ass日本风韵熟妇pics男人扒开女人屁屁桶到爽|扒开胸露出奶头亲吻视频|邻居少妇的诱惑|人人妻在线播放|日日摸夜夜摸狠狠摸婷婷|制服 丝袜 人妻|激情熟妇中文字幕|看黄色欧美特一级|日本av人妻系列|高潮对白av,丰满岳妇乱熟妇之荡,日本丰满熟妇乱又伦,日韩欧美一区二区三区在线

摘要:農(nóng)機(jī)裝備正朝著智能化方向發(fā)展，智能測控是實(shí)現(xiàn)智能農(nóng)機(jī)的核心技術(shù)。農(nóng)機(jī)裝備智能測控技術(shù)以農(nóng)機(jī)裝備為載體,，包括農(nóng)機(jī)作業(yè)相關(guān)信息智能感知、精準(zhǔn)監(jiān)控和作業(yè)決策與管理等技術(shù),。目前,，我國農(nóng)機(jī)裝備智能測控存在高端裝備、核心技術(shù)國產(chǎn)化程度低的問題,。本文從農(nóng)機(jī)作業(yè)智能感知技術(shù),、農(nóng)機(jī)裝備精準(zhǔn)監(jiān)控技術(shù)和農(nóng)機(jī)作業(yè)智能決策與管理技術(shù)等方面對(duì)國內(nèi)外研究現(xiàn)狀進(jìn)行綜述。闡述了作物生長信息,、土壤信息和農(nóng)機(jī)作業(yè)狀態(tài)信息等智能感知技術(shù)的大量成果；闡述了耕深,、平整地,、土壤消毒、播種,、植保和收獲領(lǐng)域的農(nóng)機(jī)裝備精準(zhǔn)監(jiān)控技術(shù)的研究進(jìn)展,；闡述了農(nóng)機(jī)作業(yè)智能決策與管理技術(shù)在農(nóng)機(jī)作業(yè)質(zhì)量監(jiān)管、農(nóng)機(jī)調(diào)度方面的技術(shù)突破,；重點(diǎn)闡述了農(nóng)機(jī)裝備智能測控技術(shù)在土地耕整機(jī),、土壤消毒機(jī)、播種機(jī),、施肥機(jī),、植保機(jī)、收獲機(jī)及農(nóng)機(jī)作業(yè)管理平臺(tái)的應(yīng)用現(xiàn)狀,，分析了各環(huán)節(jié)待解決的問題,。最后，提出了農(nóng)機(jī)裝備智能測控技術(shù)未來發(fā)展方向：農(nóng)機(jī)裝備智能測控系統(tǒng)化技術(shù)研究,；無人農(nóng)場農(nóng)機(jī)自主作業(yè)關(guān)鍵測控技術(shù)研究,；田間復(fù)雜環(huán)境農(nóng)機(jī)核心部件及傳感器研發(fā)；農(nóng)機(jī)大數(shù)據(jù)支撐的作業(yè)決策模型研究,。

摘要:為推進(jìn)中草藥前胡全程機(jī)械化生產(chǎn),，解決前胡種植環(huán)節(jié)無適用播種裝置問題,，設(shè)計(jì)一種導(dǎo)種環(huán)槽U型孔組合輪式排種器。闡述播種裝置及排種器的結(jié)構(gòu)和工作原理,，依據(jù)前胡種子的外形特征及主要物理力學(xué)參數(shù),，分析得出排種器關(guān)鍵結(jié)構(gòu)參數(shù)及工作參數(shù)，構(gòu)建充種和排種過程中前胡種子顆粒群的力學(xué)模型,。應(yīng)用離散元軟件EDEM對(duì)排種器的排種性能進(jìn)行仿真優(yōu)化試驗(yàn),，研究U型孔深度、U型孔寬度和導(dǎo)種環(huán)槽傾角對(duì)平均播種量和排種均勻性變異系數(shù)的影響,，采用Box-Behnken響應(yīng)面優(yōu)化法進(jìn)行三因素三水平正交仿真試驗(yàn),，得到U型孔深度為4.65mm、U型孔寬度為13.63mm,、導(dǎo)種環(huán)槽傾角為47.01°時(shí),，平均播種量和排種均勻性變異系數(shù)分別為0.199g/s和12.37%。以排種輪轉(zhuǎn)速,、種層初始充填高度為試驗(yàn)因素,，以行內(nèi)排種均勻性變異系數(shù)、總排量穩(wěn)定性變異系數(shù),、各行排量一致性變異系數(shù)為試驗(yàn)指標(biāo),，進(jìn)行供種性能兩因素五水平二次回歸正交旋轉(zhuǎn)組合臺(tái)架試驗(yàn)。臺(tái)架優(yōu)化試驗(yàn)結(jié)果表明,，排種輪轉(zhuǎn)速為25.69r/min,、種層初始充填高度為46.70mm時(shí)，行內(nèi)排種均勻性變異系數(shù),、總排量穩(wěn)定性變異系數(shù),、各行排量一致性變異系數(shù)分別為18.62%、1.60%,、2.96%,，排種器工作性能最佳。田間試驗(yàn)表明,，作業(yè)速度為1.2km/h時(shí),，測得行內(nèi)排種均勻性變異系數(shù)、總排量穩(wěn)定性變異系數(shù),、各行排量一致性變異系數(shù)分別為22.54%,、1.95%、3.66%,，排種性能較好,。該研究可為扁平不規(guī)整外形作物種子排種器設(shè)計(jì)提供參考,。

摘要:現(xiàn)有水稻缽苗育秧播種流水線前端的秧盤分離供應(yīng)尚未完全自動(dòng)化,，特別是軟缽盤的分離,。為減少勞動(dòng)力，降低人工成本,，本文采用硬托盤與常規(guī)育秧軟缽盤組合配套,，設(shè)計(jì)一套水稻缽苗育秧盤的自動(dòng)分裝流水線，包括分離軟缽盤的指夾式真空吸盤機(jī)構(gòu),、分離硬托盤的滑塊連桿機(jī)構(gòu)及其組合而成的套盤機(jī)構(gòu),，用于實(shí)現(xiàn)組合式育秧盤中軟缽盤和硬托盤的逐個(gè)分離和套盤組裝，以滿足育秧播種流水線前端的秧盤全自動(dòng)供應(yīng),。設(shè)計(jì)一種柔性抓取的指夾式真空吸盤,，吸管采用3D打印方式加工，并通過鉸鏈對(duì)稱安裝,，模擬人類手指的抓取動(dòng)作,。采用真空吸附的方式實(shí)現(xiàn)軟缽盤的柔性抓取，不會(huì)對(duì)軟缽盤表面造成損壞,。利用ANSYS有限元分析軟件對(duì)軟缽盤受到真空吸盤吸附提升時(shí)的變形程度進(jìn)行分析,，確定8組真空吸盤的合理布局。利用ADAMS動(dòng)力學(xué)仿真軟件對(duì)分離硬托盤的滑塊連桿機(jī)構(gòu)進(jìn)行運(yùn)動(dòng)學(xué)分析,，確定最佳的升降高度以及連桿的開合角度。設(shè)計(jì)并搭建樣機(jī)進(jìn)行試驗(yàn),，試驗(yàn)結(jié)果表明：當(dāng)分離套盤效率為600盤/h時(shí),，分離套盤成功率為93.25%，整機(jī)運(yùn)行穩(wěn)定,，符合設(shè)計(jì)要求,，滿足一般水稻工廠化育秧播種流水線的工作要求。

摘要:為解決微型薯生產(chǎn)過程中，從組培苗到網(wǎng)棚生產(chǎn)的流程繁瑣,、勞動(dòng)強(qiáng)度大的問題,，設(shè)計(jì)了一種工作一次可取5株組培苗的吸附式末端執(zhí)行器,。該吸附式末端執(zhí)行器在PLC的控制下，完成組培盒與穴盤之間株距的變化,；由真空發(fā)生器產(chǎn)生的真空,，使吸嘴將組培苗吸附；在吸附式末端執(zhí)行器移至穴盤上方后,，切斷真空,，并由推苗裝置將組培苗放置在穴盤孔中，完成組培苗的移栽過程,。分析并確定吸嘴的關(guān)鍵參數(shù)后,，通過仿真分析和單因素試驗(yàn)選擇了效果較好的吸嘴類型。為明確穴盤孔直徑d,、株距調(diào)整速度v1,、吹苗正壓p1、苗吸附高度h等因素對(duì)移栽效果的影響,，以移栽成功率為試驗(yàn)指標(biāo)進(jìn)行了正交試驗(yàn),。結(jié)果表明：苗吸附高度h對(duì)移栽成功率有顯著性影響，而穴盤孔直徑d,、株距調(diào)整速度v1,、吹苗正壓p1沒有顯著性影響；當(dāng)d=15mm,、v1=50mm/s,、p1=1000Pa、h=45mm時(shí),，組培苗的移栽成功率最高,，為87.98%，吸附式末端執(zhí)行器的移栽效果最好,，移栽效率約為2087株/h,，滿足設(shè)計(jì)要求。

摘要:針對(duì)前期研制的微鉆阻力儀存在鉆針鉆入樹木方向偏離直線方向、無法準(zhǔn)確獲取樹木年輪寬度等問題,，對(duì)微鉆阻力儀的機(jī)械結(jié)構(gòu)和軟件算法進(jìn)行了改進(jìn),，提出了改進(jìn)鉆針形狀和增加鉆針支撐擋片的改進(jìn)措施，給出了年輪寬度的計(jì)算方法。分別使用自制微鉆阻力儀,、Resistograph 650-s型微鉆阻力儀,、Lintab 6型高精度樹木年輪分析儀測量9個(gè)馬尾松圓盤的年輪信息，以Lintab 6型樹木年輪分析儀測試結(jié)果作為真值,，分別計(jì)算自制微鉆阻力儀和Resistograph 650-s型微鉆阻力儀的年輪識(shí)別錯(cuò)誤率和年輪寬度測量精度,。結(jié)果表明：2個(gè)微鉆阻力儀的平均年輪寬度的測量精度達(dá)85%左右，說明使用微鉆阻力法測量樹木年輪寬度可行,；自制微鉆阻力儀的年輪識(shí)別錯(cuò)誤率比Resistograph 650-s型微鉆阻力儀低12.7個(gè)百分點(diǎn),，年輪寬度測量精度比Resistograph 650-s型微鉆阻力儀高1.47個(gè)百分點(diǎn)，說明自制微鉆阻力儀機(jī)械結(jié)構(gòu)設(shè)計(jì)合理,，年輪識(shí)別方法可行,。

