，采用S-CLSVOF方法捕捉水氣交界面,，并基于混合RANS/LES方法中的VLES方法解析湍流場(chǎng)結(jié)構(gòu)，分析了網(wǎng)格與計(jì)算時(shí)間對(duì)計(jì)算結(jié)果的影響,，同時(shí)研究了VLES模型的特性,。結(jié)果表明：VLES模型可以準(zhǔn)確地預(yù)測(cè)吸氣渦流場(chǎng)中的速度分布；不同網(wǎng)格數(shù)量級(jí)對(duì)速度分布與相對(duì)吸氣率的變化規(guī)律影響較小,，為降低計(jì)算資源消耗,，網(wǎng)格數(shù)量級(jí)達(dá)到O(106)即可；根據(jù)相對(duì)吸氣率隨時(shí)間的變化規(guī)律可判斷吸氣渦達(dá)到穩(wěn)定的時(shí)刻,，在該時(shí)刻之后計(jì)算10s即滿足相關(guān)標(biāo)準(zhǔn)的要求,，進(jìn)一步延長(zhǎng)計(jì)算時(shí)間不改變吸氣渦位置與相對(duì)吸氣率的變化規(guī)律；在本算例中,，VLES模型的解析度主要受湍流積分尺度的影響,，在近壁面為RANS模式以降低近壁面網(wǎng)格要求，而在湍流核心區(qū)為混合RANS/LES以提高計(jì)算精度,。

摘要:科學(xué)劃分農(nóng)村居民點(diǎn)內(nèi)部用地土地利用類型,，并對(duì)其結(jié)構(gòu)進(jìn)行系統(tǒng)分析，是編制村莊發(fā)展規(guī)劃和實(shí)施差異化整治措施的基礎(chǔ),。以北京市密云區(qū)為例,，基于細(xì)化分類的農(nóng)村居民點(diǎn)內(nèi)部用地?cái)?shù)據(jù)和密云水庫(kù)保護(hù)區(qū)范圍，綜合運(yùn)用Weaver-Thomas組合系數(shù)法,、洛倫茲曲線,、基尼系數(shù)和景觀格局分析等方法，分析農(nóng)村居民點(diǎn)內(nèi)部用地結(jié)構(gòu)特征,。結(jié)果表明：密云區(qū)農(nóng)村居民點(diǎn)以生活空間為主,，生產(chǎn)空間和生態(tài)空間為輔，居住,、農(nóng)業(yè)生產(chǎn),、工業(yè)生產(chǎn)和商旅服務(wù)是主要的用地類型,；農(nóng)村居民點(diǎn)內(nèi)部生活空間的分布最均衡，其次是生產(chǎn)空間,，生態(tài)空間用地類型最不均衡,，水源保護(hù)區(qū)內(nèi)的農(nóng)村居民點(diǎn)用地生態(tài)空間面積比例高于區(qū)外。農(nóng)村居民點(diǎn)內(nèi)部用地類型較為混合,，景觀破碎,；比較而言，水源保護(hù)區(qū)內(nèi)的景觀相對(duì)聚集和規(guī)則,，說(shuō)明水源保護(hù)區(qū)的劃定和管理對(duì)農(nóng)村居民點(diǎn)內(nèi)部用地結(jié)構(gòu)有一定影響。研究結(jié)果可為村莊用地的有序整治與高效利用提供依據(jù),。

摘要:為研究激光雷達(dá)單木分割輔助條件下無(wú)人機(jī)可見(jiàn)光圖像樹(shù)種識(shí)別應(yīng)用潛力,，提出聯(lián)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）和集成學(xué)習(xí)（EL）的樹(shù)種識(shí)別方法,。首先利用同期無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)和可見(jiàn)光影像數(shù)據(jù)進(jìn)行單木樹(shù)冠探測(cè)并制作單木樹(shù)冠影像數(shù)據(jù)集；其次引入ResNet50網(wǎng)絡(luò)并結(jié)合引入有效通道注意力機(jī)制,、替換膨脹卷積,、調(diào)整卷積模塊層數(shù)搭建出4個(gè)卷積神經(jīng)網(wǎng)絡(luò)，使用ImageNet大型數(shù)據(jù)集進(jìn)行模型預(yù)訓(xùn)練,，加載預(yù)訓(xùn)練參數(shù)進(jìn)行模型初始化并利用制作的單木樹(shù)冠影像數(shù)據(jù)集訓(xùn)練出5個(gè)不同的分類模型,；最后通過(guò)相對(duì)多數(shù)投票法建立集成模型。實(shí)驗(yàn)結(jié)果表明,，單木探測(cè)總體精度達(dá)到83.80%,，集成學(xué)習(xí)的訓(xùn)練精度、驗(yàn)證精度,、獨(dú)立測(cè)試精度分別達(dá)到了99.15%,、98.34%和90.15%，較ResNet50網(wǎng)絡(luò)提高了4.23,、3.04,、9.09個(gè)百分點(diǎn)，獨(dú)立測(cè)試精度較隨機(jī)森林分類最優(yōu)結(jié)果高32.31個(gè)百分點(diǎn),。激光雷達(dá)單木分割輔助條件下利用卷積神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)策略能夠充分提取無(wú)人機(jī)圖像特征用于樹(shù)種識(shí)別,。

摘要:探地雷達(dá)在果樹(shù)和古樹(shù)名木養(yǎng)護(hù)管理領(lǐng)域具有廣闊的應(yīng)用前景,。針對(duì)探地雷達(dá)采集的B-scan圖像中雜波影響根系定位精度的問(wèn)題，提出了基于魯棒深度自動(dòng)編碼器（RDAE）,、直接最小二乘法（DLS）和頻率-波數(shù)域偏移（FKM）相結(jié)合的樹(shù)木根系定位方法,。首先,，通過(guò)RDAE將零點(diǎn)校正后的B-scan圖像分解為表示雜波的低秩分量和表示根系目標(biāo)回波的稀疏分量，保留稀疏分量完成雜波抑制,；然后使用DLS擬合目標(biāo)回波形成的雙曲線估算土壤的相對(duì)介電常數(shù),；最后，根據(jù)土壤的相對(duì)介電常數(shù)計(jì)算得出偏移速度作為頻率-波數(shù)域偏移的輸入進(jìn)行偏移成像,，獲取根系的半徑和深度信息從而完成根系定位,。實(shí)驗(yàn)結(jié)果表明：RDAE方法在仿真和實(shí)測(cè)數(shù)據(jù)上的雜波抑制效果對(duì)比均值減法（MS）、奇異值分解（SVD）和魯棒主成分分析（RPCA）有著更高的信雜比和改善因子,，通過(guò)DLS估計(jì)的土壤相對(duì)介電常數(shù)均方根相對(duì)誤差為3.84%,，根系定位的最大半徑相對(duì)誤差和最大深度相對(duì)誤差分別為8.5%、8.7%,，能夠完成根系位置標(biāo)定,，滿足根系無(wú)損檢測(cè)的需求，可為樹(shù)木健康管理和移植提供決策支持,。

