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:莖稈是農(nóng)作物的主要副產(chǎn)品，也是世界范圍內(nèi)豐富的生物質(zhì)資源。莖稈切割是剛性體與柔性體的直接互作過(guò)程,，是莖稈處理的重要工序,。莖稈切割與農(nóng)作物高效低損傷收獲及莖稈資源化利用密切相關(guān),，開(kāi)展割刀與莖稈切割互作過(guò)程的研究是農(nóng)藝農(nóng)機(jī)深度融合的重要方面，對(duì)于農(nóng)業(yè)生產(chǎn)與生態(tài)發(fā)展具有現(xiàn)實(shí)意義,。為此,，本文圍繞莖稈切割的相關(guān)問(wèn)題進(jìn)行了國(guó)內(nèi)外研究進(jìn)展的綜合評(píng)述與分析,，具體為：圍繞莖稈力學(xué)參數(shù)與本構(gòu)模型，闡述了莖稈生物學(xué)特征與力學(xué)參數(shù)的關(guān)系、測(cè)試方法與設(shè)備,、莖稈本構(gòu)模型的建立及應(yīng)用,；結(jié)合割刀結(jié)構(gòu)參數(shù)與型式、耐磨性能,、自磨銳性能,，介紹了割刀的結(jié)構(gòu)型式與材料特性；針對(duì)割刀與莖稈的切割互作過(guò)程,，系統(tǒng)介紹了切割原理，以及高效率,、低功耗,、低損傷等切割技術(shù)研究目標(biāo)；從試驗(yàn)研究的具體參數(shù)及目標(biāo)值到仿真研究的不同類型,，梳理了兩種研究方法在莖稈切割中的應(yīng)用概況,。在此基礎(chǔ)上，結(jié)合現(xiàn)有問(wèn)題,，著重探討了莖稈切割領(lǐng)域未來(lái)的發(fā)展方向,，為農(nóng)業(yè)生產(chǎn)中莖稈切割問(wèn)題的深入研究提供了參考。

摘要:為獲取土壤離散元仿真模型的土壤顆粒物理參數(shù)和接觸參數(shù)，本文采用試驗(yàn)與仿真相結(jié)合的方法,，以桑園土壤為例,，對(duì)土壤顆粒的接觸參數(shù)進(jìn)行了仿真標(biāo)定。首先利用粉體儀,、斜面儀,、等應(yīng)變直剪儀等，分析了試驗(yàn)地不同深度土壤的粒徑分布,，測(cè)量了試驗(yàn)地不同深度土壤休止角,、滑動(dòng)摩擦角、剪應(yīng)力,、內(nèi)聚力,、內(nèi)摩擦角；然后,，根據(jù)實(shí)測(cè)土壤粒徑分布,，利用EDEM軟件建立了非等直徑土壤球形顆粒模型。在此基礎(chǔ)上，以土壤顆粒間及土壤與65Mn鋼間的靜摩擦因數(shù),、滾動(dòng)摩擦因數(shù),、恢復(fù)系數(shù)為試驗(yàn)因素，土壤休止角,、土壤-65Mn鋼滑動(dòng)摩擦角為目標(biāo)值,，建立了基于中心組合試驗(yàn)設(shè)計(jì)（CCD）方案，并利用Design-Expert軟件對(duì)仿真試驗(yàn)結(jié)果進(jìn)行了分析,，得到了仿真標(biāo)定的土壤-土壤間靜摩擦因數(shù),、滾動(dòng)摩擦因數(shù)和恢復(fù)系數(shù)的最優(yōu)值分別為0.89、0.45和0.43,；標(biāo)定的土壤-65Mn鋼間靜摩擦因數(shù),、滾動(dòng)摩擦因數(shù)和恢復(fù)系數(shù)的最優(yōu)值分別為1.15、0.05和0.4,。利用以上標(biāo)定的最優(yōu)參數(shù)對(duì)桑園土壤進(jìn)行了休止角與滑動(dòng)摩擦角仿真試驗(yàn),，試驗(yàn)結(jié)果表明，休止角仿真值與試驗(yàn)值相對(duì)誤差為1.69%,，土壤-65Mn鋼的滑動(dòng)摩擦角仿真值與試驗(yàn)值相對(duì)誤差為2.88%,。在此基礎(chǔ)上，依據(jù)實(shí)測(cè)的土壤剪應(yīng)力,，采用試錯(cuò)法,，以實(shí)測(cè)土壤內(nèi)摩擦角為目標(biāo)值，優(yōu)化標(biāo)定了土壤-土壤顆粒Hertz-Mindlin with Bonding接觸模型中的粘結(jié)參數(shù),，標(biāo)定法向粘結(jié)剛度,、切向粘結(jié)剛度分別為1×108、5×107N/m3,，臨界法向應(yīng)力和臨界切向應(yīng)力均為10kPa,，接觸半徑為1.1倍顆粒半徑，直剪仿真得到內(nèi)摩擦角為30.24°,，仿真值與直剪試驗(yàn)內(nèi)摩擦角平均值相對(duì)誤差為5.53%,。本文提出的土壤顆粒建模方法、標(biāo)定方法及其所標(biāo)定的參數(shù)值,，可用于砂質(zhì)壤土桑園耕作機(jī)械觸土部件與土壤相互作用的離散元仿真分析及其結(jié)構(gòu)優(yōu)化,。

摘要:針對(duì)深松作業(yè)阻力大,、牽引能耗高,、作業(yè)效率低等問(wèn)題,，提出了一種針對(duì)低含水率、高緊實(shí)度耕作土壤的曲面深松鏟主動(dòng)潤(rùn)滑減阻和土壤改良復(fù)合作業(yè)方案,。首先,，在三維掃描獲得曲面深松鏟三維模型的基礎(chǔ)上，通過(guò)離散元法分析了曲面深松鏟作業(yè)過(guò)程中深松鏟與土壤顆粒間的互作特性,，確定了鏟體最大摩擦接觸面作為主動(dòng)潤(rùn)滑減阻面,；其次，提出了主動(dòng)液體潤(rùn)滑減阻思路,，并借鑒蚯蚓體液分布構(gòu)形與體表織構(gòu),，分別在鏟面和鏟尖的最大摩擦接觸面上，設(shè)計(jì)了溝槽形式的表面構(gòu)型與節(jié)流孔等潤(rùn)滑面結(jié)構(gòu)以及潤(rùn)滑介質(zhì)泵送系統(tǒng),，形成了主動(dòng)潤(rùn)滑減阻曲面深松鏟,；最后，以作業(yè)速度,、潤(rùn)滑液流量為試驗(yàn)因素，以水平方向作業(yè)阻力為主要指標(biāo),，在兩種土壤條件下進(jìn)行了大田試驗(yàn),。試驗(yàn)結(jié)果表明：在褐土地作業(yè)環(huán)境下，當(dāng)作業(yè)速度為3km/h,、潤(rùn)滑液流量為12L/min時(shí),，減阻率可達(dá)13.48%；在鹽堿地作業(yè)環(huán)境下,，當(dāng)作業(yè)速度為1.87km/h,、潤(rùn)滑液流量為12L/min時(shí)，減阻率可達(dá)19.87%,；初步證明主動(dòng)潤(rùn)滑減阻作業(yè)模式在低含水率,、高緊實(shí)度土壤中具有較好減阻效果。

摘要:秸稈在土壤中的空間分布質(zhì)量會(huì)對(duì)秸稈腐解速率,、土壤養(yǎng)分分布等產(chǎn)生顯著影響。為了探究不同旋耕作業(yè)參數(shù)對(duì)秸稈空間分布質(zhì)量的影響,，本文基于離散元法構(gòu)建旋耕仿真模型,，模擬秸稈旋耕還田作業(yè)過(guò)程，并結(jié)合田間試驗(yàn)對(duì)不同前進(jìn)速度和刀輥轉(zhuǎn)速下的秸稈空間分布質(zhì)量進(jìn)行對(duì)比驗(yàn)證,。對(duì)仿真及田間試驗(yàn)區(qū)域進(jìn)行垂直分層和水平劃分的空間分割處理,，計(jì)算各區(qū)域內(nèi)秸稈數(shù)量并以秸稈占比變異系數(shù)為指標(biāo)評(píng)價(jià)不同旋耕作業(yè)參數(shù)下的秸稈空間分布質(zhì)量,。結(jié)果表明，在垂直分層處理中,，刀輥轉(zhuǎn)速的增加會(huì)使得各層秸稈占比變異系數(shù)呈遞增的趨勢(shì),，其中240r/min時(shí)最小，仿真值與試驗(yàn)值分別為60.09%和80.65%,，而隨著前進(jìn)速度的增加,，變異系數(shù)呈先減少后增加的規(guī)律，其中0.50m/s時(shí)變異系數(shù)最小,，仿真值與試驗(yàn)值分別為61.00%和79.90%,；在水平劃分處理中，刀輥轉(zhuǎn)速的增加對(duì)各層秸稈占比變異系數(shù)無(wú)明顯規(guī)律性影響,，但前進(jìn)速度的增加可以減小縱向劃分區(qū)域內(nèi)的變異系數(shù),，最小值為0.75m/s時(shí)的11.36%和20.12%，仿真值與試驗(yàn)值變化趨勢(shì)基本一致,。垂直分布和水平分布秸稈占比變異系數(shù)仿真值與試驗(yàn)值間差值平均最大分別為22.13%和12.23%,，誤差在可接受范圍內(nèi)。離散元仿真能夠模擬不同旋耕作業(yè)參數(shù)下的秸稈空間分布狀態(tài),，可以為旋耕秸稈還田作業(yè)質(zhì)量的快速預(yù)測(cè)評(píng)價(jià)研究提供支持,，也可為旋耕機(jī)械的作業(yè)參數(shù)選擇提供理論依據(jù)。

摘要:不斷拓展的秸稈資源應(yīng)用途徑豐富了亞地塊尺度下秸稈信息豐度的研究,，但界定和表達(dá)亞地塊尺度下秸稈信息豐度尚缺乏科學(xué)規(guī)范,。本文以機(jī)收小麥原茬地的秸稈信息豐度為研究對(duì)象，設(shè)計(jì)系列指標(biāo)（立茬與碎秸的質(zhì)量分布,、碎秸堆疊層數(shù),、立茬側(cè)影覆蓋度），分別探討原位網(wǎng)格取樣稱草,、平板勻鋪圖像處理,、背景板圖像處理、碎秸篩分,、人工觀察計(jì)數(shù)等手段與方法,，進(jìn)行原茬秸稈信息的指標(biāo)化。將獲取的多維秸稈信息進(jìn)行歸一化處理,，并運(yùn)用圖像相似度分析法研究信息指標(biāo)間的相關(guān)性,。結(jié)果表明,，本文提出的秸稈信息參數(shù)及測(cè)試方法增加了亞地塊尺度下的秸稈信息豐度，秸稈信息圖像間的相關(guān)分析也能反映出各指標(biāo)間的內(nèi)在聯(lián)系,。所得信息反映了收獲機(jī)的留茬狀態(tài)與碎草性能,，碎秸質(zhì)量集中分布在割幅中間區(qū)域。立茬質(zhì)量分布受作物行間距影響,，碎秸堆疊層數(shù)表達(dá)了機(jī)排草口的排草狀況,，立茬側(cè)影覆蓋度分布可反映收獲機(jī)的留茬碾壓破壞情況。秸稈信息指標(biāo)間的相關(guān)分析表明,，地表秸稈總質(zhì)量與碎秸質(zhì)量的相似度為0.89,、與立茬質(zhì)量相似度為0.43，碎秸質(zhì)量與碎秸堆疊層數(shù)相似度為0.64,，立茬質(zhì)量與立茬側(cè)影覆蓋度相似度為0.48,。本文界定的亞地塊尺度下秸稈信息豐度及其參數(shù)化研究結(jié)果可為系統(tǒng)開(kāi)展亞地塊尺度下秸稈信息技術(shù)研發(fā)提供參考。