摘要:水培葉菜培育過程中需要將穴盤中的種苗稀植到栽培槽內(nèi),，傳統(tǒng)人工作業(yè)勞動(dòng)強(qiáng)度大、效率低,，為此設(shè)計(jì)了一種溫室葉菜雙排移植手變間距稀植移栽部件,，可實(shí)現(xiàn)穴盤內(nèi)雙排自動(dòng)取苗和栽培槽變間距植苗作業(yè)。設(shè)計(jì)了一種具有二次夾緊功能的取苗移植手,，并進(jìn)行剛?cè)狁詈戏抡嬖囼?yàn)分析,，確定最佳取苗深度為48mm。根據(jù)稀植移栽作業(yè)工況分析,，擬定雙排移植手3種稀植取苗策略,，優(yōu)選雙排（第1排和第7排）間隔取苗縱向位移最小的運(yùn)動(dòng)策略。開展稀植移栽動(dòng)作時(shí)序優(yōu)化分析,，優(yōu)選交疊動(dòng)作時(shí)序時(shí)間點(diǎn),，并進(jìn)一步開展12種作業(yè)時(shí)序優(yōu)化移栽對(duì)比試驗(yàn)，試驗(yàn)結(jié)果表明移動(dòng)和橫向變間距展開,、縱向變間距分離和下降時(shí)序并行時(shí)動(dòng)作組合為最優(yōu)，移栽平均效率為4836株/h,，移栽成功率為95.8%,。

摘要:針對(duì)大豆小區(qū)育種清換種作業(yè)操作繁瑣的問題,，本文設(shè)計(jì)了四桿平移式大豆小區(qū)育種排種器,。采用平行連桿機(jī)構(gòu)配合可旋轉(zhuǎn)的排種盤完成清換種作業(yè)，根據(jù)大豆小區(qū)育種作業(yè)要求對(duì)整機(jī)關(guān)鍵部件進(jìn)行了設(shè)計(jì),，通過理論分析確定了大豆充種下限角度與排種盤轉(zhuǎn)速的關(guān)系,，以及排種器的排種盤直徑、型孔尺寸,、型孔數(shù)量,、毛刷角度等結(jié)構(gòu)參數(shù)數(shù)值。采用離散元軟件進(jìn)行仿真,，模擬了排種器的排種過程,，首先分析并驗(yàn)證了排種盤轉(zhuǎn)速與下限角度的關(guān)系，進(jìn)而在此試驗(yàn)基礎(chǔ)上分析了種箱厚度對(duì)殘余種子數(shù)的影響,，試驗(yàn)結(jié)果表明:下限角度隨排種盤轉(zhuǎn)速增大逐漸減小,，殘留種子數(shù)隨種箱厚度增加先減小后增大，并確定了下限角度119°,、種箱厚度11mm為排種器的優(yōu)化結(jié)構(gòu)參數(shù),。在最優(yōu)參數(shù)下的田間試驗(yàn)表明：在理論粒距下排種器順利清換種，作業(yè)結(jié)束后種箱內(nèi)無種子殘留,，同時(shí)在作業(yè)速度3.6km/h時(shí)粒距平均合格指數(shù)87.61%,、重播指數(shù)6.63%、漏播指數(shù)5.75%,，均達(dá)到優(yōu)等品標(biāo)準(zhǔn),。

摘要:針對(duì)鮮食蓮籽剝殼加工困難,、損失率高的問題，設(shè)計(jì)了一種多通道集成式剝殼機(jī)構(gòu),。該機(jī)構(gòu)由多通道仿形凹槽輪,、外刃齒板、內(nèi)外刀盤等結(jié)構(gòu)組成,，可實(shí)現(xiàn)蓮籽單粒排出,、姿態(tài)調(diào)整與環(huán)切。仿形凹槽可保護(hù)蓮籽避免因刀具切割,、輸送擠壓而帶來的破損,。對(duì)剝殼機(jī)構(gòu)工作過程進(jìn)行理論分析和參數(shù)計(jì)算，確定了影響剝殼性能的主要結(jié)構(gòu)和工作參數(shù)。采用EDEM離散元軟件仿真分析了齒形結(jié)構(gòu),、刃齒間距,、齒間距、剝殼輪轉(zhuǎn)速對(duì)蓮籽排出,、姿態(tài)調(diào)整的影響,；采用ADAMS虛擬樣機(jī)軟件對(duì)蓮籽在剝殼機(jī)構(gòu)內(nèi)的運(yùn)動(dòng)軌跡進(jìn)行了仿真。根據(jù)理論計(jì)算與仿真結(jié)果完成了樣機(jī)試制,，并在樣機(jī)上開展試驗(yàn)驗(yàn)證,。以產(chǎn)自湖北省洪湖市的含水率大于64.2%的太空蓮36號(hào)鮮蓮籽為試驗(yàn)對(duì)象，以齒形,、刃齒距,、齒間距為影響因素，以剝殼率為評(píng)價(jià)指標(biāo),，開展了三因素?cái)M水平正交試驗(yàn),，結(jié)果表明對(duì)剝殼率的影響由大到小依次為齒形、齒間距,、刃齒距,，最優(yōu)因素水平組合為向心齒、齒間距5mm,、刃齒距82mm,，在此條件下，剝殼率為97%,。設(shè)計(jì)的剝殼機(jī)構(gòu)能夠滿足乳熟期,、蠟熟期蓮籽剝殼的實(shí)際生產(chǎn)需要。

摘要:基于殘膜與土壤、秸稈等雜質(zhì)在密度,、懸浮速度,、流動(dòng)特性等方面的差異，提出了一種基于EDEM-Fluent耦合的殘膜與雜質(zhì)懸浮分離方法,。闡述了3種殘膜與棉花秸稈,、土壤混合物懸浮分離速度測定法，即理論計(jì)算法,、仿真分析法和臺(tái)架試驗(yàn)測定法，利用3種方法分別測定殘膜懸浮分離速度。利用EDEM-Fluent耦合的方法模擬殘膜與雜質(zhì)懸浮分離的過程,，〖JP+1〗3種殘膜混合物料中土壤和秸稈總質(zhì)量占比分別為40%（其中土壤占30%）,、60%（其中土壤占50%）和80%（其中土壤占70%）時(shí)，殘膜懸浮速度仿真值為4.77～5.83m/s,、4.89～6.46m/s和5.31～7.40m/s,；3種殘膜混合物懸浮分離速度臺(tái)架測定試驗(yàn)值為4.67～5.77m/s、4.88～6.37m/s和5.29～7.22m/s,。殘膜懸浮速度仿真值與臺(tái)架試驗(yàn)值之間的相對(duì)誤差為0.77%～4.79%,，驗(yàn)證了基于EDEM-Fluent耦合法測定殘膜混合物懸浮分離速度的可行性?；旌衔镏须s質(zhì)改變了殘膜的形變量和運(yùn)動(dòng)特性,，從而影響殘膜的懸浮速度和位置；為了使仿真結(jié)果更加接近試驗(yàn)數(shù)值,，殘膜懸浮分離速度仿真值的下限值與臺(tái)架試驗(yàn)的下限值相差較大,，所以選取仿真與臺(tái)架試驗(yàn)結(jié)果的下限值計(jì)算修正系數(shù)，殘膜懸浮分離速度修正系數(shù)的均值為0.95,。通過田間試驗(yàn)可得,，實(shí)現(xiàn)殘膜與雜質(zhì)分離、殘膜回收的最佳風(fēng)速為5～7m/s,，此時(shí)殘膜含雜率均值為20.47%,、回收率均值為83.62%。

摘要:為解決我國天然橡膠割膠工作強(qiáng)度高、技術(shù)難度大及割膠工緊缺等問題,，本文設(shè)計(jì)一種仿形進(jìn)階式天然橡膠割膠機(jī),，通過分析割膠軌跡得到割膠軌跡方程，設(shè)計(jì)采用絲杠傳動(dòng)實(shí)現(xiàn)豎直運(yùn)動(dòng)和圓柱齒輪嚙合傳動(dòng)實(shí)現(xiàn)橢圓運(yùn)動(dòng)的復(fù)合運(yùn)動(dòng)為割膠運(yùn)動(dòng)方式,。工作時(shí),，整機(jī)通過可調(diào)式捆綁機(jī)構(gòu)固定于橡膠樹上；利用Arduino開發(fā)板控制電機(jī)的動(dòng)作順序,，采用直流推桿控制割膠機(jī)進(jìn)刀退刀動(dòng)作,，采用減速步進(jìn)電機(jī)完成割膠機(jī)復(fù)合割膠運(yùn)動(dòng)，采用步進(jìn)電機(jī)完成移位動(dòng)作,。為驗(yàn)證該機(jī)性能,，利用Design-Expert軟件設(shè)計(jì)并進(jìn)行林間試驗(yàn),。結(jié)果表明：當(dāng)割膠機(jī)在減速步進(jìn)電機(jī)轉(zhuǎn)速21r/min、刀具角度25°和拉簧預(yù)緊力20N時(shí),，割膠質(zhì)量最佳且耗電量最低,，前5min排膠量為6.29mL、平均耗電量為1.07W·h,，滿足設(shè)計(jì)要求,。

摘要:針對(duì)板藍(lán)根收獲機(jī)作業(yè)根土分離率低,、根莖傷損率高等問題,，設(shè)計(jì)了組合擺動(dòng)式板藍(lán)根根土分離裝置，闡述了該機(jī)整體結(jié)構(gòu)及工作原理,。結(jié)合板藍(lán)根種植模式及板藍(lán)根收獲機(jī)的作業(yè)要求,，通過對(duì)篩分過程中組合式篩面根土復(fù)合體的動(dòng)力學(xué)分析，確定了影響根土分離效果的主要因素及其取值范圍,。以根土分離率和根莖傷損率為評(píng)價(jià)指標(biāo),，以篩面傾角、曲柄轉(zhuǎn)速,、曲柄半徑為試驗(yàn)因素,，進(jìn)行二次回歸正交旋轉(zhuǎn)組合試驗(yàn)，建立了試驗(yàn)因素與評(píng)價(jià)指標(biāo)之間的回歸模型,，分析了試驗(yàn)因素對(duì)評(píng)價(jià)指標(biāo)的影響,，對(duì)組合擺動(dòng)式板藍(lán)根根土分離裝置的結(jié)構(gòu)與工作參數(shù)進(jìn)行優(yōu)化，結(jié)果表明,，在篩面傾角為14.94°,、曲柄轉(zhuǎn)速為440r/min、曲柄半徑為19.95mm時(shí),，模型得到的根土分離率為97.19%,，根莖傷損率為2.66%。對(duì)優(yōu)化后的數(shù)據(jù)在相同條件下進(jìn)行田間驗(yàn)證試驗(yàn),，結(jié)果表明,，根土分離率為96.09%，根莖傷損率為2.75%,，滿足板藍(lán)根根土分離要求,。在相同條件下進(jìn)行田間對(duì)比試驗(yàn)，結(jié)果表明,，篩條-篩板組合式篩面根土分離性能優(yōu)于全篩條式篩面和全篩板式篩面,。