摘要:針對(duì)目前的Voronoi路徑規(guī)劃算法生成的Voronoi圖彎曲冗余,，依據(jù)Voronoi地圖規(guī)劃路徑實(shí)時(shí)性差,，規(guī)劃出的路徑彎曲，機(jī)器人導(dǎo)航時(shí)轉(zhuǎn)折次數(shù)多,、時(shí)間成本高,、效率低等問(wèn)題，提出一種基于骨架關(guān)鍵點(diǎn)重規(guī)劃的Voronoi圖法路徑規(guī)劃算法,。首先對(duì)機(jī)器人構(gòu)建的二維柵格地圖進(jìn)行預(yù)處理,，去掉地圖中的噪點(diǎn)和毛邊，填充邊界上細(xì)微的裂縫,，然后提取地圖的骨架,，搜索出骨架中的關(guān)鍵點(diǎn)，將關(guān)鍵點(diǎn)按原來(lái)的相鄰點(diǎn)連接關(guān)系重新連接,，生成新的筆直的骨架,，并采用降梯度采樣方法平滑依據(jù)骨架規(guī)劃出的路徑。在經(jīng)過(guò)多次仿真實(shí)驗(yàn)和實(shí)際實(shí)驗(yàn)驗(yàn)證后,，證明本文算法生成的骨架比目前的Voronoi圖和骨架更加簡(jiǎn)潔,，數(shù)據(jù)量更小，機(jī)器人基于優(yōu)化后的Voronoi地圖能夠更加快速規(guī)劃出筆直的路徑,，具有良好的實(shí)時(shí)性,，規(guī)劃出的路徑更短,，轉(zhuǎn)折次數(shù)更少，機(jī)器人導(dǎo)航過(guò)程中能夠迅速到達(dá)目標(biāo)點(diǎn),，導(dǎo)航效率高,。

摘要:為實(shí)現(xiàn)收獲機(jī)無(wú)人駕駛自適應(yīng)調(diào)控，提出一種基于雙目視覺(jué)對(duì)田間作物高度和收割邊界信息進(jìn)行提取的方法,。利用雙目相機(jī)獲取三維數(shù)據(jù),，基于RANSAC算法擬合初始地面平面，結(jié)合IMU計(jì)算作業(yè)實(shí)時(shí)平面,，根據(jù)點(diǎn)到平面的距離將三維數(shù)據(jù)轉(zhuǎn)換為對(duì)應(yīng)的實(shí)際高度,。提出一種改進(jìn)的結(jié)合密度峰聚類和K均值聚類的方法對(duì)高度數(shù)據(jù)分類，同時(shí)基于歸一化彩色圖像分割作物上部區(qū)域,，融合高度分類和彩色圖像分割結(jié)果，實(shí)現(xiàn)作物高度信息的提取,。利用高度數(shù)據(jù)序列和模型函數(shù)的互相關(guān)性提取收割邊界點(diǎn),，基于最小二乘法擬合邊界直線，根據(jù)當(dāng)前邊界線預(yù)測(cè)下一幀數(shù)據(jù)邊界點(diǎn)的候選范圍,，由收割邊界直線計(jì)算航向偏差和橫向偏差,。實(shí)驗(yàn)表明，該方法可以有效提取作物高度和收割邊界信息,，高度檢測(cè)平均絕對(duì)誤差為0.043m,，邊界識(shí)別正確率93.30%，航向偏差平均誤差為1.04°,，橫向偏差平均絕對(duì)誤差為0.084m,，對(duì)聯(lián)合收獲機(jī)無(wú)人駕駛自適應(yīng)調(diào)控有應(yīng)用價(jià)值。

摘要:針對(duì)圖像實(shí)時(shí)采集時(shí)，由于鏡頭缺陷,、相機(jī)抖動(dòng),、目標(biāo)運(yùn)動(dòng)等原因造成的模糊圖像輸入，導(dǎo)致訓(xùn)練完成的深度學(xué)習(xí)模型檢測(cè)準(zhǔn)確率下降問(wèn)題,，本文提出一種基于改進(jìn)Faster R-CNN和SSRN-DeblurNet的兩階段檢測(cè)方法,，用于農(nóng)田環(huán)境模糊圖像中的障礙物檢測(cè)。第1階段進(jìn)行銳度評(píng)價(jià)和去模糊處理,，利用簡(jiǎn)化尺度循環(huán)網(wǎng)絡(luò)（Simplified scale recurrent networks,，SSRN-DeblurNet）對(duì)模糊農(nóng)田圖像進(jìn)行去模糊,。第2階段進(jìn)行障礙物檢測(cè)，在原有的Faster R-CNN網(wǎng)絡(luò)中添加了候選區(qū)域優(yōu)化網(wǎng)絡(luò)來(lái)提高區(qū)域候選網(wǎng)絡(luò)中的目標(biāo)區(qū)域質(zhì)量,。在自制的模糊數(shù)據(jù)集上,，利用所提出的兩階段檢測(cè)方法對(duì)8種農(nóng)田障礙物進(jìn)行檢測(cè)。與原始Faster R-CNN相比,，兩階段檢測(cè)方法的平均精度均值（mAP）提高了12.32個(gè)百分點(diǎn),，單幅圖像的平均檢測(cè)時(shí)間為0.53s。所提出的兩階段方法能有效減少模糊農(nóng)田圖像中障礙物的誤檢和漏檢,，滿足拖拉機(jī)低速作業(yè)的實(shí)時(shí)檢測(cè)需求,。

摘要:針對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害識(shí)別方法存在網(wǎng)絡(luò)參數(shù)眾多、計(jì)算量大且復(fù)雜的問(wèn)題,，結(jié)合植物葉片病害特征,，提出了一種基于輕量級(jí)殘差網(wǎng)絡(luò)（Scale-Down ResNet）的植物葉片病害識(shí)別方法。網(wǎng)絡(luò)基于Residual Network（ResNet）,，通過(guò)縮減網(wǎng)絡(luò)卷積核數(shù)目和輕量級(jí)殘差模塊（SD-BLOCK）,，在大幅減少網(wǎng)絡(luò)參數(shù)、降低計(jì)算復(fù)雜度的同時(shí)保持了低識(shí)別錯(cuò)誤率,，然后加入Squeeze-and-Excitation模塊進(jìn)一步降低識(shí)別錯(cuò)誤率,。在PlantVillage數(shù)據(jù)集上的實(shí)驗(yàn)表明，在網(wǎng)絡(luò)參數(shù)量8×104,，計(jì)算量MFLOPs為55的情況下,，模型識(shí)別錯(cuò)誤率為0.55%。當(dāng)參數(shù)量達(dá)到2.8×105,，計(jì)算量MFLOPs為176時(shí),，模型識(shí)別錯(cuò)誤率為0.32%，低于ResNet-18,，并且參數(shù)量約為其1/39,，計(jì)算量約為其1/10。相比MobileNet V3和ShuffleNet V2,，所提網(wǎng)絡(luò)模型更為輕量,，識(shí)別錯(cuò)誤率更低。同時(shí)網(wǎng)絡(luò)在自建蘋(píng)果葉片病害數(shù)據(jù)集上獲得了1.52%的低識(shí)別錯(cuò)誤率,。