摘要:由于存在包衣配方不統(tǒng)一、包衣機(jī)自動(dòng)化水平低等問(wèn)題,，目前我國(guó)種子包衣合格率檢測(cè)精度和效率較低,。為此設(shè)計(jì)了一套丸粒化包衣種子識(shí)別檢測(cè)系統(tǒng),，針對(duì)形狀為類球體的包衣種子進(jìn)行識(shí)別,。首先，搭建拍攝平臺(tái),，拍攝的圖像傳輸至識(shí)別控制系統(tǒng)中進(jìn)行圖像前期處理,。其次，根據(jù)圖像處理后不同類型包衣種子特征提出了一種識(shí)別檢測(cè)算法,，根據(jù)破損包衣種子與其它包衣種子圖像面積比例的差異,，利用高級(jí)形態(tài)學(xué)處理實(shí)現(xiàn)破損包衣種子的識(shí)別。根據(jù)多籽種子與合格種子顆粒像素值的差異實(shí)現(xiàn)對(duì)多籽種子以及合格種子的識(shí)別,。最后,，對(duì)種子總數(shù)、合格數(shù),、多籽種子數(shù)及破損種子數(shù)進(jìn)行檢測(cè),，計(jì)算得到包衣合格率,。以紅三葉種子進(jìn)行試驗(yàn)，結(jié)果表明：整套系統(tǒng)圖像采集,、處理與識(shí)別時(shí)間約為3s,；運(yùn)用高級(jí)形態(tài)學(xué)處理識(shí)別破損包衣種子準(zhǔn)確率達(dá)98.8%；當(dāng)試驗(yàn)樣本為200粒時(shí),，總數(shù)識(shí)別算法的準(zhǔn)確率達(dá)到99.1%,；對(duì)合格包衣種子以及多籽包衣種子識(shí)別相對(duì)誤差分別為1.18%與3.36%。該識(shí)別檢測(cè)系統(tǒng)實(shí)現(xiàn)了拍攝,、圖像處理,、檢測(cè)識(shí)別以及結(jié)果保存等功能，實(shí)現(xiàn)了包衣種子的無(wú)損檢測(cè),。

摘要:為進(jìn)一步提高蔬菜穴盤(pán)苗高速自動(dòng)移栽機(jī)的栽植效率，提出了三臂輪系式栽植機(jī)構(gòu),，并基于遺傳算法對(duì)其進(jìn)行了近似多位姿運(yùn)動(dòng)綜合設(shè)計(jì),。首先，以理想栽植軌跡上關(guān)鍵位姿（位置與姿態(tài)）數(shù)據(jù)為約束,，由桿長(zhǎng)不變條件建立輪系式栽植機(jī)構(gòu)簡(jiǎn)化模型（平面RR機(jī)構(gòu)）近似多位姿運(yùn)動(dòng)綜合優(yōu)化模型,，并利用Matlab遺傳算法工具箱求解獲得機(jī)構(gòu)最優(yōu)結(jié)構(gòu)參數(shù)；然后,，由平面RR機(jī)構(gòu)兩轉(zhuǎn)動(dòng)副的運(yùn)動(dòng)參數(shù)計(jì)算輪系機(jī)構(gòu)總傳動(dòng)比并分配,，從而實(shí)現(xiàn)輪系式栽植機(jī)構(gòu)的設(shè)計(jì)。最后,，對(duì)三臂輪系式栽植機(jī)構(gòu)進(jìn)行了結(jié)構(gòu)設(shè)計(jì),、仿真分析和試驗(yàn)驗(yàn)證，結(jié)果表明：機(jī)構(gòu)實(shí)際運(yùn)動(dòng)軌跡姿態(tài)與理論設(shè)計(jì)基本一致,；栽植頻率120株/(min·行),、理論株距為300mm時(shí)，栽植成功率96.7%,，〖JP3〗實(shí)際株距均值298mm,，平均穴口寬度70mm,，滿足高速移栽要求，驗(yàn)證了所提出方法的正確性和三臂輪系式栽植機(jī)構(gòu)的實(shí)用性,。

摘要:針對(duì)現(xiàn)有機(jī)械離心式集排器高速作業(yè)時(shí)供種能力不足,，供種量難以實(shí)現(xiàn)精量可調(diào)等實(shí)際問(wèn)題,，設(shè)計(jì)一種具有“螺旋進(jìn)種條”結(jié)構(gòu)的油菜旋轉(zhuǎn)盤(pán)式高速集排器?；谟筒朔N子機(jī)械物理特性及播量需求,，開(kāi)發(fā)螺旋供種裝置，構(gòu)建種子供種過(guò)程的力學(xué)模型并分析確定了其主要結(jié)構(gòu)參數(shù),。采用三元二次回歸正交組合試驗(yàn)建立供種速率,、供種速率穩(wěn)定變異系數(shù)、破損率與轉(zhuǎn)速,、葉片寬度,、導(dǎo)程之間的數(shù)學(xué)模型，分析得到影響供種速率的因素主次順序?yàn)閷?dǎo)程,、葉片寬度,、轉(zhuǎn)速，影響供種速率穩(wěn)定性變異系數(shù)及破損率的因素主次順序?yàn)檗D(zhuǎn)速,、導(dǎo)程,、葉片寬度；且較優(yōu)參數(shù)組合為：轉(zhuǎn)速81r/min,、葉片寬度4mm、導(dǎo)程15mm,。在較優(yōu)參數(shù)組合下的臺(tái)架驗(yàn)證試驗(yàn)得到供種裝置的供種速率為92.7g/min,，供種速率穩(wěn)定性變異系數(shù)為0.32%，破損率為0.29%,；供種速率為36.55~190.94g/min時(shí),，供種速率穩(wěn)定性變異系數(shù)均低于1.29%，破損率均低于0.5%,。田間試驗(yàn)表明機(jī)組作業(yè)速度為10km/h時(shí),，油菜播種均勻性變異系數(shù)為9.4%，種植密度為48~60株/m2,，可實(shí)現(xiàn)高速播種,，滿足油菜種植農(nóng)藝要求,，可為旋轉(zhuǎn)盤(pán)式集排器結(jié)構(gòu)改進(jìn)提供參考。

摘要:對(duì)行噴霧技術(shù)可提高農(nóng)藥的利用率，有利于保護(hù)環(huán)境和減少農(nóng)藥殘留,。本文搭建基于機(jī)器視覺(jué)的大田甘藍(lán)對(duì)行噴霧控制系統(tǒng),。通過(guò)改進(jìn)的ExG算法提取顏色信息，采用最大類間方差法和形態(tài)學(xué)的開(kāi)閉運(yùn)算分割作物與背景,。提出甘藍(lán)作物行定位與多作物行自適應(yīng)ROI提取方法,，在條帶分割的ROI內(nèi)基于限定閾值垂直投影對(duì)特征點(diǎn)集進(jìn)行采集，通過(guò)最小二乘法對(duì)特征點(diǎn)集進(jìn)行線性擬合得到作物行中心線,。利用中心線幾何關(guān)系得到作物行偏移信息,，根據(jù)對(duì)行機(jī)構(gòu)的運(yùn)動(dòng)特性建立對(duì)行偏移補(bǔ)償模型，并設(shè)計(jì)基于PID軌跡追蹤算法的對(duì)行噴霧控制系統(tǒng),。試驗(yàn)結(jié)果表明,，實(shí)驗(yàn)室作物行識(shí)別準(zhǔn)確率為95.75%，算法平均耗時(shí)為77ms,。在田間試驗(yàn)中,，識(shí)別算法在時(shí)間段09:00—11:00、14:00—16:00內(nèi)測(cè)試效果最佳,，識(shí)別偏差均值保持在2.32cm以下,。針對(duì)不同范圍的雜草測(cè)試中，算法平均識(shí)別成功率為95.56%,，說(shuō)明算法具有較強(qiáng)的魯棒性,。在與其他識(shí)別算法對(duì)比測(cè)試中，本文算法平均耗時(shí)最短,，識(shí)別成功率最高,，能夠?yàn)閷?shí)時(shí)作業(yè)提供視覺(jué)引導(dǎo)。在對(duì)行噴霧控制系統(tǒng)田間試驗(yàn)中,，對(duì)行準(zhǔn)確率達(dá)到93.33%,，對(duì)行控制算法可將對(duì)行偏差控制在1.54cm，滿足田間實(shí)際應(yīng)用要求,。

摘要:針對(duì)植保機(jī)械在大田對(duì)靶施藥過(guò)程中霧滴沉積偏移導(dǎo)致準(zhǔn)確率低的問(wèn)題,，本文基于大田對(duì)靶施藥機(jī)器人,，開(kāi)展了霧滴定向沉積控制方法研究。以對(duì)靶噴施霧滴群體為研究對(duì)象,，闡述對(duì)靶施藥工作原理和作業(yè)特點(diǎn),，剖析霧滴群體沉積偏移成因；根據(jù)機(jī)器人空間結(jié)構(gòu)位置關(guān)系,，建立基于GNSS/IMU卡爾曼濾波信號(hào)的噴頭運(yùn)動(dòng)狀態(tài)感知模型與沉積位置預(yù)估模型,，確定噴頭響應(yīng)控制準(zhǔn)則；在此基礎(chǔ)上以機(jī)車(chē)作業(yè)速度,、噴頭控制方法為試驗(yàn)因素,，以對(duì)靶噴施準(zhǔn)確率和沉積偏移距離為試驗(yàn)指標(biāo)，開(kāi)展平整場(chǎng)地對(duì)靶噴施模擬試驗(yàn),；選取滿足作業(yè)需求的組別進(jìn)行大田對(duì)靶施藥作業(yè)驗(yàn)證,。試驗(yàn)表明：作業(yè)速度0.5、1.0,、1.5,、2.0m/s下的平整地面對(duì)靶施藥平均準(zhǔn)確率分別為99.8%、98.4%,、95.9%,、76.5%，沉積偏移距離分別為3.8,、5.4,、7.5、10.0cm;作業(yè)速度0.5,、1.0,、1.5m/s下的田間對(duì)靶施藥準(zhǔn)確率分別為98.7%、96.7%,、95.3%,。結(jié)果表明，基于GNSS/IMU卡爾曼濾波的霧滴沉積位置預(yù)估噴頭控制方法,，滿足大田對(duì)靶施藥作業(yè)需求,。