摘要:為解決中國麥玉豆主產(chǎn)區(qū)在利用秸稈促進(jìn)作物綠色增產(chǎn)增效,、保護(hù)耕地的同時(shí)，輕簡化回收多余秸稈促進(jìn)其資源化利用等問題,，基于原茬地免耕精量播種機(jī)側(cè)向清秸覆秸原理,，設(shè)計(jì)了一種秸稈比例回收裝置，借助秸稈被免耕播種機(jī)播前清理具有的機(jī)械能使其沿導(dǎo)流板滑移至機(jī)械能耗盡,，彈齒“順勢”將其拋送至擠壓裝置進(jìn)行回收,。應(yīng)用高速攝像技術(shù)探明了秸稈側(cè)向拋撒運(yùn)動(dòng)規(guī)律，通過理論分析確定了影響裝置工作性能的關(guān)鍵結(jié)構(gòu)與作業(yè)參數(shù)及其取值范圍,，并采用三因素五水平二次回歸正交旋轉(zhuǎn)中心組合試驗(yàn)方法,，以作業(yè)速度、滾筒轉(zhuǎn)速和彈齒偏角為試驗(yàn)因素,，以秸稈回收比率和含雜率為評(píng)價(jià)指標(biāo),，實(shí)施參數(shù)組合優(yōu)化試驗(yàn)，結(jié)果表明：在參數(shù)組合為作業(yè)速度5.4~7.2km/h,、滾筒轉(zhuǎn)速95r/min,、彈齒偏角49°時(shí)，秸稈回收比率大于94%,、含雜率小于5%,。研究結(jié)果為研制原茬地免耕播種秸稈覆蓋還田同步比例回收復(fù)式作業(yè)機(jī)提供了理論和技術(shù)支持。

摘要:立式離心泵是大型灌溉和長距離調(diào)水工程的核心動(dòng)力裝備,，單機(jī)配套功率能夠達(dá)到40MW級(jí)。為了降低立式離心泵的運(yùn)行能耗,，以效率指標(biāo)為優(yōu)化目標(biāo),，基于BP（反向傳播）神經(jīng)網(wǎng)絡(luò)模型與多島遺傳算法對(duì)其多個(gè)過流部件進(jìn)行優(yōu)化設(shè)計(jì)?？紤]到各過流部件的匹配性,，采用Plackett-Burman試驗(yàn)設(shè)計(jì)從導(dǎo)葉與蝸殼的10個(gè)設(shè)計(jì)參數(shù)中篩選出優(yōu)化設(shè)計(jì)變量。運(yùn)用最優(yōu)拉丁超立方采樣方法設(shè)計(jì)了106組方案,，并搭建了立式離心泵自動(dòng)數(shù)值模擬優(yōu)化平臺(tái),?；贐P神經(jīng)網(wǎng)絡(luò)模型構(gòu)建了優(yōu)化設(shè)計(jì)變量和優(yōu)化目標(biāo)之間的高精度非線性關(guān)系，最終通過多島遺傳算法得到導(dǎo)葉與蝸殼的最優(yōu)參數(shù)組合,。研究結(jié)果表明,，運(yùn)用SST k-ω湍流模型能夠準(zhǔn)確地預(yù)測立式離心泵的性能參數(shù)；BP神經(jīng)網(wǎng)絡(luò)是映射泵設(shè)計(jì)參數(shù)和性能參數(shù)間內(nèi)在聯(lián)系的有效方法,；優(yōu)化后模型設(shè)計(jì)工況下效率達(dá)到90.21%,，較原始模型提高了3.61個(gè)百分點(diǎn)；優(yōu)化后的導(dǎo)葉與蝸殼對(duì)立式離心泵設(shè)計(jì)工況和小流量工況下的性能影響更為顯著,；優(yōu)化后導(dǎo)葉與其他過流部件匹配性提高,，導(dǎo)葉與蝸殼內(nèi)部流動(dòng)特性得到明顯改善。

摘要:雙吸離心泵廣泛應(yīng)用于黃河沿岸的泵站中，其主要部件葉輪普遍存在磨損問題,。葉輪是高速旋轉(zhuǎn)的部件,，存在動(dòng)靜干涉作用，導(dǎo)致葉輪內(nèi)的磨損特性是非定常的,。采用歐拉-歐拉方法對(duì)雙吸離心泵進(jìn)行固液兩相流非定常計(jì)算,，分析了不同工況下，葉輪壁面上的磨損率,、沖擊角,、固相體積分?jǐn)?shù)和速度的非定常特性。結(jié)果表明,，葉輪表面磨損率,、沖擊角、固相體積分?jǐn)?shù)和速度均具有周期性,，等于葉輪旋轉(zhuǎn)周期,；定常計(jì)算的磨損率遠(yuǎn)小于非定常結(jié)果，定常計(jì)算不能準(zhǔn)確預(yù)測磨損率,。磨損最大部位為葉片頭部和尾部,。沖擊角對(duì)磨損損失具有增強(qiáng)或減弱的作用，沖擊角脈動(dòng)曲線與磨損率脈動(dòng)曲線相似,。固相體積分?jǐn)?shù)對(duì)磨損脈動(dòng)特性影響較小,，對(duì)磨損率有所影響。固相速度對(duì)磨損率影響顯著,。

摘要:快速,、準(zhǔn)確地獲取作物種植面積信息是長勢監(jiān)測,、產(chǎn)量估算、病蟲害監(jiān)測和預(yù)警的基礎(chǔ),。針對(duì)我國江南區(qū)域多云霧的特點(diǎn),以Sentinel-1/2為數(shù)據(jù)源,，綜合采用光學(xué)遙感影像和合成孔徑雷達(dá)（Synthetic aperture radar，SAR）影像等多源數(shù)據(jù),，針對(duì)研究區(qū)作物早春覆膜的特點(diǎn),，構(gòu)建地膜植被指數(shù)（SAR plastic-film vegetation index，SPVI）,；利用時(shí)序光譜和植被指數(shù)特征,，研究基于XGBoost算法的作物識(shí)別方法。以安徽省宣城市宣州區(qū)為研究區(qū),，開展實(shí)例驗(yàn)證研究。在作物生育期內(nèi),，云霧影響較大,，光學(xué)遙感覆蓋稀疏區(qū)域以Sentinel-2影像為主，獲取時(shí)序指數(shù)數(shù)據(jù)集,，增加4期Sentinel-1雷達(dá)影像,，用以補(bǔ)充云霧時(shí)期（5—7月）光學(xué)影像的缺失。以本文設(shè)計(jì)的方法,，得到作物識(shí)別總體精度為84.87%,，優(yōu)于隨機(jī)森林的83.93%，主要作物煙草制圖精度88.69%,，用戶精度95.51%,。僅使用生育期Sentinel-2影像的作物識(shí)別總體精度79.01%，主要作物煙草制圖精度82.30%,，用戶精度93.49%,。研究結(jié)果表明，本文構(gòu)建的基于XGBoost算法多源遙感作物識(shí)別方法可滿足多云多霧地區(qū)作物識(shí)別應(yīng)用要求,。

摘要:為及時(shí)掌握種植空間信息，保護(hù)和利用燈盞花,，針對(duì)燈盞花壟間邊界模糊,，精細(xì)標(biāo)記訓(xùn)練數(shù)據(jù)集獲取困難問題，提出一種基于結(jié)合RGB波段最大差異法和弱監(jiān)督語義分割的無人機(jī)遙感燈盞花種植信息提取方法,。首先,，對(duì)燈盞花進(jìn)行邊框級(jí)標(biāo)記,，制作弱標(biāo)記數(shù)據(jù)集，減少標(biāo)記時(shí)間成本,；然后采用輕量級(jí)U-Net網(wǎng)絡(luò)對(duì)弱標(biāo)記數(shù)據(jù)集進(jìn)行弱監(jiān)督語義分割,，實(shí)現(xiàn)燈盞花粗提取,；最后,，采用RGB波段最大差異法去除粗提取結(jié)果中的非燈盞花，實(shí)現(xiàn)燈盞花種植區(qū)精細(xì)提取,。實(shí)驗(yàn)結(jié)果表明,，提出方法在選取的3個(gè)燈盞花場景中交并比（Intersection-over-union, IoU）分別為90.55%、90.74%,、86.63%,，精度均高于面向?qū)ο蠓诸惙ê妥畲笏迫环ǎ⑼ㄟ^消融實(shí)驗(yàn)驗(yàn)證了方法的有效性,。

摘要:為探索高分一號(hào)衛(wèi)星（GF-1）估算農(nóng)作物光合有效輻射吸收比率（Fraction of absorbed photosynthetically active radiation,，F(xiàn)PAR）的潛力,，以田間小區(qū)與大田夏玉米為對(duì)象,，基于GF-1衛(wèi)星的16m空間分辨率寬視場（Wide field view,，WFV）傳感器光譜響應(yīng)函數(shù)對(duì)地面實(shí)測冠層高光譜反射率進(jìn)行重采樣,，獲取GF-1 WFV的模擬反射率，構(gòu)建寬波段植被指數(shù),，利用與FPAR極顯著相關(guān)且具有較高相關(guān)系數(shù)的植被指數(shù),，建立不同生育期夏玉米FPAR的一元與多元逐步回歸模型，篩選FPAR估算的最適模型,，并在此基礎(chǔ)上實(shí)現(xiàn)縣域尺度不同生育期的FPAR動(dòng)態(tài)估算,。結(jié)果表明：模擬寬波段光譜反射率與GF-1 WFV光譜反射率間的相關(guān)系數(shù)|R|為0.967~0.985，決定系數(shù)R2為0.935~0.969,；基于模擬反射率構(gòu)建3波段植被指數(shù)與FPAR的相關(guān)性優(yōu)于2波段植被指數(shù),，增強(qiáng)型植被指數(shù)（EVI）、土壤調(diào)節(jié)植被指數(shù)（MTVI2）,、可見光大氣阻抗植被指數(shù)（VARI）,、綜合植被指數(shù)（TCARI/OSAVI）等3波段植被指數(shù)與FPAR均呈極顯著相關(guān)性（P<0.01），且|R|為0.813~0.925；基于優(yōu)選3波段植被指數(shù)估算FPAR的多元逐步回歸模型效果優(yōu)于一元回歸模型,，估算模型決定系數(shù)R2為0.762~0.843,，驗(yàn)證模型決定系數(shù)R2為0.839~0.880，相對(duì)誤差RE為7.037%~9.571%,，說明多元逐步回歸模型能更好地估算FPAR,；以優(yōu)選模型對(duì)區(qū)域尺度的FPAR進(jìn)行空間分布及動(dòng)態(tài)估算，并以實(shí)測值進(jìn)行驗(yàn)證,，估算值與實(shí)測值間決定系數(shù)R2為0.819~0.856,，相對(duì)誤差RE為8.41%~13.37%，說明基于GF-1 WFV估算區(qū)域夏玉米FPAR與實(shí)際空間分布及動(dòng)態(tài)變化規(guī)律一致,，為基于GF-1 WFV高分辨率遙感數(shù)據(jù)估算區(qū)域玉米FPAR及生產(chǎn)潛力提供了科學(xué)依據(jù),。