摘要:針對(duì)大量小麥育種材料花期難以精準(zhǔn)、快速檢測(cè)的問(wèn)題,，提出了一種基于綜合顏色特征和超像素分割算法的小麥開(kāi)花期判定方法,。首先，根據(jù)光照強(qiáng)度及圖像清晰度對(duì)綜合顏色特征的過(guò)紅顏色分量,、HSV顏色空間的S分量和紅綠歸一化顏色分量自適應(yīng)調(diào)節(jié),，增強(qiáng)小花和小穗的差異性。其次,，基于中心距離函數(shù)和灰度變化函數(shù)改進(jìn)超像素分割算法的聚類規(guī)則,，獲得由同質(zhì)特征的相鄰像素組成的圖像區(qū)域。隨后,，優(yōu)化圖像區(qū)域路徑搜索算法實(shí)現(xiàn)各圖像區(qū)域精確分割,，通過(guò)灰度和對(duì)比度指標(biāo)完成各圖像區(qū)域分類，實(shí)現(xiàn)小花與小穗的精準(zhǔn),、快速分割,，并根據(jù)小花與小穗的比例完成開(kāi)花期判定。實(shí)驗(yàn)結(jié)果表明,，本文所提出算法平均計(jì)算時(shí)間為0.172s,，小花平均識(shí)別精度為91%，小穗平均識(shí)別精度為90.9%,，預(yù)測(cè)開(kāi)花率與實(shí)際開(kāi)花率的平均差值僅為1.16%，滿足田間小麥開(kāi)花期判定基本要求,。

摘要:為更好地利用音頻進(jìn)行畜禽發(fā)聲分類,，進(jìn)一步提高識(shí)別準(zhǔn)確率,，提出了一種基于多特征融合的蛋雞發(fā)聲識(shí)別方法。以棲架式養(yǎng)殖模式下蛋雞的產(chǎn)蛋聲,、鳴唱聲,、飼喂聲、尖叫聲典型音頻為研究對(duì)象,，提取梅爾頻譜系數(shù),、短時(shí)過(guò)零率、共振峰及其一階差分作為融合特征參量，構(gòu)建基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的蛋雞發(fā)聲分類識(shí)別模型,。結(jié)果表明,，本文方法對(duì)蛋雞產(chǎn)蛋聲、鳴唱聲,、飼喂聲和尖叫聲的平均識(shí)別準(zhǔn)確率為91.9%,，識(shí)別的精確度分別為90.2%、93.0%,、93.3%,、92.2%，平均精確度達(dá)到92.2%,；識(shí)別的靈敏度為94.9%,、90.0%、89.4%,、91.8%,，平均靈敏度達(dá)到91.5%。研究表明,，基于多特征融合的蛋雞發(fā)聲識(shí)別方法具有較好的識(shí)別靈敏度和精確度,，可為蛋雞發(fā)聲語(yǔ)義解析與自動(dòng)判別提供參考。

摘要:為實(shí)現(xiàn)犢牛飼喂過(guò)程中沖調(diào)代乳粉奶液溫度的有效控制、提高熱交換器溫度控制的準(zhǔn)確率,，設(shè)計(jì)一款基于模糊PID控制算法的動(dòng)態(tài)溫度控制系統(tǒng),，主要應(yīng)用PID參數(shù)在線模糊自整定和PID溫度控制模糊算法等實(shí)現(xiàn)動(dòng)態(tài)調(diào)節(jié)被控對(duì)象（代乳粉奶液）溫度，從而保證犢牛飲用代乳粉沖調(diào)奶液溫度控制在（37±1）℃的可控范圍內(nèi),。設(shè)定熱交換器溫度為42℃,，模擬外部入水溫度分別為10、15,、20,、25℃時(shí)，犢牛飲奶位奶液溫度與預(yù)先參數(shù)設(shè)定溫度的波動(dòng)幅度最大值僅為0.3℃,。對(duì)犢牛飼喂裝置的熱交換器恒溫控制系統(tǒng)進(jìn)行樣機(jī)性能試驗(yàn),，設(shè)定熱交換器內(nèi)的熱水恒溫控制在42℃，每5min記錄其溫度,，整個(gè)試驗(yàn)過(guò)程中熱交換器內(nèi)部溫度基本控制在（42±0.2）℃范圍內(nèi),，溫度平均相對(duì)誤差以及變異系數(shù)小，系統(tǒng)溫度控制穩(wěn)定，能夠滿足犢牛對(duì)代乳粉沖調(diào)奶液溫度的切實(shí)需求,，實(shí)現(xiàn)了犢牛飼喂裝置熱交換器的快速響應(yīng)和實(shí)時(shí)溫度控制,。

摘要:針對(duì)仔豬個(gè)體小,、易被遮擋且仔豬目標(biāo)檢測(cè)方法不易在嵌入式端部署等問(wèn)題,，提出一種適用于Jetson Nano端部署的哺乳期仔豬目標(biāo)檢測(cè)方法，在準(zhǔn)確檢測(cè)哺乳期仔豬目標(biāo)的同時(shí),，使模型實(shí)地部署更加靈活,。使用哺乳期仔豬圖像建立數(shù)據(jù)集，數(shù)據(jù)量為14000幅,，按8∶1∶1劃分訓(xùn)練集,、測(cè)試集和驗(yàn)證集。利用深度學(xué)習(xí)網(wǎng)絡(luò)提取哺乳期仔豬特征,，構(gòu)建仔豬目標(biāo)檢測(cè)模型,。融合推理網(wǎng)絡(luò)中的Conv、BN,、Activate Function層,，合并相同維度張量，刪除Concat層,，實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)量化,，減少模型運(yùn)行時(shí)的算力需求。將優(yōu)化后模型遷移至Jetson Nano,，在嵌入式平臺(tái)進(jìn)行測(cè)試,。實(shí)驗(yàn)結(jié)果表明，在嵌入式端,，量化后YOLO v5中4種模型的單幀圖像平均運(yùn)行時(shí)間分別為65,、170,、315,、560ms，檢測(cè)準(zhǔn)確率分別為96.8%,、97.0%,、97.0%和96.6%，能夠在Jetson Nano設(shè)備上對(duì)哺乳期仔豬目標(biāo)實(shí)現(xiàn)精準(zhǔn)檢測(cè),，為仔豬目標(biāo)檢測(cè)的邊緣計(jì)算模式奠定基礎(chǔ),。