摘要:針對(duì)目前大田寬幅機(jī)械變量噴霧精準(zhǔn)化程度低,、農(nóng)機(jī)車(chē)速變化對(duì)噴霧效果影響考慮不充分的問(wèn)題，為了提高精準(zhǔn)施藥,、施肥能效,，基于3WF-1000型噴桿式噴霧機(jī)，設(shè)計(jì)了一種自適應(yīng)跟隨車(chē)速的變量噴霧系統(tǒng),。該系統(tǒng)采用傳感器實(shí)時(shí)采集農(nóng)機(jī)行進(jìn)速度,、出水管流量與壓力、藥箱液位高度等信息,，運(yùn)用Bisector模糊控制算法優(yōu)化控制策略,，實(shí)現(xiàn)了比例閥閥門(mén)變化角度的動(dòng)態(tài)控制，達(dá)到了對(duì)出水管流量精準(zhǔn)調(diào)控的目標(biāo),。為驗(yàn)證Bisector模糊控制算法應(yīng)用于本系統(tǒng)的優(yōu)越性,，利用Matlab構(gòu)建仿真模型，與PID算法,、Centroid算法對(duì)比分析,，Bisector模糊控制算法在調(diào)節(jié)時(shí)間、超調(diào)量,、穩(wěn)態(tài)誤差方面均表現(xiàn)優(yōu)越,。田間試驗(yàn)過(guò)程中，進(jìn)行了非行走設(shè)定車(chē)速,、恒定車(chē)速跟隨,、動(dòng)態(tài)車(chē)速跟隨以及單位面積噴霧量試驗(yàn)，結(jié)果表明,，3種車(chē)速運(yùn)行狀態(tài),，變量噴霧系統(tǒng)適應(yīng)擾動(dòng)達(dá)到穩(wěn)定運(yùn)行的調(diào)節(jié)耗時(shí)分別為13.4、27.6,、17s,，單位面積噴霧量的最大絕對(duì)誤差比率分別為1.20%、2.27%,、2.87%,，能夠滿足大田精準(zhǔn)施藥的精度要求。

摘要:針對(duì)目前國(guó)內(nèi)胡蘿卜聯(lián)合收獲過(guò)程中智能化水平低、無(wú)法對(duì)機(jī)具作業(yè)情況進(jìn)行監(jiān)測(cè)等問(wèn)題，設(shè)計(jì)了一種可搭載在胡蘿卜聯(lián)合收獲機(jī)上的智能監(jiān)控系統(tǒng),。智能監(jiān)控系統(tǒng)主要包括胡蘿卜聯(lián)合收獲機(jī)自適應(yīng)帶速調(diào)節(jié)模塊,、胡蘿卜堵塞監(jiān)測(cè)模塊、胡蘿卜果實(shí)計(jì)數(shù)模塊,、人機(jī)交互模塊及位置信息模塊等,。監(jiān)控系統(tǒng)以STM32F103單片機(jī)為主控制器，信息采用CAN總線傳輸,，應(yīng)用多種傳感器融合技術(shù),，實(shí)現(xiàn)胡蘿卜聯(lián)合收獲作業(yè)信息采集與調(diào)控。胡蘿卜聯(lián)合收獲機(jī)自適應(yīng)帶速調(diào)節(jié)模塊基于模糊PID控制算法,，通過(guò)傳感器收集機(jī)具作業(yè)速度,、夾持輸送帶帶速及夾持輸送裝置傾角，采用脈寬調(diào)制控制電磁閥開(kāi)度調(diào)節(jié)夾持輸送帶帶速,，實(shí)現(xiàn)胡蘿卜收獲過(guò)程中機(jī)具自適應(yīng)調(diào)節(jié)作業(yè)狀態(tài),。運(yùn)用Matlab軟件進(jìn)行胡蘿卜聯(lián)合收獲自適應(yīng)帶速調(diào)節(jié)模型對(duì)比試驗(yàn)，仿真試驗(yàn)結(jié)果表明,，該模型魯棒性好,，超調(diào)量低；田間試驗(yàn)表明,，各模塊監(jiān)測(cè)精度均大于等于96%,，自適應(yīng)帶速調(diào)節(jié)模塊誤差小于等于0.1m/s，帶速響應(yīng)時(shí)間小于等于0.8s,，調(diào)整時(shí)間小于等于1.6s,。該智能監(jiān)控系統(tǒng)滿足機(jī)具田間作業(yè)要求，實(shí)現(xiàn)了對(duì)胡蘿卜聯(lián)合收獲作業(yè)的實(shí)時(shí)監(jiān)測(cè)與夾持輸送帶帶速自動(dòng)控制,。

摘要:為了解決聯(lián)合收獲機(jī)運(yùn)輸車(chē)協(xié)同作業(yè)時(shí)，運(yùn)輸車(chē)糧箱裝載不均勻,，導(dǎo)致糧箱裝載利用率低的問(wèn)題,，提出了一種基于三維點(diǎn)云的動(dòng)態(tài)均勻裝載方法。該方法利用相機(jī)獲取運(yùn)輸車(chē)糧箱內(nèi)裝載物的三維點(diǎn)云作為狀態(tài)反饋信息,，建立裝載均勻性評(píng)估方式,，以最均勻裝載狀態(tài)為目標(biāo)，通過(guò)實(shí)時(shí)調(diào)整卸料裝載點(diǎn)位置,，使糧箱保持在均勻的裝載狀態(tài),。針對(duì)裝載物相互遮擋對(duì)相機(jī)形成視覺(jué)盲區(qū)的問(wèn)題,，通過(guò)建立裝載物的堆體模型和相機(jī)的遮擋模型，以最小期望誤差為目標(biāo)對(duì)盲區(qū)內(nèi)裝載物高度進(jìn)行估計(jì),，并據(jù)此進(jìn)行點(diǎn)云填充，從而得到能完整反映糧箱裝載狀態(tài)的三維點(diǎn)云,。在搭建平臺(tái)進(jìn)行的實(shí)驗(yàn)中,，對(duì)糧箱裝載過(guò)程中可能出現(xiàn)的輕載、中載和重載3種裝載狀態(tài)進(jìn)行測(cè)量,，并對(duì)盲區(qū)點(diǎn)云位置進(jìn)行估計(jì),，其盲區(qū)估計(jì)的平均誤差低于5cm。仿真結(jié)果表明,，動(dòng)態(tài)均勻裝載方法能在有限裝載周期內(nèi),，將糧箱從任意的初始裝載狀態(tài)裝載為均勻狀態(tài)。單次裝載量的平均高度增量為2cm,、糧箱的初始裝載狀態(tài)為空載時(shí),，裝載物的最大高度方差為1cm2。單因素仿真結(jié)果表明,，穩(wěn)定狀態(tài)下的裝載物高度方差與單次裝載量正相關(guān),。

摘要:針對(duì)現(xiàn)有馬鈴薯莖葉切碎機(jī)作業(yè)莖稈打碎長(zhǎng)度合格率低、帶薯率高,、工作效率低等問(wèn)題,，設(shè)計(jì)了一種全壟仿形式莖葉切碎刀輥，對(duì)刀具工作過(guò)程進(jìn)行分析,，建立刀具運(yùn)動(dòng),、刀具-莖稈碰撞和莖稈撿拾數(shù)學(xué)模型，明確影響裝置工作性能主要參數(shù),，完成全壟仿形式莖葉切碎刀輥總體結(jié)構(gòu)與莖葉切碎刀具設(shè)計(jì),。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,、刀輥轉(zhuǎn)速,、刀輥離地距離為試驗(yàn)因素，打碎長(zhǎng)度合格率,、帶薯率為評(píng)價(jià)指標(biāo),，應(yīng)用Design-Expert 8.0.6.1軟件進(jìn)行試驗(yàn)數(shù)據(jù)處理與參數(shù)組合優(yōu)化，結(jié)果表明,，各因素對(duì)打碎長(zhǎng)度合格率均具有顯著性影響,，影響由大到小依次為刀輥轉(zhuǎn)速,、作業(yè)速度、刀輥離地距離,；各因素對(duì)帶薯率均具有顯著性影響,，影響由大到小依次為刀輥離地距離、刀輥轉(zhuǎn)速,、作業(yè)速度,。在刀輥轉(zhuǎn)速為1450r/min、作業(yè)速度為3.5～6.7km/h,、刀輥離地距離為285～317mm時(shí),，打碎長(zhǎng)度合格率大于90%，帶薯率小于等于0.3%,。本研究結(jié)果為馬鈴薯莖葉切碎機(jī)具作業(yè)質(zhì)量和效率提升提供了設(shè)計(jì)理論與技術(shù)支持,。

摘要:為提高獼猴桃采摘機(jī)器人導(dǎo)航效率,，提出一種基于采樣狀態(tài)實(shí)時(shí)引導(dǎo)隨機(jī)樹(shù)擴(kuò)展的改進(jìn)方法（Straight-RRT）。首先,，針對(duì)傳統(tǒng)RRT算法盲目搜索的問(wèn)題,，引入評(píng)價(jià)指數(shù)與閾值劃分采樣狀態(tài)，根據(jù)采樣狀態(tài)決定采樣節(jié)點(diǎn)的選取方式,，實(shí)時(shí)引導(dǎo)隨機(jī)樹(shù)的擴(kuò)展,。其次，為增強(qiáng)算法對(duì)不同環(huán)境的自適應(yīng)性及快速避開(kāi)不規(guī)則障礙物,，引入動(dòng)態(tài)閾值并優(yōu)化最近節(jié)點(diǎn)選擇機(jī)制,。最后對(duì)路徑進(jìn)行優(yōu)化處理，去除路徑冗余點(diǎn)并采用貝塞爾曲線平滑路徑減小路徑復(fù)雜度,?；谂锛苁将J猴桃果園環(huán)境進(jìn)行路徑規(guī)劃實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明改進(jìn)后算法在獼猴桃果園環(huán)境中具有更好的適應(yīng)性及規(guī)劃效率,，為提高獼猴桃采摘機(jī)器人導(dǎo)航效率提供了解決方法,。

摘要:針對(duì)農(nóng)業(yè)生產(chǎn)中種子精選的需求,，設(shè)計(jì)了在線式單粒種子檢測(cè)分選裝置,，實(shí)現(xiàn)流水線式種子上料,、檢測(cè)和分選。該裝置由上料裝置,、檢測(cè)單元,、分選單元和控制系統(tǒng)組成。上料裝置通過(guò)兩級(jí)振動(dòng)實(shí)現(xiàn)籽粒的平鋪,，配合傳輸帶完成籽粒的單?；z測(cè)單元由高速工業(yè)相機(jī)實(shí)時(shí)獲取種子圖像,，并傳送至上位機(jī)檢測(cè)分析?？刂葡到y(tǒng)根據(jù)檢測(cè)結(jié)果和種子在圖像中的位置,，控制分選單元完成分選。利用搭建的裝置采集了1200粒正常種子,、1200粒霉變種子和1200粒破損種子的圖像,，使用HALCON軟件提取了單粒種子的18個(gè)顏色和12個(gè)形態(tài)特征，通過(guò)偏最小二乘判別分析法進(jìn)行判別分析,，分別構(gòu)建了種子霉變和破損的檢測(cè)模型,，并利用搭建的裝置和模型進(jìn)行了驗(yàn)證試驗(yàn)。試驗(yàn)結(jié)果表明：在線式單粒種子檢測(cè)分選裝置分選速率大于300粒/min,；其中霉變種子的分選準(zhǔn)確率高于95%,，破損種子分選的準(zhǔn)確率高于89%。