摘要:為提高葡萄種植區(qū)遙感識(shí)別精度,，基于高分二號(hào)衛(wèi)星遙感影像，對(duì)U-Net網(wǎng)絡(luò)進(jìn)行改進(jìn)：從空間和通道維度自適應(yīng)校準(zhǔn)特征映射,，以增強(qiáng)有意義的特征，抑制不相關(guān)的特征,，提升地物邊緣分割精度,；減少下采樣次數(shù)，使用混合擴(kuò)張卷積代替常規(guī)卷積操作,，以增大卷積核感受野,，降低圖像分辨率的損失，提高對(duì)不同尺寸地物的識(shí)別能力,。實(shí)驗(yàn)結(jié)果表明,，本文模型在測試集上的像素準(zhǔn)確率、平均交并比和頻權(quán)交并比分別為96.56%,、93.11%,、93.35%，比FCN-8s網(wǎng)絡(luò)分別提高了5.17,、9.57,、9.17個(gè)百分點(diǎn)，比U-Net網(wǎng)絡(luò)提高了2.39,、4.59,、4.39個(gè)百分點(diǎn)。此外，本文通過消融實(shí)驗(yàn)和特征可視化證明了注意力模塊和混合擴(kuò)張卷積在精度提升上的可行性,。本文模型結(jié)構(gòu)簡單,、參數(shù)量少，能夠識(shí)別不同面積的葡萄種植區(qū),，邊緣分割效果良好,。

摘要:陸地總初級(jí)生產(chǎn)力（GPP）是全球碳循環(huán)和全球變化研究的關(guān)鍵參數(shù),，基于遙感方式是目前陸地生態(tài)系統(tǒng)GPP估算的主流方法,。為了準(zhǔn)確估算全球和區(qū)域尺度的陸地GPP，本文通過分析葉綠素?zé)晒馀c光合作用關(guān)系的理論,，在GPP-SIF經(jīng)驗(yàn)線性估算模型的基礎(chǔ)上,，引入影響植被光合能力和影響冠層SIF發(fā)射的因素，構(gòu)建了適用于未出現(xiàn)嚴(yán)重長期外界脅迫的基于近紅外熒光的GPP估算理論模型,。結(jié)合GOME-2 SIF產(chǎn)品,、FLUXNET2015數(shù)據(jù)集中實(shí)測GPP和MODIS相關(guān)產(chǎn)品，在不同類型植被進(jìn)行了驗(yàn)證分析,。結(jié)果表明：該模型在所有植被類型上的估算精度較經(jīng)驗(yàn)線性估算模型都有很大的提高,，同時(shí)本文模型能較好地體現(xiàn)出不同植被類型GPP的季節(jié)性變化特征，在全球尺度上的應(yīng)用也取得了較好的效果,。

摘要:葉綠素?zé)晒鈪?shù)Fv/Fm在植物逆境脅迫研究中具有重要意義,，當(dāng)前獲取方法需要對(duì)植物進(jìn)行暗適應(yīng)處理，難以實(shí)現(xiàn)實(shí)時(shí)測量,。為實(shí)現(xiàn)Fv/Fm的實(shí)時(shí)獲取,，本文以4種水分脅迫水平下的辣椒為研究對(duì)象，基于高光譜成像及特征波段篩選方法對(duì)Fv/Fm進(jìn)行預(yù)測,。采用中值濾波對(duì)Fv/Fm圖像去噪,，并基于二維坐標(biāo)變換實(shí)現(xiàn)高光譜圖像與葉綠素?zé)晒鈭D像的匹配。對(duì)比標(biāo)準(zhǔn)正態(tài)變換(SNV),、多元散射校正(MSC)和Savitzky-Golay卷積平滑(SG)3種光譜預(yù)處理算法,，并基于連續(xù)投影(SPA)算法篩選特征波長?；谛Ч顑?yōu)的SG預(yù)處理算法,，分別以偏最小二乘回歸(PLSR),、分析誤差反向傳播(BP)神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)對(duì)比建模精度,，其中BP算法建立的模型精度相對(duì)較高,，其測試集決定系數(shù)為0.918、均方根誤差為0.011,。研究表明,，SG-SPA-BP的建模方法在實(shí)現(xiàn)預(yù)測精度的同時(shí)降低了模型復(fù)雜度，為基于高光譜圖像對(duì)Fv/Fm圖像的實(shí)時(shí)準(zhǔn)確預(yù)測提供了方法,。

摘要:以烏蘭布和沙漠東北緣磴口縣為研究區(qū),，針對(duì)縣域生態(tài)空間網(wǎng)絡(luò)的粒度效應(yīng)開展研究,。結(jié)果表明，空間粒度的變化對(duì)生態(tài)空間網(wǎng)絡(luò)的空間結(jié)構(gòu),、拓?fù)浣Y(jié)構(gòu)以及生態(tài)源地的面積與空間分布均具有明顯的影響,，而生態(tài)阻力的粒度效應(yīng)并不明顯。隨著空間粒度的不斷增大,，生態(tài)源地的面積產(chǎn)生了明顯的波動(dòng)并且變得越發(fā)破碎,；生態(tài)空間網(wǎng)絡(luò)長度經(jīng)歷了從增加到減少的變化，其空間分布由最初的不斷密集再到逐漸稀疏,；生態(tài)空間網(wǎng)絡(luò)的各項(xiàng)拓?fù)浣Y(jié)構(gòu)指數(shù)變化較為明顯,，隨著空間粒度的不斷升高，網(wǎng)絡(luò)的度分布愈發(fā)集中,，同配性、層次性,、模塊化增強(qiáng),，網(wǎng)絡(luò)的不均勻性不斷提升，連接性不斷降低,，總體向更加不穩(wěn)定的方向變化,。

摘要:為探究擬發(fā)射國產(chǎn)星載激光雷達(dá)衛(wèi)星波形數(shù)據(jù)在森林結(jié)構(gòu)參數(shù)估測方面應(yīng)用潛力,，首先需對(duì)其回波波形進(jìn)行模擬仿真,。針對(duì)地形無規(guī)律起伏和林層結(jié)構(gòu)復(fù)雜這一問題，本文采用有限元原理實(shí)現(xiàn)了隨機(jī)地形與林分三維信息的模擬仿真,；針對(duì)激光脈沖傳輸過程中能量衰減的問題,，引入了激光雷達(dá)輻射傳輸模型；為驗(yàn)證本文所建回波仿真系統(tǒng)有效性,，利用與國產(chǎn)星載激光雷達(dá)回波波形相近的ICESat-GLAS實(shí)測波形數(shù)據(jù)對(duì)GLAS仿真波形數(shù)據(jù)進(jìn)行驗(yàn)證,。研究結(jié)果為：發(fā)射波仿真波形與實(shí)測波形相關(guān)系數(shù)為0.96；地形坡度分別為0°~10°,、10°~20°,、20°~30°和30°以上時(shí)回波仿真波形與實(shí)測波形相關(guān)系數(shù)均值分別為0.90、0.88,、0.85和0.81,；郁閉度分別為0~0.2、0.2~0.4,、0.4~0.6,、0.6~0.8和0.8~1.0時(shí)回波仿真波形與實(shí)測波形相關(guān)系數(shù)均值分別為0.81、0.80,、0.84,、0.88和0.90；針葉林,、闊葉林和混交林回波仿真波形與實(shí)測波形相關(guān)系數(shù)均值分別為0.85,、0.86和0.89。研究結(jié)果表明：本文所建回波仿真系統(tǒng)可用于國產(chǎn)星載激光雷達(dá)回波仿真,?；夭ǚ抡嫠脟a(chǎn)星載激光雷達(dá)仿真波形，可為森林結(jié)構(gòu)參數(shù)估測研究提供數(shù)據(jù)支撐,。

摘要:科學(xué)劃分村莊整治類型并制定合理的優(yōu)化策略,，是實(shí)現(xiàn)大城市村鎮(zhèn)體系合理布局和鄉(xiāng)村空間高效利用的重要措施。本文基于POI,、土地利用現(xiàn)狀數(shù)據(jù)等多源數(shù)據(jù),，綜合運(yùn)用適宜性評(píng)價(jià)、引力模型等方法,，構(gòu)建了基于布局適宜性-規(guī)劃約束-村莊等級(jí)（簡稱適宜性-規(guī)劃-等級(jí)）的村莊整治類型劃分方案,，并以密云區(qū)為例進(jìn)行實(shí)證分析。結(jié)果表明：在經(jīng)濟(jì)發(fā)展,、生活便利和環(huán)境宜居等多因素綜合作用下,，密云區(qū)村莊布局適宜性呈現(xiàn)由西南向東北衰減的特征,。借助引力模型，將研究區(qū)332個(gè)村莊劃分為57個(gè)中心村,、103個(gè)次中心村和172個(gè)一般村,。基于適宜性-規(guī)劃-等級(jí)的村莊整治內(nèi)涵,，將密云區(qū)村莊確定為城鎮(zhèn)集建,、特色提升、整治完善Ⅰ,、整治完善Ⅱ和整體搬遷5種整治類型,。整體搬遷類村莊未來的整治方向?yàn)榭蓮?fù)墾型，其他村莊均為可盤活型,。結(jié)合村莊布局適宜性評(píng)價(jià),、等級(jí)劃分、土地利用形態(tài)和整治潛力,，著眼于減量規(guī)劃思路,，因地制宜地提出5類村莊的整治策略。研究成果可為區(qū)域村莊用地布局優(yōu)化和減量發(fā)展以及全域土地綜合整治等提供參考,。

摘要:針對(duì)現(xiàn)有電容式土壤含水率傳感器對(duì)電導(dǎo)率敏感等問題，從電阻電容串聯(lián)階躍響應(yīng)原理出發(fā),，采用峰值檢測技術(shù),，設(shè)計(jì)高低頻（100、50MHz）激勵(lì)下的數(shù)字型土壤含水率傳感器,，并提供一種融合高低頻響應(yīng)信號(hào)分析土壤等效相對(duì)介電常數(shù)的反函數(shù)模型,。試驗(yàn)結(jié)果表明，傳感器的高低頻響應(yīng)穩(wěn)定時(shí)間在338~464ms,，建議傳感器高低頻切換間隔大于500ms,。在非導(dǎo)電液體介質(zhì)中標(biāo)定結(jié)果表明，高低工作頻率下各自輸出信號(hào)與液體相對(duì)介電常數(shù)符合指數(shù)模型,，決定系數(shù)R2大于0.98。在0~1000μS/cm范圍內(nèi)的溶液試劑中,，基于反函數(shù)模型的高低頻數(shù)據(jù)融合處理,，電導(dǎo)率引起的測量相對(duì)介電常數(shù)的最大誤差為1.775，對(duì)應(yīng)最大引用誤差2.16%,。土壤實(shí)測表明,，單頻率傳感器輸出信號(hào)易受土壤電導(dǎo)率的影響,，其引起的信號(hào)誤差可大于100mV，對(duì)應(yīng)的體積含水率誤差大于10%,；而雙頻輸出信號(hào)經(jīng)反函數(shù)模型的數(shù)據(jù)融合處理后,，結(jié)合Topp模型，電導(dǎo)率對(duì)傳感器的影響最大誤差為3.2%,。