摘要:針對(duì)肉牛行為識(shí)別過(guò)程中,，多目標(biāo)骨架提取精度隨目標(biāo)數(shù)量增多而大幅降低的問(wèn)題,，提出了一種改進(jìn)YOLO v3算法（Not classify RFB-YOLO v3，NC-YOLO v3）,在主干網(wǎng)絡(luò)后引入RFB（Receptive field block）擴(kuò)大模型感受野,，剔除分類模塊提高檢測(cè)效率,，結(jié)合8SH（8-Stacked Hourglass）算法實(shí)現(xiàn)實(shí)際養(yǎng)殖環(huán)境下的肉牛多目標(biāo)檢測(cè)與骨架提取。實(shí)驗(yàn)為肉牛骨架設(shè)置16個(gè)關(guān)鍵節(jié)點(diǎn)形成肉牛骨架點(diǎn)位信息,，通過(guò)對(duì)圖像多尺度和多方向訓(xùn)練提高檢測(cè)精度,。針對(duì)多目標(biāo)骨架提取模型檢測(cè)的關(guān)鍵點(diǎn)信息進(jìn)行統(tǒng)計(jì)分析，提出一種對(duì)肉牛站立和臥倒行為識(shí)別的方法,。實(shí)驗(yàn)結(jié)果表明：在目標(biāo)檢測(cè)方面,，NC-YOLO v3模型的召回率可達(dá)99.00%，精度可達(dá)97.80%,，平均精度可達(dá)97.18%,。與原模型相比，平均精度提高4.13個(gè)百分點(diǎn),，去除的網(wǎng)絡(luò)參數(shù)量為13.81MB,；在單牛骨架提取方面，采用8層堆疊的Hourglass網(wǎng)絡(luò)檢測(cè)關(guān)鍵點(diǎn)位置,，平均精度均值可達(dá)90.75%,；在多牛骨架提取方面，NC-YOLO v3構(gòu)建的模型相對(duì)于YOLO v3構(gòu)建的模型,，平均精度均值提高4.11個(gè)百分點(diǎn),，達(dá)到66.05%。

摘要:針對(duì)獸藥致病知識(shí)圖譜構(gòu)建過(guò)程中,，關(guān)于獸藥命名實(shí)體識(shí)別使用傳統(tǒng)方法依賴人工設(shè)計(jì)特征耗時(shí)耗力以及獸藥致病語(yǔ)料數(shù)據(jù)量較少的問(wèn)題,，提出一種引入注意力機(jī)制（Attention）與輔助層分類（Auxiliary layer）相結(jié)合獸藥文本命名實(shí)體識(shí)別模型（Att-Aux-BERT-BiLSTM-CRF）。通過(guò)BERT預(yù)處理模型進(jìn)行文本向量化,，然后連接雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bi-directional long-short term memory,，BiLSTM）,；引入注意力機(jī)制，將模型的BERT層輸出用作輔助分類層,， BiLSTM層輸出作為主分類層（Mainlayer）,，通過(guò)注意力機(jī)制組合以提高整體性能；最后輸入條件隨機(jī)場(chǎng)（Conditional random field,，CRF）,，構(gòu)建端到端的適合于獸藥領(lǐng)域?qū)嶓w識(shí)別的深度學(xué)習(xí)模型框架。實(shí)驗(yàn)選取獸藥文本共10643個(gè)句子,、485711個(gè)字符,，針對(duì)動(dòng)物、藥物,、不良反應(yīng),、攝入方式4類實(shí)體進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明,，本文模型能有效地辨別獸藥致病文本中的實(shí)體,，識(shí)別的F1值為96.7%。

摘要:為評(píng)價(jià)土壤肥力、生產(chǎn)能力及制作精準(zhǔn)施肥處方,，基于四端法原理設(shè)計(jì)了一種車載式大田土壤電導(dǎo)率快速檢測(cè)系統(tǒng),，系統(tǒng)包括交流恒流信號(hào)源、信號(hào)檢測(cè)調(diào)理電路及GNSS定位系統(tǒng),，可實(shí)現(xiàn)土壤田塊不同區(qū)域內(nèi)電導(dǎo)率的快速檢測(cè),。通過(guò)試驗(yàn)探究土壤含水率、土壤浸出液電導(dǎo)率,、電極入土深度,、土壤溫度對(duì)電極輸出信號(hào)的影響規(guī)律并根據(jù)試驗(yàn)結(jié)果回歸得出預(yù)測(cè)模型，模型決定系數(shù)R2為0.9961,。將系統(tǒng)安裝到土壤電導(dǎo)率檢測(cè)裝置上進(jìn)行大田試驗(yàn),，基于回歸預(yù)測(cè)模型對(duì)系統(tǒng)檢測(cè)數(shù)據(jù)進(jìn)行計(jì)算，并與實(shí)驗(yàn)室土壤采樣檢測(cè)的實(shí)際值進(jìn)行比較,，試驗(yàn)結(jié)果表明,，實(shí)驗(yàn)室建立的回歸模型可用于大田土壤浸出液電導(dǎo)率計(jì)算,，該系統(tǒng)在相同或相近路徑上得到的傳感器數(shù)據(jù)較為穩(wěn)定,，土壤浸出液電導(dǎo)率預(yù)測(cè)值與該區(qū)域系統(tǒng)檢測(cè)值趨勢(shì)相似,，該系統(tǒng)預(yù)測(cè)模型可用于大田中快速實(shí)時(shí)檢測(cè)電導(dǎo)率。

摘要:為構(gòu)建兼具良好水動(dòng)力性能和高空間利用率的循環(huán)水養(yǎng)殖池,，對(duì)比研究了正方形,、六邊形、八邊形,、圓形,、方形切角、方形圓弧角6種池型養(yǎng)殖池的水動(dòng)力特性及綜合性能,。在試驗(yàn)數(shù)據(jù)驗(yàn)證計(jì)算方法有效的基礎(chǔ)上,，研究了池型結(jié)構(gòu)對(duì)流動(dòng)均勻性、流速分布,、渦量分布,、水體混合均勻性及自凈化效能的影響作用，并從適漁性,、循環(huán)水的利用率,、空間利用率等方面分析了養(yǎng)殖池的綜合效能。研究表明：隨著養(yǎng)殖池的切角距離和圓角半徑增大,，底流速度增大,，水流均勻性、渦流強(qiáng)度和二次流強(qiáng)度增強(qiáng),，有利于提高循環(huán)水養(yǎng)殖池的水體混合與自凈化效能,，但養(yǎng)殖池的空間利用率降低；隨著切角距離和圓角半徑減小,，水體平均速度降低,，要維持適宜的速度范圍就要增大射流速度，產(chǎn)生更多廢水,，降低循環(huán)水利用效率,；正六邊形、0.4396

摘要:為探究黃淮海旱作區(qū)農(nóng)田耕層結(jié)構(gòu)特征,，基于土壤穿透阻力數(shù)據(jù),，運(yùn)用地統(tǒng)計(jì)學(xué),、Mann-Kendall突變檢驗(yàn)法等方法，識(shí)別了旱作區(qū)農(nóng)田壓實(shí)層的位置及厚度,，并探究了壓實(shí)層和耕作層的空間變異特征及其影響因素,。結(jié)果表明：土壤容重、含水率和土壤質(zhì)地是穿透阻力的主要影響因素,。和表層土壤相比,，深層土壤穿透阻力更易受含水率和土壤質(zhì)地的影響。黃淮海旱作區(qū)存在不同厚度的壓實(shí)層,。壓實(shí)層較厚區(qū)域主要集中在安徽省北部旱作區(qū),，平均厚度為12.38cm，且其平均土壤穿透阻力為1704.88kPa,；耕作層較厚區(qū)域主要集中在河南省,，平均厚度為19.31cm，其平均土壤穿透阻力僅為1218.41kPa,。除自然因素外,，農(nóng)業(yè)機(jī)械耕作是影響土壤壓實(shí)層和耕作層厚度與穿透阻力的重要因素。高農(nóng)業(yè)機(jī)械總動(dòng)力區(qū)域呈現(xiàn)“耕作層較薄,，壓實(shí)層較厚,，穿透阻力大”的特點(diǎn)。