摘要:清選系統(tǒng)是氣吸式紅棗收獲機(jī)的重要組成部分,，降低清選含雜率,、損失率和破損率是實(shí)現(xiàn)紅棗收獲機(jī)械化的關(guān)鍵技術(shù)。利用棗,、雜慣性和流體力學(xué)特性差異,，設(shè)計(jì)了一種慣性氣流式紅棗清選系統(tǒng)，并對(duì)其關(guān)鍵部件及結(jié)構(gòu)參數(shù)進(jìn)行設(shè)計(jì)和分析,。采用Fluent軟件探明了該清選系統(tǒng)內(nèi)氣流運(yùn)動(dòng)形成的“∞”形旋流有利于棗,、雜的清選。為獲得清選系統(tǒng)最佳工作參數(shù),，以氣流速度,、調(diào)節(jié)板開(kāi)度為試驗(yàn)因素，以含雜率,、損失率和破損率為評(píng)價(jià)指標(biāo),，設(shè)計(jì)二次正交旋轉(zhuǎn)組合試驗(yàn),。建立試驗(yàn)因素與指標(biāo)間的回歸模型，采用多目標(biāo)優(yōu)化算法進(jìn)行參數(shù)優(yōu)化,，確定清選系統(tǒng)最優(yōu)參數(shù)組合：氣流速度為32.0m/s,，調(diào)節(jié)板開(kāi)度為3.4cm。在該條件下開(kāi)展驗(yàn)證試驗(yàn),，得到含雜率,、損失率和破損率分別為1.38%、3.37%和0.60%,，與優(yōu)化參數(shù)相比分別增加了0.06,、0.12、0.03個(gè)百分點(diǎn),。該清選系統(tǒng)滿足棗,、雜清選作業(yè)要求。

摘要:軸流泵葉頂泄漏流對(duì)水泵內(nèi)外特性有重要影響,，從控制葉片載荷角度建立了輪緣載荷分布型式與葉頂泄漏流的關(guān)系,。基于三維反問(wèn)題設(shè)計(jì)方法設(shè)計(jì)得到了具有前載,、中載和后載3種典型輪緣載荷分布型式的軸流泵葉輪模型,，采用三維湍流模擬技術(shù)研究了上述3種輪緣載荷分布型式對(duì)軸流泵葉頂泄漏流及其誘導(dǎo)的泄漏渦流動(dòng)的影響。結(jié)果表明,，相對(duì)于輪緣前載型葉輪和輪緣中載型葉輪,，輪緣后載型葉輪可有效消除葉片進(jìn)口附近低壓區(qū)，有利于葉輪空化性能,；小流量工況性能有所提高,，有效抑制流量揚(yáng)程曲線的駝峰現(xiàn)象；同時(shí)輪緣后載型葉輪具有更好的小流量工況壓力脈動(dòng)性能,。

摘要:為了揭示貫流泵裝置正轉(zhuǎn)全特性分區(qū)中各種臨界工況點(diǎn)的外特性和壓力脈動(dòng)特性,，以某比轉(zhuǎn)數(shù)1179的燈泡貫流泵裝置為研究對(duì)象,，對(duì)該泵裝置進(jìn)行了涉及臨界工況點(diǎn)的外特性及壓力脈動(dòng)試驗(yàn)。試驗(yàn)采集了共64個(gè)流量工況點(diǎn)的外特性參數(shù)和壓力波動(dòng),，著重分析了燈泡貫流泵裝置正轉(zhuǎn)全特性分區(qū)中各種臨界工況點(diǎn)的外特性和壓力脈動(dòng)特性。試驗(yàn)結(jié)果表明，關(guān)死點(diǎn)為逆流制動(dòng)工況與常規(guī)泵工況的分界點(diǎn),，泵裝置靠近關(guān)死點(diǎn)處的揚(yáng)程為6.41m，為設(shè)計(jì)點(diǎn)揚(yáng)程的3.27倍,，軸功率為15.39kW，為設(shè)計(jì)點(diǎn)功率的2.67倍,。葉輪進(jìn)口的無(wú)量綱壓力脈動(dòng)峰峰值為1.26,，葉輪中部為0.99，葉輪出口為0.84,，導(dǎo)葉出口為0.23,，分別為設(shè)計(jì)點(diǎn)的2.3、2.8,、4.9,、23倍。零揚(yáng)程點(diǎn)為常規(guī)泵工況與正流制動(dòng)工況的分界點(diǎn),，近零揚(yáng)程點(diǎn)處的流量為設(shè)計(jì)點(diǎn)流量的1.42倍,，軸功率為2.41kW,，為設(shè)計(jì)點(diǎn)功率的0.42倍,。葉輪進(jìn)口的無(wú)量綱壓力脈動(dòng)峰峰值為0.21，葉輪中部為0.21,，葉輪出口為0.15,，導(dǎo)葉出口為0.01，分別為設(shè)計(jì)點(diǎn)的0.38,、0.6,、0.88、1倍,。零扭矩點(diǎn)為正流制動(dòng)工況與水輪機(jī)工況的分界點(diǎn),，近零扭矩點(diǎn)處的流量為設(shè)計(jì)點(diǎn)流量的1.63倍，揚(yáng)程為-1.36m,，為設(shè)計(jì)點(diǎn)揚(yáng)程的-0.69倍,。葉輪進(jìn)口的壓力脈動(dòng)峰峰值為0.37，葉輪中部為0.31,，葉輪出口為0.20,，導(dǎo)葉出口為0.04，分別為設(shè)計(jì)點(diǎn)的0.67,、0.89,、1.18、4倍,。

摘要:尾水管渦帶是混流式水輪機(jī)流動(dòng)不穩(wěn)定的表征，嚴(yán)重時(shí)甚至?xí)?dǎo)致機(jī)組疲勞破壞,。為準(zhǔn)確捕捉不同工況下尾水管內(nèi)流體流動(dòng)的瞬態(tài)湍流特性,，采用滑移網(wǎng)格技術(shù)以及SST k-ω湍流模型，通過(guò)現(xiàn)階段最新進(jìn)展的Liutex渦識(shí)別方法對(duì)尾水管渦帶進(jìn)行捕捉并對(duì)比分析,，著重分析了不同來(lái)流對(duì)尾水管渦帶的形成,、發(fā)展、破裂和低頻壓力脈動(dòng)的影響,。結(jié)果表明：與文獻(xiàn)實(shí)驗(yàn)結(jié)果的對(duì)比,，驗(yàn)證了結(jié)果的準(zhǔn)確性；上游不同來(lái)流條件下,，尾水管渦帶形態(tài)各異,。最優(yōu)工況時(shí)僅形成一個(gè)穩(wěn)定的旋流結(jié)構(gòu)，即紡錘形渦帶,，對(duì)流場(chǎng)影響較小,。流量降低到設(shè)計(jì)流量的81%時(shí)，形成螺旋形渦帶,，渦帶的偏心運(yùn)動(dòng)對(duì)主流產(chǎn)生了較大干擾作用,，渦流、回流和流動(dòng)分離等不穩(wěn)定現(xiàn)象明顯,。由于渦帶對(duì)主流的排擠作用,，造成渦帶與壁面之間出現(xiàn)明顯的高速區(qū)，平均脈動(dòng)壓力系數(shù)幅值也比最優(yōu)工況增加了1.36~4倍,，壓力脈動(dòng)呈現(xiàn)出典型的低頻,、高幅特征；隨著開(kāi)度的繼續(xù)降低,，渦帶體積大幅度增加,，形成一個(gè)較大的空腔渦帶，占據(jù)流域范圍較廣,，與肘管壁面發(fā)生直接“沖擊現(xiàn)象”,；開(kāi)度越小尾水管內(nèi)產(chǎn)生的渦流越雜亂，流場(chǎng)越不穩(wěn)定,，當(dāng)開(kāi)度降至最低時(shí),，有形渦帶消失，破碎后的雜渦充據(jù)著整個(gè)直錐段和彎肘段,。

摘要:為及時(shí)準(zhǔn)確地掌握作物的植株氮含量(PNC)信息,，監(jiān)測(cè)作物生長(zhǎng)狀況,，實(shí)現(xiàn)農(nóng)田氮素施肥的科學(xué)管理，以馬鈴薯為研究對(duì)象,，首先獲取了現(xiàn)蕾期,、塊莖形成期、塊莖增長(zhǎng)期,、淀粉積累期和成熟期的數(shù)碼影像,，并實(shí)測(cè)了各生育期的PNC、株高(H)和地面控制點(diǎn)(GCP)的三維坐標(biāo),。其次利用各生育期的無(wú)人機(jī)數(shù)碼影像與GCP結(jié)合生成試驗(yàn)區(qū)域的數(shù)字正射影像(DOM)和數(shù)字表面模型(DSM),，并從中提取冠層光譜特征和株高(Hdsm)。然后將各生育期提取的Hdsm和數(shù)碼影像變量與地面實(shí)測(cè)的PNC進(jìn)行相關(guān)性分析,，從中篩選出相關(guān)性較好的影像變量和Hdsm作為馬鈴薯PNC估算模型的輸入?yún)?shù),。最后分別基于影像變量和影像變量結(jié)合Hdsm利用多元線性回歸(MLR)、誤差反向傳播(BP)神經(jīng)網(wǎng)絡(luò)和Lasso回歸3種方法構(gòu)建馬鈴薯PNC估算模型,。結(jié)果表明：基于DSM提取的Hdsm與實(shí)測(cè)H具有較高的擬合度(R2為0.860,，RMSE為2.663cm，NRMSE為10.234%),；各生育期加入Hdsm,，均能提高馬鈴薯PNC的估算精度和穩(wěn)定性,；各生育期利用MLR方法構(gòu)建的PNC估算模型優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和Lasso回歸,。該研究可為馬鈴薯PNC狀況的高效、無(wú)損監(jiān)測(cè)提供技術(shù)支撐,。