摘要:針對(duì)木本植物越冬期莖干凍結(jié)信息難以原位,、在線監(jiān)測的問題，本研究依據(jù)莖干凍結(jié)過程中水-冰比例變化與莖干阻抗的關(guān)系,，研制莖干體積含冰量的原位,、在線檢測傳感器。駐波測量頻率及電路仿真結(jié)果表明,，采用100MHz信號(hào)激勵(lì)源,，電路能夠有效表征莖干阻抗中電抗分量的變化；植物凍結(jié)過程中的阻抗變化分析表明,，基于莖干阻抗變化表征體積含冰量的變化是可行的,；探頭電磁空間分布仿真結(jié)果表明，傳感器有效測量區(qū)域?yàn)?～10cm,；靜動(dòng)態(tài)特性分析表明,，傳感器測量范圍為0～100%，分辨率為0.05%,，測量精度為±1.76%,，穩(wěn)定性良好，動(dòng)態(tài)響應(yīng)時(shí)間為0.172s,，功耗為0.25W,；室內(nèi)外實(shí)驗(yàn)表明，傳感器可以有效追蹤莖干內(nèi)體積含冰量的動(dòng)態(tài)變化及受凍害脅迫程度,，反映植物越冬期水-冰轉(zhuǎn)化的日周期生理特征,，可為植物含冰量監(jiān)測和不同緯度下人工林的撫育提供技術(shù)支撐。

摘要:小麥籽粒檢測在千粒質(zhì)量計(jì)算及作物育種方面有著重要應(yīng)用,，重度粘連籽粒的有效檢測是其關(guān)鍵。本研究設(shè)計(jì)了一種YOLO v5-MDC的輕量型網(wǎng)絡(luò)用于重度粘連小麥籽粒檢測,。該網(wǎng)絡(luò)在YOLO v5s檢測網(wǎng)絡(luò)的基礎(chǔ)上,，用混合深度可分離卷積(Mixed depthwise convolutional, MDC)模塊進(jìn)行改進(jìn),，同時(shí)將MDC模塊與壓縮激勵(lì)(Squeeze and excitation, SE)模塊相結(jié)合，以達(dá)到在基本不損失模型精度的前提下減少模型參數(shù)的目的,。YOLO v5-MDC網(wǎng)絡(luò)將YOLO v5s特征提取網(wǎng)絡(luò)骨干部分的卷積,、歸一化、激活函數(shù)(Convolution, Batch normal, Hardswish, CBH)模塊替換為MDC模塊,，減少了模型的參數(shù),，經(jīng)過500次迭代訓(xùn)練，模型的精確率P為93.15%,，召回率R為99.96%,，平均精度均值(mAP)為99.46%。根據(jù)模型在測試集上的檢測效果,，本研究探究了訓(xùn)練次數(shù),、不同光源與不同拍攝距離對(duì)模型檢測結(jié)果的影響，統(tǒng)計(jì)結(jié)果表明,，在綠色光源下模型檢測精確率最高,，為98.00%，在5cm拍攝高度下圖像的檢測精確率最高,，為98.60%,。同時(shí)本研究在50次迭代下與YOLO v5s、RetinaNet,、YOLO v4網(wǎng)絡(luò)模型的檢測效果進(jìn)行了對(duì)比,，結(jié)果表明，YOLO v5-MDC的mAP為99.40%,，比YOLO v5s模型降低了0.06個(gè)百分點(diǎn),，但模型所占存儲(chǔ)空間最小，僅為13.4MB,，比YOLO v5s模型減少了0.6MB,，對(duì)于單幅圖像的最大檢測時(shí)間為0.08s，平均檢測時(shí)間為0.03s,。綜上,，本研究所設(shè)計(jì)模型能有效實(shí)現(xiàn)重度粘連小麥籽粒的檢測，同時(shí)模型檢測效率高,，所占存儲(chǔ)小,，可為小麥籽粒檢測嵌入式設(shè)備研發(fā)提供技術(shù)支持。

摘要:針對(duì)單步多框檢測器(Single shot multibox detector，SSD)網(wǎng)絡(luò)模型參數(shù)多、小目標(biāo)檢測效果差,、作物與雜草檢測精度低等問題，提出一種基于多尺度融合模塊和特征增強(qiáng)的雜草檢測方法,。首先將輕量網(wǎng)絡(luò)MobileNet作為SSD模型的特征提取網(wǎng)絡(luò),，并設(shè)計(jì)了一種多尺度融合模塊，將淺層特征圖先通過通道注意力機(jī)制增強(qiáng)圖像中的關(guān)鍵信息,，再將特征圖經(jīng)過不同膨脹系數(shù)的擴(kuò)張卷積擴(kuò)大感受野,，最后將兩條分支進(jìn)行特征融合，對(duì)于檢測小目標(biāo)的淺層特征圖,，在包含較多小目標(biāo)細(xì)節(jié)信息的同時(shí),，還包含豐富的語義信息。在此基礎(chǔ)上對(duì)輸出的6個(gè)特征圖經(jīng)過通道注意力機(jī)制進(jìn)行特征增強(qiáng),。實(shí)驗(yàn)結(jié)果表明,，本文提出的基于多尺度融合模塊和特征增強(qiáng)的雜草檢測模型，在自然環(huán)境下甜菜與雜草圖像數(shù)據(jù)集中,，平均檢測精度可達(dá)88.84%,，較標(biāo)準(zhǔn)SSD模型提高了3.23個(gè)百分點(diǎn)，參數(shù)量減少57.09%,，檢測速度提高88.44%,，同時(shí)模型對(duì)小目標(biāo)作物與雜草以及葉片交疊情況的檢測能力均有提高。

摘要:針對(duì)蠶繭加工過程中人工目測下繭效率低的問題,，采用機(jī)器視覺的檢測方法代替人工檢測下繭,。首先，根據(jù)圖像采集系統(tǒng)成像的景深為線陣掃描相機(jī)選擇合適的拍攝距離,，并通過采樣頻率的計(jì)算進(jìn)一步配置圖像采集系統(tǒng)的參數(shù),；然后，用采集得到的線陣圖像合成面陣圖像構(gòu)建下繭檢測數(shù)據(jù)集,；最后,，以YOLO v4目標(biāo)檢測模型為基礎(chǔ)模型設(shè)計(jì)出下繭實(shí)時(shí)檢測模型(Inferior cocoons net，ICNet),。該模型通過K-means算法對(duì)下繭檢測數(shù)據(jù)集聚類分析來預(yù)置候選框參數(shù)提升模型精度,；采用模型深度調(diào)控的方法進(jìn)行模型壓縮，以降低模型權(quán)重所占儲(chǔ)存空間,，提升模型速度,；設(shè)計(jì)輕量級(jí)卷積模塊構(gòu)建輕量級(jí)特征提取網(wǎng)絡(luò)進(jìn)一步提升模型的速度。實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的ICNet下繭實(shí)時(shí)檢測模型較原YOLO v4基礎(chǔ)模型平均檢測精度提升1.87個(gè)百分點(diǎn),，達(dá)到95.55%,，模型權(quán)重所占儲(chǔ)存空間壓縮40.82%，降為145.00MB,，平均檢測速度提升91.65%,，達(dá)到49.37幀/s。

摘要:圍產(chǎn)期母豬母性行為直接影響仔豬的成活率，母豬姿態(tài)是其母性行為和筑巢行為的重要表現(xiàn),。針對(duì)目前對(duì)圍產(chǎn)期母豬姿態(tài)轉(zhuǎn)換主要依靠人工巡檢,，費(fèi)時(shí)耗力且主觀性強(qiáng)等問題，采集了24頭母豬的視頻數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,，利用EfficientDet網(wǎng)絡(luò)對(duì)產(chǎn)床內(nèi)母豬圖像進(jìn)行深層次特征提取,，實(shí)現(xiàn)了母豬站、坐,、胸臥,、側(cè)臥姿態(tài)及其側(cè)臥方向（乳房面向仔豬保溫箱、乳房背對(duì)仔豬保溫箱）的準(zhǔn)確識(shí)別,。結(jié)果表明：該模型識(shí)別平均精度均值（mAP）達(dá)93.97%,，對(duì)圖像的檢測速度達(dá)26.2f/s，對(duì)視頻的檢測速度達(dá)10.66f/s,。通過對(duì)母豬產(chǎn)前及產(chǎn)后24h的姿態(tài)進(jìn)行分析,，母豬產(chǎn)前表現(xiàn)出顯著的筑巢行為，姿態(tài)轉(zhuǎn)換頻率顯著提高(P<0.001),；母豬產(chǎn)后側(cè)臥時(shí)間顯著增加,，母豬側(cè)臥時(shí)長與仔豬窩均質(zhì)量呈正相關(guān)關(guān)系；根據(jù)母豬側(cè)臥方向的偏好性進(jìn)行分組比較,，母豬偏向于將乳房面向保溫箱側(cè)臥的小組,，仔豬斷奶成活率更高。

摘要:針對(duì)傳統(tǒng)V-SLAM算法是在假設(shè)場景剛性不變的條件下進(jìn)行建圖,，導(dǎo)致無法實(shí)現(xiàn)動(dòng)態(tài)環(huán)境建圖,，以及傳統(tǒng)算法無法克服因環(huán)境特征不明顯或機(jī)器人被“綁架劫持”而導(dǎo)致場景跟丟的問題，提出一種在動(dòng)態(tài)環(huán)境下同步定位與多地圖構(gòu)建(DE-SLAMM)算法。該算法首先引入一種多地圖構(gòu)建思想,，當(dāng)跟蹤失敗時(shí)會(huì)自適應(yīng)生成一個(gè)新的局部地圖,，并在回環(huán)時(shí)將該地圖與之前地圖融合，解決算法跟丟后無法建圖的問題,。其次,，結(jié)合深度學(xué)習(xí)和多視圖幾何技術(shù)實(shí)現(xiàn)對(duì)環(huán)境中的動(dòng)態(tài)物體進(jìn)行實(shí)時(shí)檢測，并利用多幀融合技術(shù)對(duì)動(dòng)態(tài)對(duì)象遮擋的部分進(jìn)行背景修復(fù),，有效解決動(dòng)態(tài)環(huán)境下跟蹤建圖問題。最后將該算法應(yīng)用于實(shí)際場景進(jìn)行測試,，結(jié)果表明,，相比經(jīng)典的V-SLAM算法(ORB-SLAM2、ORBSLAMM和DynaSLAM),，當(dāng)發(fā)生跟蹤丟失時(shí),，本文算法在很短時(shí)間內(nèi)快速重建地圖并實(shí)現(xiàn)繼續(xù)跟蹤和新地圖融合，而ORB-SLAM2和DynaSLAM跟丟后進(jìn)入重定位模式,，無法繼續(xù)建圖,；ORBSLAMM跟丟后雖然可以繼續(xù)建圖，但其建立的地圖不能實(shí)現(xiàn)多地圖融合,，無法構(gòu)建整體地圖,；進(jìn)一步通過動(dòng)態(tài)環(huán)境測試實(shí)驗(yàn)發(fā)現(xiàn)，只有本文算法可實(shí)現(xiàn)所有動(dòng)態(tài)目標(biāo)(先驗(yàn)和移動(dòng)目標(biāo))的實(shí)時(shí)檢測及背景修復(fù),，DynaSLAM只能實(shí)現(xiàn)先驗(yàn)?zāi)繕?biāo)檢測,，而其它兩種算法無法實(shí)現(xiàn)動(dòng)態(tài)環(huán)境下目標(biāo)檢測和建圖。