摘要:精準(zhǔn)高效獲取不同類型土壤的有機(jī)質(zhì)含量，對(duì)促進(jìn)東北土壤退化防治和耕地質(zhì)量提升有重要意義,。本研究以東北旱作農(nóng)田典型土壤類型為研究對(duì)象,，采集了黑土、黑鈣土,、潮土和棕壤共118個(gè)土壤樣品,，采用倒數(shù)對(duì)數(shù)、一階微分,、連續(xù)統(tǒng)去除和連續(xù)小波變換分別對(duì)其光譜曲線進(jìn)行預(yù)處理,。通過(guò)穩(wěn)定性競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣（sCARS）算法篩選敏感波段，并建立偏最小二乘回歸模型,。研究結(jié)果表明：連續(xù)小波變換處理可以抑制背景和噪聲的干擾,，挖掘土壤光譜內(nèi)隱含的有效信息，提高土壤光譜與有機(jī)質(zhì)含量的相關(guān)性,。sCARS算法能夠提取與土壤有機(jī)質(zhì)相關(guān)的重要特征信息變量,，去除冗余,、重疊的光譜信息，提高建模效率,。黑土、黑鈣土,、潮土和棕壤的最佳模型均為連續(xù)小波變換模型,，R2分別達(dá)到了0.83、0.88,、0.93和0.93,；一階微分模型也有較好的表現(xiàn)，而倒數(shù)對(duì)數(shù),、連續(xù)統(tǒng)去除的模型效果不佳,。連續(xù)小波變換處理后，模型的精度和穩(wěn)定性得到了顯著提升,，建模集,、驗(yàn)證集決定系數(shù)R2最高提升了0.13、0.28,，均方根誤差（RMSE）最大降低了2.48,、2.40g/kg。連續(xù)小波變換結(jié)合sCARS算法,，為土壤有機(jī)質(zhì)含量的高光譜快速精準(zhǔn)估測(cè)提供了新途徑,。

摘要:樣本點(diǎn)權(quán)重調(diào)整是統(tǒng)計(jì)推斷樣本點(diǎn)屬性全局均值的重要手段,。以北京市順義區(qū)農(nóng)業(yè)用地樣本點(diǎn)為例，提出了一種面向全局均值估計(jì)的樣本點(diǎn)權(quán)重調(diào)整方法——泰森多邊形權(quán)重調(diào)整法,。首先構(gòu)建樣本點(diǎn)類型劃分規(guī)則,，將樣本點(diǎn)劃分為聚集樣本點(diǎn)、稀疏樣本點(diǎn)和均勻樣本點(diǎn),；其次針對(duì)不同類型樣本點(diǎn),，分別確定樣本點(diǎn)權(quán)重調(diào)整量和調(diào)整規(guī)則并進(jìn)行樣本點(diǎn)權(quán)重調(diào)整；最后以農(nóng)業(yè)用地土壤重金屬Hg含量及NDVI（歸一化植被指數(shù)）數(shù)據(jù)為例,，設(shè)置與原始樣本點(diǎn)（無(wú)權(quán)重調(diào)整）,、常規(guī)面積比例權(quán)重調(diào)整法的對(duì)比實(shí)驗(yàn)，通過(guò)2種評(píng)價(jià)參數(shù)的全局均值相對(duì)誤差分別評(píng)價(jià)不同樣本點(diǎn)權(quán)重調(diào)整方法的數(shù)據(jù)糾偏效果,。結(jié)果表明：2個(gè)聚集樣本點(diǎn)權(quán)重減小,，權(quán)重分別為0.609和0.883,；1個(gè)稀疏樣本點(diǎn)權(quán)重增大，權(quán)重為1.068,；63個(gè)均勻樣本點(diǎn)權(quán)重不變,，權(quán)重為1；泰森多邊形權(quán)重調(diào)整法統(tǒng)計(jì)推斷農(nóng)業(yè)用地土壤重金屬Hg含量和NDVI的全局均值估計(jì)相對(duì)誤差（0.413%,、1.617%）小于原始樣本點(diǎn)（1.056%,、2.500%）和常規(guī)面積比例權(quán)重調(diào)整法（2.933%、2.941%）,，表明該權(quán)重調(diào)整方法的樣本點(diǎn)全局均值估計(jì)更加準(zhǔn)確,、可靠。

摘要:為探究含沙水磁化處理對(duì)懸浮泥沙在滴灌管網(wǎng)中沉降的影響，揭示含沙水磁化處理對(duì)滴頭堵塞的減緩機(jī)理,，以內(nèi)鑲貼片式迷宮流道滴頭為研究對(duì)象,，設(shè)置4種磁化強(qiáng)度（0、0.2,、0.4,、0.6T）和4種粒徑級(jí)配（0~0.100mm、0.075~0.100mm,、0.038~0.075mm,、0~0.038mm）的泥沙，泥沙質(zhì)量濃度為1.0,、3.0g/L,，進(jìn)行短周期間歇性灌水試驗(yàn)和絮凝沉降試驗(yàn)，利用MS2000型激光粒度分析儀,、水質(zhì)測(cè)試儀和烏氏粘度計(jì)等對(duì)毛管淤積泥沙機(jī)械組成,、含沙水的電導(dǎo)率和粘滯系數(shù)等進(jìn)行多角度分析。結(jié)果表明：磁化處理極顯著地減緩了滴頭流量和灌水均勻度的下降趨勢(shì)（p<0.01）,，細(xì)顆粒泥沙（粒徑0~0.03mm）含量較高時(shí),，磁化處理對(duì)滴頭堵塞的減緩作用最大，灌水結(jié)束時(shí),，滴頭平均相對(duì)流量和灌水均勻度較未磁化處理分別提高17.41%和47.27%,；磁化處理加速了懸浮泥沙的絮凝沉降速度，細(xì)顆粒泥沙含量越高，加速作用越大,，沉降2h后含沙水濁度較未磁化處理最高降低29.44%,；磁化處理后毛管前段滴頭堵塞率平均提高17.71%，毛管前中段淤積泥沙中值粒徑減小了11.49%,，磁化處理促進(jìn)了毛管中細(xì)顆粒泥沙的絮凝作用,，加速了其在毛管前段的沉降。磁化強(qiáng)度為0.4T時(shí),，磁化處理對(duì)滴頭堵塞和懸浮泥沙絮凝沉降的影響最大,。建議引用細(xì)顆粒泥沙含量較高的黃河水滴灌時(shí)，宜采用磁化處理措施（磁化強(qiáng)度為0.4T）,，既可以減緩堵塞以提高毛管使用壽命,，又可提高作物生長(zhǎng)品質(zhì),，并定期沖洗毛管,，降低滴頭堵塞風(fēng)險(xiǎn)。