摘要:針對(duì)物理模型抗噪能力差且容易過(guò)擬合的問(wèn)題,，提出一種PROSAIL模型結(jié)合VMG（VARI（Visible atmospherically resistant index）,、MGRVI （Modified green red vegetation index）、GRRI （Green red ratio index））多元回歸模型反演冬小麥葉面積指數(shù)（Leaf area index,，LAI）方法,。實(shí)驗(yàn)基于無(wú)人機(jī)影像（Unmanned aerial vehicles，UAV），選擇河南省焦作市東南部的山陽(yáng)區(qū)為實(shí)驗(yàn)區(qū),，結(jié)合實(shí)測(cè)2個(gè)生育期冬小麥LAI數(shù)據(jù),。首先，構(gòu)建RGB植被指數(shù)模型,，選取其中最優(yōu)VMG模型反演冬小麥LAI,；然后，對(duì)PROSAIL參數(shù)敏感性進(jìn)行分析,，得到參數(shù)最優(yōu)值,，反演冬小麥LAI；最后,，采用快速模擬退火（Very fast simulated annealing,，VFSA）算法將兩種模型結(jié)合，獲得最優(yōu)冬小麥LAI,。結(jié)果表明：VFSA可以有效將PROSAIL模型和VMG模型結(jié)合,，提高了反演精度，且優(yōu)于VMG模型和PROSAIL模型,，決定系數(shù)R2高于0.8,，均方根誤差（RMSE）低于0.4m2/m2。綜上所述,，冬小麥生長(zhǎng)過(guò)程中,，地面覆蓋度增高，本文方法具有較強(qiáng)的輻射傳輸機(jī)理,，為L(zhǎng)AI反演提供一種有效的反演方法,。

摘要:科學(xué)、高效地獲取作物不同葉位葉綠素含量的垂直分布信息,，可監(jiān)測(cè)農(nóng)作物長(zhǎng)勢(shì)狀況并進(jìn)行田間管理,。基于冬小麥抽穗期獲取的不同葉位葉片的高光譜反射率和葉綠素含量實(shí)測(cè)數(shù)據(jù),，將原始光譜,、一階微分光譜、二階微分光譜,、植被指數(shù)和連續(xù)小波系數(shù)與葉綠素含量進(jìn)行相關(guān)性分析,，篩選相關(guān)性較強(qiáng)的光譜特征參數(shù),，然后分別采用偏最小二乘回歸、支持向量機(jī),、隨機(jī)森林和反向傳播神經(jīng)網(wǎng)絡(luò)4種機(jī)器學(xué)習(xí)算法構(gòu)建冬小麥上1葉,、上2葉、上3葉和上4葉的葉綠素含量估算模型,，并根據(jù)精度評(píng)估結(jié)果篩選不同葉位葉綠素含量估算的最佳模型,。結(jié)果表明，上1葉,、上2葉和上3葉采用小波系數(shù)結(jié)合偏最小二乘回歸構(gòu)建的葉綠素含量估算模型精度最高,，建模和驗(yàn)證R2分別為0.82和0.75、0.80和0.77,、0.71和0.62,；上4葉采用植被指數(shù)結(jié)合支持向量機(jī)構(gòu)建的葉綠素含量估算模型效果最佳，建模和驗(yàn)證R2為0.74和0.79,。研究結(jié)果可為基于遙感技術(shù)精準(zhǔn)監(jiān)測(cè)作物營(yíng)養(yǎng)成分的垂直變化特征提供理論和技術(shù)支撐,。

摘要:以丹江流域（河南段）2008、2018年Landsat遙感影像數(shù)據(jù)為主要數(shù)據(jù)源,，采用差分演化算法對(duì)研究區(qū)2028年的土地利用結(jié)構(gòu)進(jìn)行優(yōu)化,，并對(duì)優(yōu)化結(jié)果進(jìn)行分析驗(yàn)證，然后將得到的土地利用結(jié)構(gòu)優(yōu)化結(jié)果作為數(shù)量約束條件嵌入粒子群算法,，設(shè)置基本柵格,、空間集聚度、土地類型轉(zhuǎn)換,、地形坡度規(guī)則等多種約束條件進(jìn)行粒子更新優(yōu)化,，構(gòu)建了土地資源優(yōu)化配置的DE-PSO模型。研究結(jié)果表明,，優(yōu)化后的2028年土地利用空間格局與研究區(qū)實(shí)際相符合,，且優(yōu)化后的土地利用空間集聚程度增加,，土地利用空間格局在總體上趨于合理,；水域面積由406.61km2增長(zhǎng)到448.07km2，主要表現(xiàn)為丹江口庫(kù)區(qū)庫(kù)容擴(kuò)大,，其發(fā)展趨勢(shì)符合丹江口水庫(kù)調(diào)水規(guī)劃和水源地相關(guān)政策,；模型總體精度為89.54%，Kappa系數(shù)為0.8593,，說(shuō)明建立的模型具有良好的性能,。研究結(jié)果可為研究區(qū)土地資源可持續(xù)利用、水源地保護(hù)與管理、生態(tài)環(huán)境保護(hù)提供科學(xué)依據(jù),。

摘要:為方便小麥模型算法比較與多算法集成模擬,，本研究參考國(guó)內(nèi)外主流作物模型CERES-Wheat,、APSIM-Wheat、WheatSM,、WOFOST,、SWAT等的主要算法，集成了發(fā)育期,、生物量,、產(chǎn)量形成等模塊的多種算法，構(gòu)建了小麥模型算法集成平臺(tái)（Wheat model algorithm integration platform, WMAIP）,。發(fā)育期模塊集成了小麥鐘模型和熱時(shí)兩種算法,；生物量模塊集成了群體光合作用、光能利用效率和二氧化碳同化率3種算法,；產(chǎn)量形成模塊集成了籽粒灌漿,、生物量轉(zhuǎn)移和收獲指數(shù)3種算法?；谀Ｐ推脚_(tái)組成了6個(gè)具有代表性的模擬模型,。利用河北省吳橋縣2017—2019年兩年播期試驗(yàn)的田間觀測(cè)數(shù)據(jù)結(jié)合2011—2014年3年播期耦合水分文獻(xiàn)資料對(duì)模型進(jìn)行參數(shù)校準(zhǔn)與驗(yàn)證，并對(duì)特定模塊的不同算法進(jìn)行比較,。結(jié)果表明,，各模型的模擬結(jié)果與實(shí)測(cè)值均吻合良好，模擬誤差在合理范圍之內(nèi),，其中發(fā)育期,、地上部生物量、產(chǎn)量和土壤貯水量模擬值和實(shí)測(cè)值的歸一化均方根誤差（NRMSE）分別在0.56%~4.00%,、16.13%~18.72%,、12.48%~18.95%和10.78%~11.63%之間，模型集合的模擬效果優(yōu)于單一模型,。通過(guò)算法比較發(fā)現(xiàn),，發(fā)育期模塊中熱時(shí)法模擬播種至拔節(jié)階段較優(yōu)，小麥鐘模型模擬播種至開(kāi)花階段和播種至成熟階段較優(yōu),；生物量模塊中3種算法均為模擬小麥生物量的較佳模型,，但在高輻射條件下,，群體光合作用法模擬的生物量較高；產(chǎn)量模塊中3種算法模擬的產(chǎn)量變化趨勢(shì)較為一致,，但生物量轉(zhuǎn)移法效果略好,。該平臺(tái)集成了特定模塊的多種算法，能較好地模擬土壤貯水量和冬小麥的生物學(xué)指標(biāo),，在小麥模型算法比較與改進(jìn),、集成模擬及氣候變化影響評(píng)估方面具有較大的應(yīng)用潛力。

摘要:提早預(yù)知植物生長(zhǎng)發(fā)育是智能育種過(guò)程的重要組成部分,，針對(duì)植物表型難以精準(zhǔn)預(yù)測(cè)和模擬的問(wèn)題,，利用植物生長(zhǎng)發(fā)育的空間和時(shí)間依賴性，提出了一種基于時(shí)空長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Spatiotemporal long short-term memory,，ST-LSTM）的植物生長(zhǎng)發(fā)育預(yù)測(cè)模型,，實(shí)現(xiàn)植物生長(zhǎng)發(fā)育的預(yù)測(cè)。首先,，通過(guò)微調(diào)Mask R-CNN模型實(shí)現(xiàn)識(shí)別,、提取植物掩模，預(yù)處理具有時(shí)空相關(guān)性的植物生長(zhǎng)發(fā)育圖像序列,，構(gòu)建植物生長(zhǎng)發(fā)育預(yù)測(cè)數(shù)據(jù)集,。然后，基于ST-LSTM建立植物生長(zhǎng)發(fā)育預(yù)測(cè)模型,，利用歷史生長(zhǎng)發(fā)育圖像序列,，融合時(shí)空深度特征，預(yù)測(cè)植物未來(lái)的生長(zhǎng)發(fā)育圖像序列,。研究結(jié)果表明,，所提出模型預(yù)測(cè)的圖像序列與生長(zhǎng)發(fā)育實(shí)際圖像序列具有較高的一致性和相似性，首個(gè)預(yù)測(cè)時(shí)間節(jié)點(diǎn)的結(jié)構(gòu)相似度為0.8741,，均方誤差為17.10,，峰值信噪比為30.83，測(cè)試集的冠層葉面積,、冠幅和葉片數(shù)預(yù)測(cè)R2分別為0.9619,、0.9087和0.9158。該研究實(shí)現(xiàn)了基于植物生長(zhǎng)發(fā)育圖像序列的生長(zhǎng)發(fā)育預(yù)測(cè),，有效減少了田間反復(fù)試驗(yàn)的時(shí)間,、土地和人力成本，為提高智能育種效率提供了參考,。

摘要:準(zhǔn)確分割單個(gè)楊樹(shù)葉是無(wú)接觸提取楊樹(shù)苗葉表型參數(shù)的前提，針對(duì)大田楊樹(shù)苗的復(fù)雜種植環(huán)境,，本文提出一種基于SegNet與三維點(diǎn)云聚類的大田楊樹(shù)苗葉片分割方法,。首先對(duì)Kinect V2相機(jī)進(jìn)行標(biāo)定，對(duì)齊RGB與深度數(shù)據(jù),，濾除背景,，獲得RGB與深度數(shù)據(jù)融合數(shù)據(jù)；然后針對(duì)RGB與深度融合數(shù)據(jù)采用語(yǔ)義分割算法SegNet對(duì)楊樹(shù)苗葉與楊樹(shù)干進(jìn)行分割,；為了更好地分割出單個(gè)楊樹(shù)葉,，對(duì)分割的楊樹(shù)葉區(qū)域重構(gòu)出三維點(diǎn)云，采用基于幾何距離的kd-tree對(duì)單個(gè)樹(shù)葉進(jìn)行分類,。對(duì)采集的單株樹(shù)苗與多株樹(shù)苗數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)分析,，采用SegNet與FCN分別對(duì)楊樹(shù)苗葉區(qū)域與莖區(qū)域進(jìn)行分割，結(jié)果表明,，SegNet對(duì)葉,、莖檢測(cè)準(zhǔn)確率分別為94.4%、97.5%,，交并比分別為75.9%,、67.9%，優(yōu)于FCN,；對(duì)葉區(qū)域采用不同距離閾值的kd-tree算法進(jìn)行單葉分割分析,，確定了適合楊樹(shù)葉的分割閾值。實(shí)驗(yàn)結(jié)果表明,，本文提出的分割算法不僅能分割出單株楊樹(shù)苗的葉片,，也能分割出多株楊樹(shù)苗的單個(gè)葉片。