摘要:針對(duì)大田蔬菜對(duì)靶施藥過程中靶標(biāo)難以精準(zhǔn)識(shí)別定位的問題，以甘藍(lán)為研究對(duì)象,，進(jìn)行基于深度學(xué)習(xí)的靶標(biāo)在線識(shí)別方法與模型研究,。對(duì)比3種當(dāng)前性能較優(yōu)的目標(biāo)檢測模型Faster R-CNN、SSD和YOLO v5s,，選擇YOLO v5s作為田間甘藍(lán)識(shí)別遷移學(xué)習(xí)模型,，提出一種MobileNet v3s主干特征提取網(wǎng)絡(luò)與深度可分離卷積融合的YOLO-mdw大田甘藍(lán)目標(biāo)識(shí)別方法，實(shí)現(xiàn)復(fù)雜環(huán)境下的大田甘藍(lán)實(shí)時(shí)識(shí)別,；提出一種基于卡爾曼濾波和匈牙利算法的甘藍(lán)目標(biāo)定位方法,，并將模型部署于NVIDIA Xavier NX開發(fā)板上。試驗(yàn)結(jié)果表明，YOLO-mdw識(shí)別模型在晴天,、多云,、陰雨天氣條件下識(shí)別準(zhǔn)確率分別為93.14%、94.75%和94.23%,，圖像處理時(shí)間為54.09ms,，相對(duì)于YOLO v5s模型用時(shí)縮短26.98%；速度不大于0.6m/s時(shí),，識(shí)別準(zhǔn)確率達(dá)94%,，平均定位誤差為4.13cm，平均甘藍(lán)直徑識(shí)別誤差為1.42cm,。該靶標(biāo)識(shí)別系統(tǒng)能在大田復(fù)雜環(huán)境下對(duì)甘藍(lán)進(jìn)行實(shí)時(shí)識(shí)別定位,，為對(duì)靶施藥提供技術(shù)支持。

摘要:針對(duì)農(nóng)業(yè)機(jī)器人在果園定位和導(dǎo)航中,，環(huán)境背景復(fù)雜、光照強(qiáng)度變化大等問題,，本文提出了一種基于RGB-D相機(jī)并利用顏色,、深度、寬度和平行邊特征的樹干快速識(shí)別方法,。首先,，使用RealSense深度相機(jī)獲取果園的彩色圖像和深度數(shù)據(jù)；然后,，將彩色圖像轉(zhuǎn)換為HSV顏色空間,，再對(duì)HSV顏色空間中的S分量進(jìn)行超像素分割，并將顏色特征和深度特征相近的相鄰超像素塊進(jìn)行合并,；隨后,，對(duì)深度圖像進(jìn)行樹干寬度特征檢測，對(duì)寬度置信率大于閾值的物體看作是待處理物體,；最后,，對(duì)待處理的物體進(jìn)行平行邊特征檢測，在待處理物體邊緣區(qū)域選擇感興趣區(qū)域窗口（ROI）進(jìn)行邊緣檢測,，搜索可能的樹干邊緣直邊,，當(dāng)物體邊緣的置信率RB大于設(shè)定的閾值TLB時(shí)，則識(shí)別為樹干,。通過對(duì)樹干的多特征提取,，有效提高了在不同環(huán)境下樹干識(shí)別準(zhǔn)確率,。利用移動(dòng)機(jī)器人平臺(tái)在果園環(huán)境進(jìn)行試驗(yàn)測試，以檢驗(yàn)在強(qiáng)光照,、正常光照和弱光照條件下樹干識(shí)別算法的性能,。試驗(yàn)結(jié)果表明，本文的樹干識(shí)別算法在強(qiáng)光照,、正常光照和弱光照條件下,，樹干識(shí)別的準(zhǔn)確率分別為92.38%、91.35%和89.86%,，每幀圖像平均耗時(shí)分別為0.54,、0.66、0.76s,，能夠穩(wěn)定且快速地實(shí)現(xiàn)果園環(huán)境下樹干識(shí)別作業(yè),。

摘要:為快速估測并直觀顯示植物葉綠素含量的冠層分布,，以苗期的簸箕柳作為研究對(duì)象，構(gòu)建了一套多視角表型信息采集平臺(tái),，通過目標(biāo)檢測算法YOLO v5檢測識(shí)別出植物分枝區(qū)域并提取不同色彩空間下的主枝部分分層色彩因子,，對(duì)比多種模型回歸方法，將多組色彩因子組合與手持式葉綠素含量測定儀測得的SPAD進(jìn)行反演建模,，得到擬合度最高的色彩因子組合回歸模型,；將該模型應(yīng)用于整株苗木圖像來表征SPAD的冠層分布，實(shí)現(xiàn)葉綠素含量在整株植物分布上的可視化,。結(jié)果表明：通過對(duì)比多種回歸算法下不同色彩因子組合模型與SPAD指數(shù)的相關(guān)性,，發(fā)現(xiàn)在RGB空間下由色彩因子R、G,、B,、G/R、G/B構(gòu)建的對(duì)數(shù)項(xiàng)嶺回歸算法擬合模型效果最佳,，其擬合度最高（R2為0.73）,，且誤差最小（RMSE為2.16）,。本文通過采集多視角圖像,，基于YOLO v5目標(biāo)檢測模型識(shí)別出植物主枝冠層區(qū)域，得到葉綠素含量冠層分布的最佳估測模型并進(jìn)行可視化,，可實(shí)現(xiàn)植物苗期生長的監(jiān)測與植物長勢的快速評(píng)判,，為氮脅迫早期診斷和氮肥科學(xué)施加提供技術(shù)指導(dǎo),。

摘要:針對(duì)目前冷鏈儲(chǔ)運(yùn)環(huán)境狀態(tài)僅通過當(dāng)前環(huán)境監(jiān)測數(shù)據(jù)進(jìn)行判斷,，未能對(duì)環(huán)境變化趨勢做出預(yù)判，無法很好地滿足冷鏈儲(chǔ)運(yùn)環(huán)境性能評(píng)估的需求,，提出了一種基于K中心點(diǎn)算法（K-medoids）和長短時(shí)記憶網(wǎng)絡(luò)（LSTM）相結(jié)合的冷藏車廂溫濕度多步預(yù)測方法,。將冷藏車廂內(nèi)歷史溫濕度數(shù)據(jù)、采集節(jié)點(diǎn)分布特征按照時(shí)間序列作為輸入,，采用K-medoids對(duì)其進(jìn)行數(shù)據(jù)融合,，然后將融合后的數(shù)據(jù)按照時(shí)間序列輸入LSTM網(wǎng)絡(luò)進(jìn)行溫濕度預(yù)測。將該預(yù)測方法應(yīng)用于舟山興業(yè)集團(tuán)的冷藏車內(nèi)進(jìn)行溫濕度預(yù)測驗(yàn)證,。試驗(yàn)結(jié)果表明：該預(yù)測方法對(duì)于冷藏車廂內(nèi)溫度預(yù)測的均方根誤差,、平均絕對(duì)誤差、平均絕對(duì)百分比誤差分別為0.3438℃,、0.2730℃,、1.51%；對(duì)于冷藏車廂內(nèi)相對(duì)濕度均方根誤差,、平均絕對(duì)誤差,、平均絕對(duì)百分比誤差分別為2.5619%、1.9956%,、3.53%,，相比于BP神經(jīng)網(wǎng)絡(luò)等其他淺層模型，該模型具有較好的預(yù)測精度和泛化能力,，能夠滿足冷鏈儲(chǔ)運(yùn)環(huán)境預(yù)測的實(shí)際需求,，可為冷鏈運(yùn)輸環(huán)境精細(xì)化管理和調(diào)控提供策略支持。

摘要:為探尋適宜冬小麥的咸水灌溉方法，針對(duì)拔節(jié)期,、抽穗期和灌漿期開展了不同咸淡輪灌方式（淡淡淡（A0）,、咸淡淡（A1）、淡咸淡（A2）,、淡淡咸（A3）,，咸水礦化度為10dS/m）及單次灌水量（40mm（I1）,、60mm（I2）、80mm（I3）,、100mm（I4））的田間試驗(yàn),，利用AquaCrop模型對(duì)咸淡輪灌下土壤水鹽和冬小麥生長生產(chǎn)進(jìn)行校驗(yàn)，并通過情景模擬優(yōu)化了咸淡輪灌方案,。結(jié)果表明：AquaCrop模型可以較好地模擬咸淡輪灌下土壤水鹽狀況及冬小麥生物量和籽粒產(chǎn)量,，率定時(shí)土壤含水率、土壤含鹽量,、冠層覆蓋度,、累積蒸發(fā)蒸騰量、生物量和籽粒產(chǎn)量的均方根誤差（RMSE）分別為1.06%~2.09%,、0.03~0.27dS/m,、4.2%~11.0%、14.95~52.17mm,、0.57~0.86t/hm2和0.28t/hm2,，驗(yàn)證時(shí)最終生物量和籽粒產(chǎn)量的RMSE分別為0.51t/hm2和0.33t/hm2，且各指標(biāo)決定系數(shù)（R2）均大于0.70,，一致性指數(shù)（d）均大于0.75,。利用校準(zhǔn)后的模型模擬64種咸淡輪灌情景下的籽粒產(chǎn)量，對(duì)咸淡輪灌方案進(jìn)行優(yōu)化：咸水含鹽量為2~14dS/m時(shí),，抽穗期或灌漿期灌1次咸水獲得95%和90%最大產(chǎn)量所需單次灌水量范圍分別為79.3~93.1mm和66.1~79.9mm,、79.6~90.8mm和67.0~78.1mm,，抽穗期和灌漿期均灌咸水則需單次灌水量為80.4~102.6mm和67.3~89.5mm,。

摘要:為探討煤基生物有機(jī)肥對(duì)滴灌條件下馬鈴薯產(chǎn)量和土壤理化特性及氮循環(huán)相關(guān)功能微生物豐度的影響,，揭示煤基生物有機(jī)肥對(duì)作物產(chǎn)量和土壤氮循環(huán)的作用機(jī)制,，在施用相同化肥基礎(chǔ)上，分別增施0,、1500,、3000、4500kg/hm2（CF,、BF1,、BF2、BF3處理）煤基生物有機(jī)肥開展田間試驗(yàn),。結(jié)果表明：與CF相比,，增施煤基生物有機(jī)肥顯著增加了植株和塊莖干物質(zhì)積累量,，顯著提高塊莖總產(chǎn)量5.30%~9.49%，且隨增施量的增加而增加,；顯著降低了土壤pH值,，增加了有機(jī)碳含量。隨有機(jī)肥增施量的增加,，土壤細(xì)菌和真菌豐度呈現(xiàn)減少趨勢,，但均高于CF。增施煤基生物有機(jī)肥顯著提高了亞硝酸鹽還原酶基因（nirS）豐度,，對(duì)固氮酶基因（nifH）和氨氧化細(xì)菌（AOB）的氨單加氧酶基因（amoA）豐度提高不顯著,。土壤有機(jī)碳是驅(qū)動(dòng)nirS型反硝化菌豐度的重要環(huán)境因子。適宜增施煤基生物有機(jī)肥可以調(diào)控土壤細(xì)菌和真菌占比,，調(diào)節(jié)土壤氮循環(huán)過程,，與其他功能基因相比，nirS基因豐度變化對(duì)煤基生物有機(jī)肥的添加更為敏感,。增施煤基生物有機(jī)肥有助于提升馬鈴薯田生產(chǎn)力,，以增施4500kg/hm2煤基生物有機(jī)肥最佳。