摘要:不同植株葉位、葉齡和所處環(huán)境的導(dǎo)致單葉光合速率存在明顯差異,，使其在表征整株光合能力和物質(zhì)積累效率等方面存在不足,。本文以設(shè)施蔬菜為研究對(duì)象，基于透明同化箱設(shè)計(jì)基于碳同化過(guò)程的群體光合速率測(cè)量系統(tǒng),，系統(tǒng)通過(guò)高精度光輻射傳感器和SCD30對(duì)同化箱內(nèi)光照強(qiáng)度,、CO2濃度、溫濕度進(jìn)行采集,，實(shí)現(xiàn)了同化箱光環(huán)境的精確控制,、碳同化過(guò)程測(cè)量、溫濕度控制等功能,。試驗(yàn)與LI-6800型閉路碳同化測(cè)量系統(tǒng)同步進(jìn)行,，采用線性擬合計(jì)算CO2濃度變化量進(jìn)而獲取群體光合速率，分析測(cè)量系統(tǒng)性能及不同光溫條件和作物品種碳同化過(guò)程的檢測(cè)精度,。結(jié)果表明系統(tǒng)氣密性和光調(diào)控精度良好,，最大漏氣速率為0.0473μmol/(mol·min)，單次測(cè)量(6min)最大漏氣量為0.2838μmol/mol,，光環(huán)境調(diào)控精度平均標(biāo)準(zhǔn)差為2.71μmol/(m2·s),，能夠滿足植株碳同化過(guò)程的檢測(cè)要求。通過(guò)線性相關(guān)性分析，生菜單株/多株CO2交換量擬合R2分別為0.988,、0.874,，均方根誤差分別為5.82、5.80μmol/mol,，番茄線性擬合R2為0.952,，均方根誤差為3.39μmol/mol，結(jié)果表明系統(tǒng)測(cè)量性能與LI-6800型閉路碳同化測(cè)量系統(tǒng)性能接近,，且在直立生長(zhǎng)植株的檢測(cè)性能更好,；通過(guò)光響應(yīng)曲線擬合計(jì)算，番茄和生菜在不同溫度,、光照條件下,，系統(tǒng)與LI-6800型閉路碳同化測(cè)量系統(tǒng)光響應(yīng)曲線間平均絕對(duì)誤差均值分別為0.45、0.35μmol/(m2·s),，擬合R2均值不小于0.95,，證明系統(tǒng)能實(shí)現(xiàn)群體光響應(yīng)曲線的高精度穩(wěn)定測(cè)量。

摘要:針對(duì)溫室番茄無(wú)法按需灌溉問(wèn)題,，提出了隨機(jī)森林(Random forest, RF)結(jié)合門控循環(huán)單元(Gated recurrent unit, GRU)神經(jīng)網(wǎng)絡(luò)的溫室番茄結(jié)果前期蒸騰量預(yù)測(cè)方法，并開(kāi)發(fā)了一套基于番茄蒸騰量的智慧灌溉系統(tǒng),?；谖锫?lián)網(wǎng)實(shí)時(shí)獲取數(shù)據(jù)，采用RF算法對(duì)影響溫室番茄蒸騰量的變量進(jìn)行特征重要性排序,，選取作物相對(duì)葉面積指數(shù),、溫室內(nèi)空氣溫度、相對(duì)濕度,、光照強(qiáng)度,、光合有效輻射、基質(zhì)含水率和基質(zhì)溫度作為模型的輸入變量,，在此基礎(chǔ)上,，構(gòu)建了基于GRU的番茄蒸騰量預(yù)測(cè)模型,。試驗(yàn)結(jié)果表明：RF-GRU在番茄蒸騰量預(yù)測(cè)中具有準(zhǔn)確的預(yù)測(cè)效果，決定系數(shù)(R2),、均方根誤差(RMSE),、平均絕對(duì)誤差(MAE)分別為0.9490、10.96g和5.80g,。同時(shí),，基于此模型進(jìn)行指導(dǎo)灌溉相比于定時(shí)灌溉，在番茄長(zhǎng)勢(shì)基本相同的情況下,，灌溉量降低了20%,，可為實(shí)際生產(chǎn)提供參考。

摘要:針對(duì)黑龍江省農(nóng)村生活用能高,、結(jié)構(gòu)不合理及秸稈能源需求大等問(wèn)題，開(kāi)展了黑龍江省農(nóng)村生活用能研究,，并對(duì)2030年,、2060年黑龍江省的農(nóng)村能源進(jìn)行了資源量,、消費(fèi)量,、能源結(jié)構(gòu)以及溫室氣體減排貢獻(xiàn)等相關(guān)預(yù)測(cè)分析。結(jié)果表明：目前黑龍江省農(nóng)村生活用能總量穩(wěn)定在0.220億t標(biāo)煤,，農(nóng)村生活用能結(jié)構(gòu)以秸稈,、煤炭為主，特別是秸稈使用占比顯著高于全國(guó)水平,；從減排角度測(cè)算,，秸稈散燒、生物質(zhì)成型燃料的使用對(duì)溫室氣體減排貢獻(xiàn)分別為0.014億t CO2e,、0.013億t CO2e,。經(jīng)預(yù)測(cè)，2030年,、2060年黑龍江省農(nóng)村居民生活能源消費(fèi)總量分別為0.059億t標(biāo)煤,、0.022億t標(biāo)煤；可收集秸稈的資源量分別為0.928億t,、1.256億t,。在減排背景下，滿足秸稈還田需求和秸稈飼料化需求的基礎(chǔ)上,，預(yù)測(cè)2030年,、2060年黑龍江省可用于秸稈能源化的最大潛能分別為0.235億t、0.317億t，折合標(biāo)煤分別為0.045億t標(biāo)煤,、0.061億t標(biāo)煤,，分別占2030年、2060年黑龍江省農(nóng)村居民生活能源消費(fèi)總量的5.183%,、18.529%,。此外，2030年,、2060年秸稈能源化的溫室氣體減排量貢獻(xiàn)分別為0.247億t CO2e,、0.333億t CO2e。

摘要:設(shè)計(jì)了內(nèi)流式網(wǎng)格化低溫相變儲(chǔ)熱單元。確定了影響相變儲(chǔ)熱單元傳熱系數(shù)的關(guān)鍵影響因素,，分析了單一因素對(duì)相變儲(chǔ)熱單元傳熱系數(shù)的影響規(guī)律,。分別在儲(chǔ)熱及放熱工況下，采用改進(jìn)的多元非線性回歸法構(gòu)建了相變儲(chǔ)熱單元傳熱系數(shù)的預(yù)測(cè)模型,，并檢驗(yàn)了擬合誤差,。結(jié)果表明：相變儲(chǔ)熱單元傳熱系數(shù)受相變儲(chǔ)熱材料側(cè)平均溫度及換熱工質(zhì)側(cè)定性溫度的協(xié)同影響，相變儲(chǔ)熱材料側(cè)平均溫度為主要影響因素,，換熱工質(zhì)側(cè)定性溫度為次要影響因素,，兩者之間具有顯著的交互性。儲(chǔ)熱或放熱工況下,，相變儲(chǔ)熱單元傳熱系數(shù)隨單一因素的變化規(guī)律基本一致,，儲(chǔ)熱階段傳熱系數(shù)明顯高于放熱階段，相變儲(chǔ)熱單元傳熱系數(shù)預(yù)測(cè)模型的平均相對(duì)預(yù)測(cè)誤差均小于5.00%,。