摘要:為提高馬鈴薯幼苗葉芽檢測(cè)識(shí)別的準(zhǔn)確率,，提高自動(dòng)育苗生產(chǎn)系統(tǒng)的工作效率，提出了基于YOLO v4網(wǎng)絡(luò)的改進(jìn)識(shí)別網(wǎng)絡(luò),。將YOLO v4特征提取部分CSPDarknet53中的殘差塊（Residual Block）替換為Res2Net,，并采用深度可分離卷積操作減小計(jì)算量。由此,，在增大卷積神經(jīng)網(wǎng)絡(luò)感受野的同時(shí),，能夠獲得葉芽更加細(xì)小的特征信息，減少馬鈴薯葉芽的漏檢率,。設(shè)計(jì)了基于擴(kuò)張卷積的空間特征金字塔(D-SPP模塊),，并嵌入和替換到特征提取部分的3個(gè)特征層輸出中,，用于提高馬鈴薯葉芽目標(biāo)識(shí)別定位的準(zhǔn)確性。采用消融實(shí)驗(yàn)對(duì)改進(jìn)策略的有效性進(jìn)行了驗(yàn)證分析,。實(shí)驗(yàn)結(jié)果表明,，改進(jìn)的識(shí)別網(wǎng)絡(luò)對(duì)馬鈴薯葉芽檢測(cè)的精確率為95.72%，召回率為94.91%,，綜合評(píng)價(jià)指標(biāo)F1值為95%,，平均精確率為96.03%。與Faster R-CNN,、YOLO v3,、YOLO v4網(wǎng)絡(luò)相比，改進(jìn)的識(shí)別網(wǎng)絡(luò)具有更好的識(shí)別性能,，從而可有效提高馬鈴薯自動(dòng)育苗生產(chǎn)系統(tǒng)的工作效率,。

摘要:現(xiàn)有大田土壤電導(dǎo)率檢測(cè)裝置主要以手持式為主,，存在檢測(cè)效率低、實(shí)時(shí)性差等問(wèn)題,?；陔娏?電壓四端法原理設(shè)計(jì)了一種車(chē)載式大田土壤電導(dǎo)率在線檢測(cè)系統(tǒng)，系統(tǒng)主要由恒流信號(hào)源電路,、信號(hào)處理電路,、Arduino控制器、GPS定位模塊及車(chē)載傳感器等組成,，可在線檢測(cè)大田土壤電導(dǎo)率,。通過(guò)實(shí)驗(yàn)室和大田試驗(yàn)對(duì)系統(tǒng)性能進(jìn)行了驗(yàn)證，試驗(yàn)結(jié)果表明,，系統(tǒng)具有較好穩(wěn)定性,，動(dòng)態(tài)響應(yīng)時(shí)間約為540ms，開(kāi)機(jī)預(yù)熱引起的溫漂最大偏差為3.70%,，不考慮溫差影響下系統(tǒng)檢測(cè)精度R2為0.7342,，消除溫差影響后檢測(cè)精度R2為0.8645~0.9156，均高于商用手持式電導(dǎo)率檢測(cè)儀,，其R2為0.6095,；探究了拖拉機(jī)振動(dòng)、傳感器插入深度、作業(yè)速度和土壤堅(jiān)實(shí)度對(duì)系統(tǒng)檢測(cè)精度的影響,，振動(dòng)狀態(tài)相對(duì)靜止?fàn)顟B(tài),，檢測(cè)數(shù)據(jù)最大誤差為10.37%，且誤差主要集中在0~10μS/cm范圍內(nèi),；當(dāng)作業(yè)速度不大于5.0km/h和傳感器插入深度大于等于10cm時(shí),，該系統(tǒng)可穩(wěn)定進(jìn)行大田土壤電導(dǎo)率在線檢測(cè),，且檢測(cè)地塊土壤堅(jiān)實(shí)度不應(yīng)過(guò)小,，以確保傳感器電極與土壤充分接觸。該系統(tǒng)可為開(kāi)展基于土壤電導(dǎo)率在線檢測(cè)的實(shí)時(shí)變量施肥技術(shù)研究提供技術(shù)支撐,。

摘要:針對(duì)蘋(píng)果葉部病害程度識(shí)別準(zhǔn)確率低的問(wèn)題,，構(gòu)建了一種基于快照集成方法的蘋(píng)果葉部病害程度識(shí)別模型,。首先，通過(guò)多種數(shù)字圖像處理技術(shù)對(duì)原始蘋(píng)果葉部病害圖像進(jìn)行數(shù)據(jù)增強(qiáng),；然后,，選取InceptionResNet V2作為基模型，引入CBAM模塊提升網(wǎng)絡(luò)的特征提取能力,，使用焦點(diǎn)損失函數(shù)緩解蘋(píng)果葉部病害數(shù)據(jù)集類別不平衡問(wèn)題,；最后，通過(guò)快照集成方法進(jìn)行模型集成,，得到蘋(píng)果葉部病害程度識(shí)別模型,。利用蘋(píng)果黑星病和銹病的早期和晩期病害數(shù)據(jù)集進(jìn)行了模型驗(yàn)證，準(zhǔn)確率高達(dá)90.82%,，比單一InceptionResNet V2模型的準(zhǔn)確率提高了2.50個(gè)百分點(diǎn),。實(shí)驗(yàn)結(jié)果表明，基于快照集成的識(shí)別模型準(zhǔn)確率較高,，為蘋(píng)果葉部病害程度識(shí)別研究提供了參考,。

摘要:黑斑病是危害庫(kù)爾勒香梨的真菌病害之一,。若在黑斑病癥狀顯證之前實(shí)現(xiàn)早期診斷，對(duì)于防止病害蔓延,、減少經(jīng)濟(jì)損失具有重要的意義,。結(jié)合高光譜成像技術(shù)和Stacking集成學(xué)習(xí)算法,，構(gòu)建了香梨黑斑病早期快速診斷模型。獲取了健康,、潛育期,、輕度發(fā)病和重度發(fā)病的黑斑病庫(kù)爾勒香梨的高光譜圖像，提取感興趣區(qū)域內(nèi)的平均光譜,，經(jīng)標(biāo)準(zhǔn)正態(tài)變量變換,、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)及組合預(yù)處理后,，利用主成分分析進(jìn)行數(shù)據(jù)降維,。然后，以K最近鄰法（KNN）,、最小二乘支持向量機(jī)（LS-SVM）和隨機(jī)森林（RF）算法為基學(xué)習(xí)器,，以LS-SVM為元學(xué)習(xí)器，構(gòu)建了黑斑病病害程度的Stacking集成學(xué)習(xí)預(yù)測(cè)模型,。結(jié)果表明,，隨著病害程度加深，光譜反射率整體呈下降趨勢(shì),，且存在顯著性差異,，為分類模型的建立提供了理論依據(jù)。所建模型對(duì)健康和不同病害程度黑斑病庫(kù)爾勒香梨的總體判別準(zhǔn)確率為98.28%,，對(duì)潛育期香梨的判別準(zhǔn)確率為100%,。與利用單一分類器建模結(jié)果相比，總體判別準(zhǔn)確率和潛育期香梨判別準(zhǔn)確率分別上升5.18,、23.08個(gè)百分點(diǎn),。結(jié)果證明，Stacking集成學(xué)習(xí)具有較強(qiáng)的特征學(xué)習(xí)能力,，將其與高光譜成像技術(shù)結(jié)合,，能實(shí)現(xiàn)庫(kù)爾勒香梨黑斑病潛育期的識(shí)別。該結(jié)果為庫(kù)爾勒香梨黑斑病的早期快速診斷和發(fā)病過(guò)程的實(shí)時(shí)監(jiān)測(cè)提供了一種新的方法,。

摘要:不同品種蘋(píng)果之間往往存在較大的價(jià)格差異,，為了防止從采購(gòu)到銷售過(guò)程中因蘋(píng)果品種分類不當(dāng)產(chǎn)生經(jīng)濟(jì)損失，提出了一種基于融合注意力機(jī)制的自動(dòng)識(shí)別和分類模型EBm-Net（針對(duì)蘋(píng)果類型）,。該模型通過(guò)融合通道注意力和空間注意力機(jī)制充分提取了蘋(píng)果表面的形狀輪廓特征和顏色紋理特征,，從而進(jìn)一步增加蘋(píng)果類型之間的特征距離。同時(shí)，從特征圖和類別概率統(tǒng)計(jì)圖2方面證明了EBm-Net在蘋(píng)果品種分類方法上的有效性,。實(shí)驗(yàn)結(jié)果表明,，EBm-Net網(wǎng)絡(luò)模型在紅富士、喬納金,、秦冠,、小國(guó)光、金冠,、澳洲青蘋(píng),、嘎啦上的分類準(zhǔn)確率分別為96.25%、96.25%,、100%,、92.50%,、98.75%,、100%和93.75%，7種蘋(píng)果類型的總體分類準(zhǔn)確率高達(dá)96.78％,。因此,，將視覺(jué)圖像與深度學(xué)習(xí)相結(jié)合對(duì)蘋(píng)果品種進(jìn)行分類和識(shí)別是可行的，為蘋(píng)果品種的實(shí)時(shí)檢測(cè)提供了一種新的方法,。

摘要:針對(duì)目前人工識(shí)別羊個(gè)體疼痛過(guò)程中存在的經(jīng)驗(yàn)要求高,、識(shí)別準(zhǔn)確率低,、消耗成本高、延誤疾病治療等問(wèn)題,，引入當(dāng)前主流圖像分類網(wǎng)絡(luò)VGGNet（Visual geometry group network）對(duì)有疼痛和無(wú)疼痛的羊臉表情進(jìn)行識(shí)別,，提出一種基于改進(jìn)VGGNet的羊臉痛苦表情識(shí)別算法，改進(jìn)后的網(wǎng)絡(luò)為STVGGNet（Spatial transformer visual geometry group network）,。該算法將空間變換網(wǎng)絡(luò)引入VGGNet,，通過(guò)空間變換網(wǎng)絡(luò)增強(qiáng)對(duì)羊臉痛苦表情特征區(qū)域的關(guān)注程度，提高對(duì)羊臉痛苦表情的識(shí)別準(zhǔn)確率,。本文對(duì)原有的羊臉表情數(shù)據(jù)集進(jìn)行了擴(kuò)充,，新增887幅羊臉表情圖像。但是新的數(shù)據(jù)集圖像數(shù)量仍然較少,，所以本文利用ImageNet數(shù)據(jù)集進(jìn)行遷移學(xué)習(xí),，微調(diào)后用來(lái)自動(dòng)分類有痛苦和無(wú)痛苦的羊臉表情。對(duì)羊面部表情數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，使用STVGGNet實(shí)現(xiàn)的最佳訓(xùn)練準(zhǔn)確率為99.95%,，最佳驗(yàn)證準(zhǔn)確率為96.06%,，分別比VGGNet高0.15、0.99個(gè)百分點(diǎn),。因此,，本文采用的模型在羊臉痛苦表情識(shí)別中有非常好的識(shí)別效果并且具有較強(qiáng)的魯棒性，為畜牧業(yè)中羊的疾病檢測(cè)智能化發(fā)展提供了技術(shù)支撐,。