摘要:土壤鹽漬化問題已成為制約新疆地區(qū)農(nóng)業(yè)發(fā)展的主要因素，近年來生物炭在改良土壤方面發(fā)揮了極大優(yōu)勢,。為研究不同生物炭施用量對(duì)土壤理化性質(zhì)以及鹽分分布的影響,，于2018—2020年在新疆地區(qū)開展生物炭改良鹽堿土試驗(yàn)，種植作物為棉花-甜菜間作,，模式為當(dāng)?shù)貍鹘y(tǒng)“一膜兩管四行”栽培模式,。2018年試驗(yàn)設(shè)置4個(gè)生物炭水平，分別為0,、10,、50、100t/hm2,。2019年增加設(shè)置25t/hm2,。綜合分析2018年和2019年的試驗(yàn)結(jié)果，2020年生物炭施用量調(diào)整為0,、10,、25、30t/hm2,。生物炭混合深度為30cm,。在作物的不同生育期對(duì)各個(gè)處理不同剖面深度取土測定電導(dǎo)率,、pH值和有機(jī)質(zhì)含量，分析不同生物炭施用量對(duì)土壤pH值,、有機(jī)質(zhì)和鹽分的影響,。結(jié)果表明，添加生物炭顯著降低生育初期和生育末期0~30cm土層的pH值,，且降低幅度與生物炭施用量成正比,。生物炭對(duì)30~40cm土層的pH值有降低作用，但效果不顯著,。因生物炭自身有機(jī)質(zhì)豐富,，生物炭施用10~100t/hm2可增加土壤有機(jī)質(zhì)含量31.8%~135.8%。土壤含鹽量在垂直方向上,，表現(xiàn)出淺層大,、深層小的一致性規(guī)律；在水平方向上,，膜間土壤含鹽量大于滴頭附近的土壤含鹽量,。與對(duì)照處理相比，生物炭處理增加了0~10cm,、0~40cm和0~100cm 深度的加權(quán)平面含鹽量,，3年分別增加13.9%~79.2%、6.6%~133.6%和4.7%~103.5%,。施用生物炭后可促進(jìn)鹽分淋洗,，當(dāng)施用量為10、25t/hm2時(shí),，脫鹽率為14.7%~22.3%,，較其他生物炭處理高。綜合考慮鹽分淋洗和生物炭施用的經(jīng)濟(jì)成本,，生物炭適宜用量推薦為10t/hm2,。

摘要:以江蘇省永久耕地為例，基于2001—2019年中分辨率成像光譜儀（Moderate resolution imaging spectroradiometer,，MODIS）遙感影像,，開展耕地生產(chǎn)力隱性退化遙感監(jiān)測和影響因素分析。BFAST（Breaks for additive seasonal and trend）算法用于建模歷史時(shí)期耕地生產(chǎn)力變化的預(yù)期行為,，并以此為基準(zhǔn)判斷監(jiān)測時(shí)期耕地生產(chǎn)力是否存在隱性退化風(fēng)險(xiǎn),?；诘乩硖綔y器，從3個(gè)準(zhǔn)則層的8項(xiàng)指標(biāo)變量對(duì)耕地生產(chǎn)力隱性退化進(jìn)行了主導(dǎo)影響因素探測和因子交互分析,。研究結(jié)果表明：江蘇省存在生產(chǎn)力隱性退化的耕地比例為21.9%,，具有顯著的空間差異。西北地區(qū)的徐州市,、宿遷市的耕地生產(chǎn)力隱性退化比例最高,，分別為47.2%和43.4%，且表現(xiàn)出聚集性,。東南地區(qū)的蘇州市,、無錫市和南通市的耕地生產(chǎn)力隱性退化比例較低，均不足10%,。因子探測分析表明外流人口數(shù)量,、種植業(yè)從業(yè)人員數(shù)量和農(nóng)業(yè)機(jī)械化總動(dòng)力3項(xiàng)指標(biāo)對(duì)江蘇省耕地生產(chǎn)力隱性退化的解釋力最強(qiáng)。多因子交互耦合后,，人口因素與生產(chǎn)條件解釋力增強(qiáng)最為顯著,。耕地生產(chǎn)力隱性退化的地域分異類型劃分為生產(chǎn)條件約束型、產(chǎn)出效益約束型和人口因素約束型,。農(nóng)業(yè)機(jī)械化總動(dòng)力,、農(nóng)業(yè)產(chǎn)值和外流人口數(shù)量分別為3種約束類型的首要因素。從地域空間來看,，人口因素約束型地區(qū)在江蘇省占比最大,，主要集中于蘇北地區(qū)。對(duì)于不同約束類型區(qū)域分別提出加強(qiáng)高標(biāo)準(zhǔn)農(nóng)田建設(shè),、實(shí)施惠農(nóng)政策,、減緩勞動(dòng)力析出等相應(yīng)的政策建議。

摘要:為探討河套灌區(qū)在農(nóng)田排水過程中對(duì)鹽漬化土壤的改良效果和環(huán)境污染的影響，于2019—2020年在河套灌區(qū)烏拉特灌域暗管排水綜合試驗(yàn)區(qū)選擇典型支渠灌溉控制區(qū),，針對(duì)作物各灌溉時(shí)期的水文過程,、污染物的轉(zhuǎn)化、遷移和匯集過程開展了系統(tǒng)試驗(yàn),。結(jié)果表明：利用DRAINMOD模型能較好地模擬農(nóng)田排水量,，模擬值與實(shí)測值相對(duì)誤差（RE）為4.12%~13.44%、相關(guān)系數(shù)（R）為0.80~0.92、效率系數(shù)（NS）為0.82~0.90,，均在誤差范圍內(nèi),。利用馬斯京根法對(duì)斗溝和支溝排水過程進(jìn)行了演算，并在此基礎(chǔ)上對(duì)NH+4,、NO-3,、還原性物質(zhì)、鹽分的遷移,、轉(zhuǎn)化和匯集過程進(jìn)行了分析,，排水過程和NH+4、NO-3,、還原性物質(zhì),、鹽分濃度模擬結(jié)果與實(shí)測值較為一致，表明該方法能夠在宏觀上描述灌區(qū)不同排水組成所形成的環(huán)境污染過程,。試驗(yàn)區(qū)主要污染物排放總量由大到小依次為還原性物質(zhì),、NO-3、NH+4,，分別為349.47~363.10kg,、80.56~87.79kg、6.79~7.18kg,。經(jīng)過2年灌溉淋洗后,，土壤脫鹽率在土體中自上而下降低。暗管排水試驗(yàn)區(qū)0~20cm土壤脫鹽率為67.56%,，較20~40cm和40~100cm分別高5.12,、16.84個(gè)百分點(diǎn)；明溝排水試驗(yàn)區(qū)0~20cm土壤脫鹽率為34.54%,，較20~40cm和40~100cm分別高12.90,、15.58個(gè)百分點(diǎn)。淋洗之后土壤鹽分由表聚型向均勻型變化,，暗管排水和明溝排水在2020秋澆之后土壤電導(dǎo)率（EC）分別在2.20~2.63dS/m,、0.61~0.65dS/m之間。試驗(yàn)區(qū)中度鹽漬化土壤和鹽土類型面積均有所下降,，中度鹽漬化土壤面積下降2.94個(gè)百分點(diǎn),，鹽土面積下降29.42個(gè)百分點(diǎn)，非鹽漬化土壤,、輕度和中度鹽漬化土壤分別增加2.94,、8.83,、20.59個(gè)百分點(diǎn),。鹽土對(duì)試驗(yàn)區(qū)土壤脫鹽率貢獻(xiàn)最大，為126.78%。

摘要:酶解工藝參數(shù)不僅會(huì)影響畜禽骨蛋白的酶解效率,，而且會(huì)改變骨膠原肽產(chǎn)物的肽分子量分布、氨基酸組成和微結(jié)構(gòu)性能,，從而影響其高值高效化利用,。以制備均一性低分子量骨膠原肽為目的，以牛骨粉為研究對(duì)象,，以水解度為主要評(píng)價(jià)指標(biāo),，考察堿性蛋白酶、中性蛋白酶,、復(fù)合蛋白酶和風(fēng)味蛋白酶對(duì)牛骨粉的酶解效果,，探究雙酶分步酶解工藝、脂肪酶預(yù)處理的單獨(dú)與組合應(yīng)用對(duì)酶解效果的提升作用,，選定最優(yōu)的低分子量骨膠原肽制備工藝,；結(jié)合酶解過程中各項(xiàng)指標(biāo)的變化、產(chǎn)物表征分析和Person相關(guān)系數(shù)法分析不同復(fù)合酶解工藝對(duì)產(chǎn)物特性的影響及作用機(jī)制,。研究發(fā)現(xiàn)：經(jīng)脂肪酶預(yù)處理-堿性蛋白酶-復(fù)合蛋白酶酶解工藝制備的骨膠原肽產(chǎn)物具有最佳的理化性質(zhì),，優(yōu)化的工藝參數(shù)為：底物質(zhì)量濃度為0.09g/mL、初始pH值7.5的牛骨粉溶液加入堿性脂肪酶（加酶量0.08%）在40℃下反應(yīng)4h,，再加入堿性蛋白酶（加酶量0.36U/g）在60℃下反應(yīng)5h后,，最后加入復(fù)合蛋白酶（加酶量0.36U/g）在55℃下反應(yīng)5h，此時(shí),，水解度可達(dá)16.12%,，總游離氨基酸含量可達(dá)171.571mg/g，其Mw,、Mw/Mn和Mz/Mw分別為883Da,、9.73和7.91。然而,，經(jīng)脂肪酶預(yù)處理-堿性蛋白酶-風(fēng)味蛋白酶酶解工藝處理后,，其水解度和總游離氨基酸含量達(dá)到更高，分別為19.02%,、257.760mg/g,，且在骨膠原肽產(chǎn)物的理化性質(zhì)差異不大的情況下，成本投入更少,。

摘要:為研究超聲聯(lián)合酶處理對(duì)大豆分離蛋白（SPI）結(jié)構(gòu)和對(duì)谷氨酰胺轉(zhuǎn)氨酶（TG）交聯(lián)的SPI凝膠性能的影響，采用內(nèi)源性熒光光譜,、傅里葉紅外變換光譜解析超聲聯(lián)合酶處理對(duì)SPI結(jié)構(gòu)的影響,，并以粒徑、游離巰基含量,、表面疏水性,、凝膠強(qiáng)度、持水性及微觀結(jié)構(gòu)為指標(biāo),，探究SPI結(jié)構(gòu)改變與功能特性之間的關(guān)系,。紅外及熒光光譜表明，與未經(jīng)處理SPI和經(jīng)單一改性處理的SPI相比,，超聲聯(lián)合酶處理使蛋白α螺旋和β轉(zhuǎn)角相對(duì)含量降低,，β折疊和無規(guī)則卷曲相對(duì)含量上升，蛋白結(jié)構(gòu)伸展,，促使游離巰基和疏水基團(tuán)暴露,，提高了SPI游離巰基含量和表面疏水性。與未處理SPI相比,，經(jīng)超聲聯(lián)合酶處理的SPI凝膠效果最佳,，形成了均勻致密的凝膠網(wǎng)絡(luò)，其凝膠強(qiáng)度和持水率分別提升了(278.04±18.81)%和(89.51±2.78)%,，超聲聯(lián)合酶處理可以改善SPI結(jié)構(gòu)以及TG交聯(lián)的SPI凝膠特性,。