摘要:針對(duì)低壓過(guò)熱蒸汽干燥香蕉時(shí)高干燥速率與高品質(zhì)難以同時(shí)保證的問(wèn)題,，提出了低壓過(guò)熱蒸汽-真空組合干燥方法,，以提高干燥速率、降低物料溫度,，實(shí)現(xiàn)提高產(chǎn)品品質(zhì)的目的,。通過(guò)第一降速階段和全階段計(jì)算的香蕉逆轉(zhuǎn)點(diǎn)溫度分別為88.75℃和89.06℃,。在高于逆轉(zhuǎn)點(diǎn)的90℃進(jìn)行低壓過(guò)熱蒸汽-真空組合干燥研究，結(jié)果表明：低壓過(guò)熱蒸汽-真空組合干燥香蕉最高溫度比低壓過(guò)熱蒸汽干燥降低8.5℃,，干燥時(shí)間比真空干燥降低30min,。相比低壓過(guò)熱蒸汽干燥和真空干燥，第1次斷裂衰減量分別下降了7.37%和36.03%,，峰個(gè)數(shù)分別增加了38.27%和41.77%,，香蕉干制品的脆性及脆性層次感增強(qiáng)，干制品的孔隙結(jié)構(gòu)豐富,。組合干燥的維生素C保留率達(dá)到67.9%,，比低壓過(guò)熱蒸汽干燥和真空干燥分別提高了255%和191%。

摘要:針對(duì)輸送帶場(chǎng)景中羊肉分體需要進(jìn)一步分類檢測(cè)問(wèn)題,，提出一種基于單階段目標(biāo)檢測(cè)算法的羊肉多分體實(shí)時(shí)分類檢測(cè)方法。在羊屠宰車間環(huán)境下采集包含多類,、多個(gè)羊肉分體圖像,，經(jīng)圖像增廣及歸一化后建立羊肉多分體圖像數(shù)據(jù)集，其中訓(xùn)練集7200幅,，測(cè)試集1400幅,，驗(yàn)證集400幅。利用單階段目標(biāo)檢測(cè)算法YOLO v3引入遷移學(xué)習(xí)對(duì)羊肉多分體圖像數(shù)據(jù)集展開(kāi)訓(xùn)練并獲得最優(yōu)模型,，基于最優(yōu)模型返回圖像中各羊肉分體的類別及其位置,，從而實(shí)現(xiàn)羊肉分體的分類檢測(cè),。選用平均精度及單幅圖像平均處理時(shí)間作為評(píng)判模型檢測(cè)精度與速度指標(biāo),。然后通過(guò)更換羊肉多分體識(shí)別模型的特征提取網(wǎng)絡(luò)優(yōu)化檢測(cè)速度。另外設(shè)置包含亮,、暗兩種亮度水平的附加光照數(shù)據(jù)集以及代表羊肉分體遮擋情形的附加遮擋數(shù)據(jù)集,，分別驗(yàn)證優(yōu)化后模型的泛化能力與抗干擾能力，并通過(guò)多尺度特征明顯的頸部與腹肋肉測(cè)試優(yōu)化后模型的魯棒性,。最后引入Mask R-CNN,、Faster R-CNN、Cascade R-CNN和SSD 4種常用目標(biāo)檢測(cè)算法針對(duì)不同數(shù)據(jù)集分別進(jìn)行對(duì)比試驗(yàn),，在此基礎(chǔ)上,，進(jìn)一步更換特征提取網(wǎng)絡(luò)為MobileNet V1、ResNet34和ResNet50驗(yàn)證優(yōu)化后模型的綜合檢測(cè)能力,。試驗(yàn)結(jié)果表明,，優(yōu)化后模型的檢測(cè)速度較原始模型提升48.53%,，同時(shí)對(duì)光照、遮擋復(fù)雜環(huán)境下羊肉多分體識(shí)別具備較強(qiáng)的泛化能力與抗干擾能力,，以及對(duì)多尺度特征顯著的羊肉分體檢測(cè)具有良好的魯棒性,，針對(duì)羊肉多分體圖像驗(yàn)證集，優(yōu)化后羊肉多分體識(shí)別模型的平均精度達(dá)到88.05%,，單幅圖像處理時(shí)間為64.7ms,，綜合檢測(cè)能力優(yōu)于其他算法，說(shuō)明該方法具備較高的檢測(cè)精度和良好的實(shí)時(shí)性,，能夠滿足實(shí)際生產(chǎn)需求,。

摘要:新鮮度指標(biāo)在像素位置缺乏微觀參考值,，因此將基于均值光譜的化學(xué)計(jì)量學(xué)模型應(yīng)用到像素光譜時(shí)，無(wú)法對(duì)指標(biāo)空間分布預(yù)測(cè)質(zhì)量進(jìn)行直接評(píng)價(jià),。提出了基于準(zhǔn)度和精度的評(píng)價(jià)方法,，以興趣區(qū)域內(nèi)各像素位置微觀預(yù)測(cè)值的統(tǒng)計(jì)均值相對(duì)于理化檢測(cè)值的決定系數(shù)和均方根誤差作為準(zhǔn)度評(píng)價(jià)指標(biāo)；根據(jù)新鮮度指標(biāo)的理論允許范圍,，以TVB-N微觀預(yù)測(cè)值小于零的像素點(diǎn)在興趣區(qū)域內(nèi)所占比值作為精度評(píng)價(jià)指標(biāo),。基于偏最小二乘回歸,，在可見(jiàn)-近紅外波段（550~970nm）,，分別對(duì)全波段、利用連續(xù)投影算法精選的20個(gè)和6個(gè)特征波段建立新鮮度預(yù)測(cè)模型,；采用5種不同帶寬的光譜濾波,，將濾波前后光譜所得指標(biāo)空間分布預(yù)測(cè)結(jié)果進(jìn)行比較。研究表明：經(jīng)不同光譜預(yù)處理及化學(xué)計(jì)量學(xué)模型所得指標(biāo)空間分布預(yù)測(cè)結(jié)果存在顯著差異,。盡管光譜均值濾波后像素光譜質(zhì)量仍低于均值光譜,，但指標(biāo)空間分布預(yù)測(cè)準(zhǔn)度恒等于預(yù)測(cè)模型本身；指標(biāo)空間分布預(yù)測(cè)精度明顯受到像素光譜質(zhì)量及預(yù)測(cè)模型波段增益值的共同影響,，前者占主導(dǎo)作用（R=0.72）,。因此，本文的評(píng)價(jià)方法能夠?qū)诠庾V成像的化學(xué)計(jì)量學(xué)指標(biāo)空間分布預(yù)測(cè)質(zhì)量進(jìn)行評(píng)價(jià),；利用線性化學(xué)計(jì)量學(xué)算法進(jìn)行指標(biāo)空間分布預(yù)測(cè)準(zhǔn)度不會(huì)下降,；在實(shí)踐中，可以通過(guò)提高像素光譜信噪比和限制模型波段增益提高預(yù)測(cè)的精度,。