摘要:為了保證養(yǎng)殖水體溶解氧充足,，水產(chǎn)養(yǎng)殖普遍采用全天大功率開(kāi)啟增氧機(jī)的生產(chǎn)方式，這造成了很大的能源消耗,。針對(duì)上述問(wèn)題,，本文提出了一種基于建模預(yù)測(cè)與關(guān)系規(guī)則庫(kù)的溶解氧調(diào)控方法，首先構(gòu)建了一種自適應(yīng)增強(qiáng)的粒子群優(yōu)化極限學(xué)習(xí)機(jī)預(yù)測(cè)模型（AdaBoost-PSO-ELM）,，實(shí)現(xiàn)溶解氧含量的準(zhǔn)確預(yù)測(cè),；然后進(jìn)行增氧預(yù)實(shí)驗(yàn)，采用曲面擬合方法對(duì)溶解氧初始含量,、曝氣流量和增氧機(jī)開(kāi)啟時(shí)間之間的作用關(guān)系進(jìn)行精確量化,，構(gòu)建關(guān)系規(guī)則庫(kù)；最后專家系統(tǒng)基于溶解氧含量預(yù)測(cè)值,，調(diào)用已建立的關(guān)系規(guī)則庫(kù),，合理控制增氧機(jī)的開(kāi)啟功率與時(shí)間。與其它常規(guī)的預(yù)測(cè)模型相比,，AdaBoost-PSO-ELM模型的MSE,、MAE和RMSE均為最優(yōu)，分別為0.0055mg2/L2,、0.0531mg/L,、0.0745mg/L，可以實(shí)現(xiàn)溶解氧的準(zhǔn)確預(yù)測(cè),。增氧實(shí)驗(yàn)結(jié)果表明,，基于三次多項(xiàng)式的先驗(yàn)方程能夠?qū)Α糐P2〗溶解氧初始含量、曝氣流量和增氧機(jī)開(kāi)啟時(shí)間之間非線性關(guān)系進(jìn)行準(zhǔn)確量化,，擬合R2均在0.99以上,。由此可知，基于量化結(jié)果所構(gòu)建的規(guī)則庫(kù)與預(yù)測(cè)模型相結(jié)合能夠合理控制增氧機(jī)的開(kāi)啟功率與時(shí)間,，節(jié)省電能和提高養(yǎng)殖效率,。

摘要:為解決現(xiàn)有農(nóng)產(chǎn)品質(zhì)量溯源系統(tǒng)存在的數(shù)據(jù)中心化存儲(chǔ),、數(shù)據(jù)易篡改和數(shù)據(jù)信任等問(wèn)題,，以及保障農(nóng)產(chǎn)品質(zhì)量安全、維護(hù)消費(fèi)者權(quán)益和提高生產(chǎn)企業(yè)品牌競(jìng)爭(zhēng)力,，在分析農(nóng)產(chǎn)品產(chǎn)業(yè)鏈業(yè)務(wù)流程和區(qū)塊鏈關(guān)鍵技術(shù)的基礎(chǔ)上,，設(shè)計(jì)了農(nóng)產(chǎn)品可信溯源區(qū)塊結(jié)構(gòu)，確保農(nóng)產(chǎn)品溯源數(shù)據(jù)不可偽造和安全可信,；提出了“On-Chain+Off-Chain”農(nóng)產(chǎn)品質(zhì)量安全溯源信息協(xié)同管理存儲(chǔ)策略,，解決農(nóng)產(chǎn)品溯源區(qū)塊鏈網(wǎng)絡(luò)中各節(jié)點(diǎn)數(shù)據(jù)存儲(chǔ)壓力大、查詢效率低和數(shù)據(jù)爆炸等問(wèn)題,；采用Kafka共識(shí)機(jī)制實(shí)現(xiàn)多主體參與的共識(shí)操作,，提供實(shí)時(shí)數(shù)據(jù)高吞吐量和低延時(shí)的處理能力；制定了農(nóng)產(chǎn)品溯源智能合約規(guī)則集和合約觸發(fā)條件,，確保農(nóng)產(chǎn)品數(shù)據(jù)的可靠性和溯源平臺(tái)的公信力,；基于Hyperledger Fabric區(qū)塊鏈平臺(tái)研制了農(nóng)產(chǎn)品質(zhì)量安全可信溯源系統(tǒng)，并對(duì)紅茶產(chǎn)品質(zhì)量安全溯源進(jìn)行驗(yàn)證分析,。結(jié)果表明，本文研制的農(nóng)產(chǎn)品質(zhì)量安全可信溯源系統(tǒng),，解決了農(nóng)產(chǎn)品產(chǎn)業(yè)鏈生產(chǎn),、加工和流通多節(jié)點(diǎn)之間數(shù)據(jù)安全和溯源信息真實(shí)可信等問(wèn)題，取得了較好的應(yīng)用效果,。

摘要:為提出有效措施預(yù)防黃土高原西部地區(qū)春小麥生產(chǎn)受到氣象和農(nóng)業(yè)干旱的影響,，估算了1961—2018年期間,、時(shí)間尺度1~6個(gè)月標(biāo)準(zhǔn)化降水蒸散指數(shù)（Standardized precipitation evapotranspiration index, SPEI）以及深度0~10cm和深度10~40cm的土壤水分虧缺指數(shù)（Soil moisture deficit index, SMDI），探究了氣象和農(nóng)業(yè)干旱時(shí)空變化規(guī)律,；利用DSSAT-CERES-Wheat模型模擬了黃土高原西部7個(gè)站點(diǎn)春小麥1961—2018年的生長(zhǎng)要素和產(chǎn)量數(shù)據(jù),，分析了其時(shí)空變化規(guī)律；并研究了氣象和農(nóng)業(yè)干旱對(duì)春小麥生長(zhǎng)過(guò)程及產(chǎn)量的影響,。結(jié)果表明：以甘肅臨夏站為例,，時(shí)間尺度1~6個(gè)月SPEI和SMDI的干濕狀態(tài)總體上一致,，SPEI總體呈現(xiàn)干濕交替，深度0~10cm的SMDI以及深度10~40cm的SMDI的變化基本一致,，均呈現(xiàn)變濕潤(rùn)的趨勢(shì),。DSSAT-CERES-Wheat模型模擬黃土高原西部春小麥生長(zhǎng)過(guò)程和產(chǎn)量方面的效果良好（決定系數(shù)R2為0.65~0.84）；1961—2018年春小麥最大葉面積指數(shù)和地上生物量無(wú)明顯變化趨勢(shì),，而產(chǎn)量在2005年之后有增加的趨勢(shì),。開(kāi)花期和灌漿期的干旱對(duì)春小麥生長(zhǎng)過(guò)程以及產(chǎn)量的影響更大，SMDI與春小麥生長(zhǎng)和產(chǎn)量要素之間的關(guān)系比SPEI更為密切,，表明農(nóng)業(yè)干旱對(duì)春小麥生長(zhǎng)和產(chǎn)量的影響更大,，其中深度0~10cm的SMDI比深度10~40cm的SMDI影響程度大。時(shí)間尺度2個(gè)月的深度0~10cm的SMDI是干旱背景下影響春小麥生長(zhǎng)和產(chǎn)量的關(guān)鍵時(shí)間尺度,。本研究為黃土高原西部春小麥生產(chǎn)應(yīng)對(duì)氣象和農(nóng)業(yè)干旱提供了參考,。

摘要:為探究調(diào)虧灌溉條件下施氮量對(duì)遼寧地區(qū)花生農(nóng)田CO2固定排放的影響,，于2018、2019年設(shè)置測(cè)坑裂區(qū)試驗(yàn),，研究了不同灌溉模式（全生育期充分灌溉（F）和花針期,、飽果期調(diào)虧灌溉（D））下施氮量（0kg/hm2（N0）、50kg/hm2（N50）,、100kg/hm2（N100）,、150kg/hm2（N150））對(duì)花生植株干物質(zhì)積累量、固碳量及產(chǎn)量等的影響,。研究結(jié)果表明,，與F處理相比，D處理下花生植株干物質(zhì)積累量,、固碳量及產(chǎn)量分別提高了7.59%,、15.08%和7.16%（2年平均）。兩種灌溉模式下,，花生植株干物質(zhì)積累量,、固碳量及產(chǎn)量均隨施氮量的增加呈先增加后減小的趨勢(shì)，在100kg/hm2施氮水平下達(dá)到最大值,。從苗期至飽果期,，花生農(nóng)田土壤CO2排放量呈先升高后降低的趨勢(shì)，在花針期達(dá)到最大值,。與F處理相比,，D處理顯著降低了花針期,、結(jié)莢期及飽果期土壤CO2平均排放量及全生育期CO2累積排放量。兩種灌溉模式下,，土壤CO2排放量均隨施氮量的增加而顯著增加,。相同施氮水平下，調(diào)虧灌溉較充分灌溉處理顯著降低了全生育期CO2累積排放量,，DN100處理較FN100處理CO2累積排放量降低了7.51%（2年平均）,。不同水氮處理下，DN100處理花生植株固碳量和產(chǎn)量最大,，且CO2排放量較低,，是花生農(nóng)田生態(tài)系統(tǒng)固碳減排的最佳處理。

摘要:為實(shí)現(xiàn)多因素影響下土壤水鹽,、作物生產(chǎn)效益間的雙層遞進(jìn)因果關(guān)系模擬,，基于深度學(xué)習(xí)理論及方法將分級(jí)長(zhǎng)短期記憶網(wǎng)絡(luò)（HLSTM）與批標(biāo)準(zhǔn)化多層感知機(jī)（BMLP）耦合，且將Dropout與Adam優(yōu)化算法耦合作為面向收斂的改進(jìn)算法,，構(gòu)建了遞進(jìn)水鹽嵌入神經(jīng)網(wǎng)絡(luò)（Progressive salt-water embedding neural network,，PSWE）模型。評(píng)估了PSWE模型的有效性,，并開(kāi)展了多因素協(xié)同秸稈深埋下不同灌水量的土壤水鹽及夏玉米生產(chǎn)效益的模擬,。結(jié)果表明，PSWE模型具有多因素整體協(xié)同性,，有效地模擬了土壤水鹽運(yùn)移規(guī)律,、夏玉米生產(chǎn)效益及各變量間的內(nèi)在依存關(guān)系。模型平均均方根誤差為0.031,，平均絕對(duì)誤差為0.569，平均決定系數(shù)為0.987,。模擬結(jié)果表明,，單次灌水60mm的耕作層（0~40cm）含水率隨時(shí)間推移持續(xù)降低，單次灌水135mm的耕作層含水率變幅較大,，成熟期二者在秸稈隔層積鹽率分別為49.2%和11.2%,；單次灌水90mm和120mm的耕作層含水率保持在16%~24%之間，成熟期二者在大于40cm土層含水率保持平穩(wěn),，秸稈隔層有脫鹽趨勢(shì),，脫鹽率為6.1%和5.9%；夏玉米單次理論灌水量為89.3~96.8mm,，耕作層理論含鹽量為1.38~1.55g/kg,。綜上,，多因素協(xié)同秸稈深埋下適宜灌溉量可實(shí)現(xiàn)抑鹽提效的目標(biāo)，PSWE模型可有效模擬土壤水鹽運(yùn)移和作物生產(chǎn)效益,，為深度學(xué)習(xí)理論及技術(shù)在土壤水鹽運(yùn)移模型上的應(yīng)用提供參考,。