摘要:為明確缺氧誘導(dǎo)因子-1α（HIF-1α）對(duì)宰后成熟初期牛肉糖酵解能力的影響機(jī)制,，以牛背最長肌為研究材料，分別在宰后不同成熟時(shí)間（0,、6,、12、24,、48h）分析了對(duì)照組和HIF-1α抑制劑3(5′羥甲基2′呋喃基)1苯甲基唑（YC-1）處理組中HIF-1α細(xì)胞聚集和核轉(zhuǎn)位水平,、HIF-1α和糖原運(yùn)載體-1（GLUT-1）表達(dá)水平、糖酵解限速酶活力,、糖酵解水平以及pH值的變化情況,。結(jié)果表明,，宰后成熟初期HIF-1α在對(duì)照組細(xì)胞中聚集并向細(xì)胞核轉(zhuǎn)移，HIF-1α表達(dá)水平在0~6h迅速升高1.20倍（P<0.05）,，并在6~48h顯著高于YC-1處理組（P<0.05）,。伴隨著HIF-1穩(wěn)定積累,，對(duì)照組GLUT-1表達(dá)水平在0~6h內(nèi)顯著升高1.91倍（P<0.05）,，己糖激酶（HK）和磷酸果糖激酶（PFK）活力分別在0~6h和0~12h顯著升高至197.43U/g和27.33U/g（P<0.05）。糖酵解水平方面,，對(duì)照組糖原消耗和乳酸積累速率均顯著高于YC-1處理組（P<0.05）,，糖酵解潛力在0~12h顯著升高1.10倍（P<0.05），并在6~24h內(nèi)顯著高于YC-1處理組（P<0.05）,。同時(shí),，對(duì)照組pH值在0~12h顯著降低至極限pH值（pHu值）（P<0.05），比YC-1處理組提前了12h,。綜上可知,，HIF-1α通過誘導(dǎo)GLUT-1表達(dá)和糖酵解限速酶活力升高，在提升宰后初期牛肉糖酵解能力方面發(fā)揮重要作用,。

摘要:孕酮是由黃體分泌的一種類固醇激素,，食品中存在的孕酮對(duì)人體內(nèi)分泌等健康產(chǎn)生嚴(yán)重影響。因此,，探索簡單,、快速、靈敏的孕酮檢測技術(shù)及方法很有必要,?；谠型奶禺愋赃m配體（Apt）功能化的Au@Fe3O4納米粒子構(gòu)建磁弛豫傳感器，在優(yōu)化各種實(shí)驗(yàn)條件的基礎(chǔ)上,，對(duì)傳感器的靈敏度,、特異性進(jìn)行評(píng)估，并對(duì)牛奶中孕酮檢測的可行性進(jìn)行分析,。當(dāng)孕酮適配體與Au@Fe3O4納米粒子的體積比為3且孵育1.5h時(shí),，有利于Apt-Au@Fe3O4納米探針的構(gòu)建。磁弛豫檢測過程中的優(yōu)化條件如下：NaCl濃度為0.02mol/L,，Apt-Au@Fe3O4納米粒子稀釋400倍,，反應(yīng)15min。在此條件下,，水體系中單組份橫向弛豫時(shí)間的變化量與孕酮濃度間呈良好的線性關(guān)系,，線性區(qū)間為1~40nmol/L,，檢測限為4.97nmol/L，且具有良好的特異性,。該方法可實(shí)現(xiàn)對(duì)牛奶樣品中孕酮的檢測,，對(duì)牛奶中孕酮的線性檢測區(qū)間為20~100nmol/L，檢測限為13.60nmol/L,，加標(biāo)回收率為99.21%~103.45%,，相對(duì)標(biāo)準(zhǔn)偏差不大于9.02%。

摘要:針對(duì)雙電機(jī)驅(qū)動(dòng)電動(dòng)拖拉機(jī)的多工況作業(yè)需求,，提出了一種電動(dòng)拖拉機(jī)雙向耦合裝置結(jié)構(gòu)基本方案,。在對(duì)行星齒輪機(jī)構(gòu)傳動(dòng)理論研究的基礎(chǔ)上，對(duì)提出的方案進(jìn)行拓?fù)湓O(shè)計(jì),，推導(dǎo)各個(gè)方案的轉(zhuǎn)速轉(zhuǎn)矩關(guān)系式,，通過分析其傳動(dòng)特性，優(yōu)選出最終方案,。對(duì)優(yōu)選出的方案進(jìn)行動(dòng)力匹配,、參數(shù)計(jì)算及參數(shù)化建模，得到雙向耦合裝置的三維模型,?；贏DAMS搭建耦合裝置的虛擬樣機(jī)模型，對(duì)其進(jìn)行運(yùn)動(dòng)學(xué)仿真分析,，并試制樣機(jī)進(jìn)行裝機(jī)試驗(yàn),。基于ANSYS Workbench建立耦合裝置的有限元模型,，通過模態(tài)分析,，求得其前10階振型以及相應(yīng)的振型圖。仿真和試驗(yàn)結(jié)果表明：設(shè)計(jì)的電動(dòng)拖拉機(jī)雙向耦合裝置可實(shí)現(xiàn)功率的雙向耦合流動(dòng),，且響應(yīng)速度快,、動(dòng)力傳遞平穩(wěn)、無較大沖擊,；雙向耦合裝置的1階固有頻率為1905.5Hz,，高于電動(dòng)機(jī)激振頻率帶1020～1380Hz，可避免產(chǎn)生共振,，滿足電動(dòng)拖拉機(jī)多工況作業(yè)需求,。

摘要:針對(duì)RRT*-Connect算法在機(jī)械臂運(yùn)動(dòng)規(guī)劃過程中存在效率低、精度差等問題,，本文提出一種基于自適應(yīng)步長的啟發(fā)式RRT*-Connect機(jī)械臂運(yùn)動(dòng)規(guī)劃算法,。引入目標(biāo)偏向策略進(jìn)行橢球子集約束采樣，使采樣點(diǎn)能夠更快地收斂到最優(yōu)值,。在擴(kuò)展節(jié)點(diǎn)時(shí),，設(shè)計(jì)一種自適應(yīng)步長策略以減少算法的迭代次數(shù)，并有效縮短規(guī)劃路徑的長度,。當(dāng)搜索樹中總節(jié)點(diǎn)數(shù)大于預(yù)設(shè)閾值時(shí),，通過搜索樹優(yōu)化剪枝方法對(duì)搜索樹進(jìn)行剪枝,，刪除無效的采樣點(diǎn),，進(jìn)一步降低運(yùn)行時(shí)間。為了驗(yàn)證本文算法的優(yōu)勢,，在多種規(guī)劃場景下分別與RRT*,、RRT*-Connect、IRRT*算法進(jìn)行了Matlab仿真對(duì)比,。仿真結(jié)果表明,，本文算法在規(guī)劃過程中收斂速度更快，精度和效率更高,。為了驗(yàn)證本文算法的實(shí)用性,，構(gòu)造了不同障礙物實(shí)驗(yàn)場景，在Sawyer機(jī)械臂實(shí)驗(yàn)平臺(tái)進(jìn)行實(shí)驗(yàn)驗(yàn)證,。實(shí)驗(yàn)結(jié)果表明,，本文算法在不同障礙環(huán)境下具有較強(qiáng)的適應(yīng)能力。

摘要:為縮短復(fù)雜液壓產(chǎn)品的研發(fā)周期和提高系列化產(chǎn)品的開發(fā)效率，提出一種基于多核CPU的復(fù)雜液壓產(chǎn)品快速并行優(yōu)化方法,。該方法利用粒子群算法尋求產(chǎn)品設(shè)計(jì)參數(shù)的優(yōu)化和性能指標(biāo)的約束,，將每個(gè)仿真程序視作粒子群個(gè)體。采用兩級(jí)加速策略,，即CVODE求解器加速和多核CPU加速,。以非對(duì)稱軸向柱塞泵三角槽優(yōu)化設(shè)計(jì)為研究對(duì)象，通過物理樣機(jī)試驗(yàn)對(duì)CVODE求解器加速方法的準(zhǔn)確性進(jìn)行驗(yàn)證,，結(jié)果顯示,，試驗(yàn)與仿真結(jié)果吻合度較高,。利用粒子群算法對(duì)三角槽主要參數(shù)進(jìn)行優(yōu)化以降低泵輸出流量脈動(dòng)。對(duì)比三角槽結(jié)構(gòu)優(yōu)化前后的流量脈動(dòng)率,，結(jié)果顯示,，在不增加柱塞腔壓力的條件下，非對(duì)稱軸向柱塞泵三角槽優(yōu)化后的流量脈動(dòng)相比優(yōu)化前降低了36%,。該方法可脫離專業(yè)仿真軟件平臺(tái),，能夠獨(dú)立運(yùn)行于Windows操作系統(tǒng)，解決液壓動(dòng)態(tài)仿真對(duì)專業(yè)軟件依賴的問題,，且多進(jìn)程比多線程編程更容易實(shí)現(xiàn),。在8核CPU工作站仿真條件下，與SimulationX平臺(tái)仿真方法相比,，該多核CPU并行方法的仿真效率提高10倍以上,，與雙核計(jì)算機(jī)并行運(yùn)行效率相比提高近5倍。

摘要:提出一種二維活塞式動(dòng)態(tài)流量計(jì)，其計(jì)量單元二維活塞具有兩個(gè)運(yùn)動(dòng)自由度,，包括直線往復(fù)運(yùn)動(dòng)和轉(zhuǎn)動(dòng),。因此該流量計(jì)兼顧無負(fù)載動(dòng)態(tài)缸測量流量的高動(dòng)態(tài)特性和轉(zhuǎn)子式流量計(jì)連續(xù)測量流量的能力。闡述該流量計(jì)的機(jī)械結(jié)構(gòu)和工作原理,，通過建立動(dòng)力學(xué)方程和流量連續(xù)性方程獲得對(duì)應(yīng)的數(shù)學(xué)模型來研究流量計(jì)的動(dòng)態(tài)特性,。設(shè)計(jì)樣機(jī)并搭建動(dòng)態(tài)性能測試試驗(yàn)臺(tái)進(jìn)行試驗(yàn)研究。試驗(yàn)結(jié)果表明,，二維活塞式動(dòng)態(tài)流量計(jì)有較好的動(dòng)態(tài)特性,，當(dāng)被測正弦流量振蕩頻率達(dá)5Hz，二維活塞式流量計(jì)測得流量的頻率仍與無負(fù)載動(dòng)態(tài)缸測得的基本一致,，兩者相位差接近于零,。流量計(jì)輸出信號(hào)的幅值衰減較為嚴(yán)重，原因?yàn)榱髁坑?jì)樣機(jī)內(nèi)存在空氣所致,。