摘要:為探究空化射流對(duì)大豆分離蛋白糖基化產(chǎn)物乳液特性的影響,，以大豆分離蛋白,、葡萄糖、葡聚糖為原料,，通過(guò)空化射流處理輔助糖基化制備大豆分離蛋白-葡萄糖共價(jià)復(fù)合物乳液,、大豆分離蛋白-葡聚糖共價(jià)復(fù)合物乳液，探究空化射流技術(shù)對(duì)大豆分離蛋白糖基化產(chǎn)物乳液的粒徑,、ζ-電位,、微觀結(jié)構(gòu)、蛋白吸附率,、乳析指數(shù)及抗氧化性的影響,。結(jié)果表明：經(jīng)過(guò)一定時(shí)間的空化射流處理后的糖基化產(chǎn)物乳液平均粒徑顯著降低、ζ-電位增大,、微觀結(jié)構(gòu)液滴逐漸變得均勻,，蛋白吸附率升高、乳析指數(shù)降低,、還原力和DPPH自由基清除能力均升高,，并在空化射流處理80min時(shí)，乳液特性達(dá)到最佳,，且相比大豆分離蛋白-葡萄糖共價(jià)復(fù)合物乳液,，大豆分離蛋白-葡聚糖共價(jià)復(fù)合物呈現(xiàn)出更好的乳液特性；但隨著空化射流處理時(shí)間的進(jìn)一步增加,，糖基化產(chǎn)物乳液的平均粒徑升高,、ζ-電位減小、微觀結(jié)構(gòu)開(kāi)始出現(xiàn)聚集情況,，蛋白吸附率呈降低趨勢(shì),，乳析指數(shù)逐漸升高。適當(dāng)時(shí)間下的空化射流輔助處理可以改善糖基化產(chǎn)物的乳液特性,，提高乳液的儲(chǔ)藏特性和抗氧化特性。

摘要:為了使遙操作拖拉機(jī)駕駛員對(duì)路面信息有更直觀的感受，在課題組前期設(shè)計(jì)的一套拖拉機(jī)遙操作系統(tǒng)的基礎(chǔ)上設(shè)計(jì)了路感模擬系統(tǒng),。首先提出路感模擬系統(tǒng)的總體設(shè)計(jì)方案,。然后分析拖拉機(jī)路感產(chǎn)生機(jī)理,，并對(duì)遙操作拖拉機(jī)的轉(zhuǎn)向執(zhí)行機(jī)構(gòu)以及控制器進(jìn)行改造，設(shè)計(jì)出路感測(cè)試系統(tǒng),。最后根據(jù)所設(shè)計(jì)的路感測(cè)試系統(tǒng),，在草地、水泥地等路面上對(duì)遙操作拖拉機(jī)進(jìn)行原地轉(zhuǎn)向以及行駛轉(zhuǎn)向時(shí)不同速度下的轉(zhuǎn)向阻力矩測(cè)量,，并且利用Logitech G29方向盤(pán)式操縱裝置在草地和水泥路面展開(kāi)路感的模擬實(shí)驗(yàn),。實(shí)驗(yàn)及測(cè)試結(jié)果表明，遙操作拖拉機(jī)在不同路面的轉(zhuǎn)向阻力矩相差較大,，但是總體變化趨勢(shì)相同,，一開(kāi)始轉(zhuǎn)向阻力矩隨著方向盤(pán)轉(zhuǎn)角的增大而增大并在方向盤(pán)轉(zhuǎn)角處于100°~120°時(shí)開(kāi)始回落，當(dāng)方向盤(pán)轉(zhuǎn)角處于200°左右時(shí)有小幅度的上升,。通過(guò)方向盤(pán)式操縱裝置對(duì)遙操作拖拉機(jī)路感展開(kāi)模擬,，各項(xiàng)評(píng)價(jià)指標(biāo)得分均在6.3~8.5分之間，表明該方法模擬路感的可行性,。

摘要:基于代數(shù)幾何理論,，結(jié)合雙變量代數(shù)方程可因式分解的判定條件,，對(duì)球面4R機(jī)構(gòu)運(yùn)動(dòng)學(xué)方程進(jìn)行研究，提出一種確定具有多模式球面4R機(jī)構(gòu)結(jié)構(gòu)參數(shù)的分析方法,?？傻?類具有約束奇異位形的球面4R機(jī)構(gòu)，其中多模式球面4R機(jī)構(gòu)可分為4類：具有定軸線和變軸線2種轉(zhuǎn)動(dòng)運(yùn)動(dòng)模式,，具有2種變軸線轉(zhuǎn)動(dòng)運(yùn)動(dòng)模式,，具有1種變軸線和2種定軸線3種轉(zhuǎn)動(dòng)運(yùn)動(dòng)模式，具有4種定軸線轉(zhuǎn)動(dòng)運(yùn)動(dòng)模式,，總共4大類多模式機(jī)構(gòu),。對(duì)球面4R機(jī)構(gòu)連桿在約束奇異位形下的瞬時(shí)轉(zhuǎn)動(dòng)軸線進(jìn)行計(jì)算，可得球面4R機(jī)構(gòu)處于約束奇異位形時(shí),，其連桿的瞬時(shí)轉(zhuǎn)動(dòng)軸線均不重合,，瞬時(shí)轉(zhuǎn)動(dòng)軸線均為2條。具有約束奇異位形且只具有一種運(yùn)動(dòng)模式的球面4R機(jī)構(gòu)處于約束奇異位形時(shí),，雖然其運(yùn)動(dòng)可能產(chǎn)生分岔,，但其運(yùn)動(dòng)模式不一定發(fā)生改變。運(yùn)動(dòng)分岔機(jī)構(gòu)與多模式機(jī)構(gòu)不能等同,。使用該方法對(duì)球面4R機(jī)構(gòu)的運(yùn)動(dòng)模式進(jìn)行分析,，研究多模式單環(huán)單自由度機(jī)構(gòu)結(jié)構(gòu)參數(shù)對(duì)其運(yùn)動(dòng)模式的影響，對(duì)拓展多模式機(jī)構(gòu)構(gòu)型具有一定的理論價(jià)值,。

摘要:為使移動(dòng)機(jī)器人能更好地適應(yīng)丘陵山地等農(nóng)業(yè)環(huán)境,，以具有較大折展特性的8R機(jī)構(gòu)為平臺(tái)，構(gòu)造一種含折展平臺(tái)的多模式移動(dòng)并聯(lián)機(jī)構(gòu),，作為可用于農(nóng)業(yè)環(huán)境作業(yè)的移動(dòng)機(jī)器人搭載平臺(tái),，通過(guò)分析平臺(tái)折展過(guò)程中折展率變化規(guī)律，確定最優(yōu)折展平臺(tái)參數(shù),。對(duì)因折展產(chǎn)生的多種運(yùn)動(dòng)模式,，通過(guò)螺旋理論和圖論法繪制機(jī)構(gòu)的旋量約束拓?fù)鋱D，以此求出機(jī)構(gòu)各運(yùn)動(dòng)模式自由度,，分析機(jī)構(gòu)模式切換機(jī)理,。最后采用ADAMS進(jìn)行仿真，設(shè)計(jì)樣機(jī)驗(yàn)證機(jī)構(gòu)在各運(yùn)動(dòng)模式的可行性,，為后期在搭載平臺(tái)上安裝不同的末端執(zhí)行器裝置提供良好的研究基礎(chǔ),。