摘要:為深入了解干旱綠洲規(guī)?；?jié)水治鹽后區(qū)域尺度水鹽時(shí)空分異特征,，有效控制鹽漬化，以焉耆盆地為研究區(qū),，選取2000,、2005、2015,、2020年長(zhǎng)時(shí)序LandSat遙感影像和地表含鹽量,、土壤含鹽量、地表灌水量,、地下水埋深及礦化度等指標(biāo),，借助ENVI和ArcGIS軟件，獲取各指標(biāo)的時(shí)空分布柵格圖件,，將各柵格圖件進(jìn)行標(biāo)準(zhǔn)化處理,，按照可拓層次分析法權(quán)重進(jìn)行空間嵌套并疊加，定量化揭示區(qū)域尺度水鹽時(shí)空分異進(jìn)程,。結(jié)果表明：研究區(qū)鹽漬化經(jīng)歷了2000—2005年擴(kuò)張,、2005—2015年顯著減少、2015—2020年趨于穩(wěn)定3個(gè)階段,，從發(fā)展趨勢(shì)看,，研究區(qū)鹽漬化處于減輕并趨于穩(wěn)定態(tài)勢(shì)；鹽漬化嚴(yán)重的區(qū)域主要是博斯騰湖濱,；由可拓層次分析法得出各指標(biāo)因子權(quán)重由大到小依次為：地下水埋深（0.325）,、地下水礦化度（0.282）、土壤含鹽量（0.198）,、地表含鹽量（0.184）,、地表灌水量（0.031），可見(jiàn),，地下水埋深和礦化度是影響區(qū)域水鹽時(shí)空分異的主要驅(qū)動(dòng)因素,。研究為焉耆盆地控制鹽漬化提供理論依據(jù)，同時(shí)為定量化揭示區(qū)域尺度水鹽時(shí)空分異進(jìn)程提供一種新的方法,。

摘要:營(yíng)養(yǎng)液配置及灌溉控制技術(shù)已成為無(wú)土栽培中的關(guān)鍵技術(shù)，然而目前營(yíng)養(yǎng)液管理控制中存在配置流程繁瑣,、營(yíng)養(yǎng)液配比不精準(zhǔn)及灌溉策略單一等問(wèn)題,，阻礙了無(wú)土栽培技術(shù)的大面積推廣應(yīng)用。針對(duì)上述問(wèn)題,，設(shè)計(jì)了一種基于馬利奧特裝置的營(yíng)養(yǎng)液管理控制系統(tǒng),，該系統(tǒng)主要由營(yíng)養(yǎng)液配制系統(tǒng)與營(yíng)養(yǎng)液灌溉控制系統(tǒng)兩部分組成。通過(guò)EC（電導(dǎo)率）和pH值傳感器實(shí)時(shí)獲取營(yíng)養(yǎng)液成分,，建立配液系統(tǒng),，依據(jù)不同作物營(yíng)養(yǎng)需求自動(dòng)、快速配置目標(biāo)營(yíng)養(yǎng)液,。根據(jù)不同用戶的需求,，結(jié)合作物栽培區(qū)的氣象參數(shù)和應(yīng)用環(huán)境，制定了3種不同的灌溉策略：參比蒸散灌溉模式,、光照輻射灌溉模式,、定時(shí)灌溉模式。實(shí)驗(yàn)表明,，該系統(tǒng)可以快速,、準(zhǔn)確地實(shí)現(xiàn)營(yíng)養(yǎng)液的管理控制，為作物的無(wú)土栽培技術(shù)的大面積推廣應(yīng)用奠定了基礎(chǔ),。

摘要:闡述了從不同來(lái)源豆類的分離蛋白中提取親脂蛋白的方法,，并對(duì)這些不同來(lái)源的親脂蛋白進(jìn)行了結(jié)構(gòu)驗(yàn)證與性質(zhì)對(duì)比,。通過(guò)電泳、溶解度,、表面疏水性、熱效應(yīng)和二級(jí)結(jié)構(gòu)相對(duì)含量等指標(biāo)分別從結(jié)構(gòu)和理化性質(zhì)兩方面分析提取出的蛋白是否為親脂蛋白及這些蛋白的相似性和差異性,。組分分析結(jié)果表明,，4種提取物（大豆親脂蛋白、黑豆親脂蛋白,、綠豆親脂蛋白,、豌豆親脂蛋白）中蛋白質(zhì)量分?jǐn)?shù)在84%~86%之間,、脂質(zhì)質(zhì)量分?jǐn)?shù)在13%~13.5%之間。電泳,、拉曼光譜及紅外光譜的測(cè)定結(jié)果表明,，4種蛋白組分中大豆親脂蛋白、黑豆親脂蛋白和綠豆親脂蛋白結(jié)構(gòu)相似,，而豌豆親脂蛋白略有不同,，主要與二級(jí)結(jié)構(gòu)穩(wěn)定性的差異有關(guān)。差示掃描量熱結(jié)果表明,，4種蛋白組分仍然是混合物,，變性溫度范圍為60~74℃，而從宏觀角度測(cè)定的蛋白表面性能也證明了提取出來(lái)的4種蛋白均為親脂蛋白組分,。

摘要:針對(duì)目前研究的蛋殼膜清選裝置存在蛋膜清潔率低、功耗大,、結(jié)構(gòu)復(fù)雜等問(wèn)題,，設(shè)計(jì)了氣吸式蛋殼膜多級(jí)清選裝置。在分析顆粒碰撞對(duì)蛋殼,、膜顆粒運(yùn)動(dòng)影響的基礎(chǔ)上,，采用CFD-DEM耦合仿真研究在清選室進(jìn)口擋板數(shù)量不同的情況下，蛋殼,、膜的運(yùn)動(dòng)軌跡和清選裝置內(nèi)部流場(chǎng)特性,，仿真結(jié)果表明：隨著進(jìn)氣口擋板數(shù)量的增多，清選室內(nèi)錯(cuò)流風(fēng)區(qū)的氣流速度增大,、蛋膜損失率下降,，清選室下出口無(wú)渦流產(chǎn)生，避免了因氣流阻礙蛋殼下落而導(dǎo)致蛋膜清潔率下降,。以喂入量和吸風(fēng)機(jī)連接口風(fēng)速為試驗(yàn)因素,、以蛋膜損失率和清潔率為評(píng)價(jià)指標(biāo)進(jìn)行了兩因素三水平正交試驗(yàn)，并進(jìn)行了參數(shù)優(yōu)化和試驗(yàn)驗(yàn)證,。試驗(yàn)得到：當(dāng)喂入量為200g/s,、吸風(fēng)機(jī)連接口風(fēng)速為5.5m/s時(shí)，蛋膜損失率為9.4%,，蛋膜清潔率為96.3%,，吸風(fēng)機(jī)功率為330W。

摘要:以大豆分離蛋白（SPI）,、阿拉伯樹(shù)膠（GA）及卡拉膠（CA）為原料，經(jīng)物理混合成功制備不同多糖與SPI復(fù)合物,，考察不同添加量（SPI與GA/CA質(zhì)量比為20,、15、10,、5）對(duì)蛋白-多糖復(fù)合物結(jié)構(gòu),、性能變化趨勢(shì)及其乳液穩(wěn)定性的影響規(guī)律，最終探明蛋白與不同多糖復(fù)合物的相互作用機(jī)制,；運(yùn)用紅外光譜,、熒光光譜及電子顯微鏡解析不同復(fù)合物的結(jié)構(gòu)特征，采用乳化特性,、粒徑,、Zeta電位、表面疏水性等指標(biāo)明確不同復(fù)合物的理化特性,，并通過(guò)探討不同復(fù)合物乳液的乳化活性,、乳化穩(wěn)定性、表觀粘度及乳析指數(shù)明晰其穩(wěn)定特性,。結(jié)果表明,，兩種多糖在酸性條件下可與SPI生成復(fù)合物，并且當(dāng)SPI與CA質(zhì)量比為20時(shí),，復(fù)合物的Zeta電位最高,，為（20.47±0.82）mV，平均粒徑最小,，為（1.37±0.01）μm,，分布均勻，乳化活性指數(shù)最高,，為（106.46±4.75）m2/g,，乳化穩(wěn)定性指數(shù)為（145.33±8.53）min，此時(shí)復(fù)合乳液的穩(wěn)定性較好,，CA的加入顯著降低SPI內(nèi)源熒光強(qiáng)度并改變SPI的二級(jí)結(jié)構(gòu),，SPI與CA結(jié)合形成了穩(wěn)定的復(fù)合物。

摘要:為提高生鮮農(nóng)產(chǎn)品氣調(diào)保鮮配氣過(guò)程的精確度及自動(dòng)化水平,，設(shè)計(jì)了一套氣調(diào)保鮮配氣遠(yuǎn)程控制系統(tǒng)，依托嵌入的PID控制算法和質(zhì)量流量控制器實(shí)現(xiàn)對(duì)原料氣體流量,、濃度和混配比的控制,；以4G網(wǎng)絡(luò)作為遠(yuǎn)程數(shù)據(jù)傳輸途徑，選擇4G DTU作為網(wǎng)絡(luò)數(shù)據(jù)收發(fā)器,，通過(guò)手機(jī)小程序?qū)崿F(xiàn)移動(dòng)客戶端的遠(yuǎn)程監(jiān)控功能,。系統(tǒng)在結(jié)構(gòu)上設(shè)置了氣體參數(shù)感知層、數(shù)據(jù)網(wǎng)絡(luò)傳輸層和控制操作應(yīng)用層,；基于配氣系統(tǒng)遠(yuǎn)程監(jiān)控要求,，在PLC內(nèi)部嵌入Modbus RTU程序，保障DTU與PLC之間的通信,；使用TCP協(xié)議,，使其與云服務(wù)器之間進(jìn)行數(shù)據(jù)傳輸。根據(jù)對(duì)系統(tǒng)穩(wěn)定性,、準(zhǔn)確性及其通信性能的測(cè)試,，在配氣穩(wěn)定時(shí)配氣體積分?jǐn)?shù)平均誤差絕對(duì)值在0.22%浮動(dòng)，平均誤差較傳統(tǒng)方法降低了約91.67%,，且配氣速度提高50%左右,，極大改善了配氣場(chǎng)地的工作條件和生產(chǎn)效率，為進(jìn)一步完善生鮮農(nóng)產(chǎn)品氣調(diào)保鮮自動(dòng)化配氣生產(chǎn)線提供了技術(shù)支持,。

摘要:針對(duì)目前姿態(tài)調(diào)整式丘陵山地拖拉機(jī)只能實(shí)現(xiàn)靜態(tài)調(diào)平和差高調(diào)平,、調(diào)平精度低等問(wèn)題,，設(shè)計(jì)了一種輪式丘陵山地拖拉機(jī)扭腰姿態(tài)調(diào)整裝置，該裝置通過(guò)調(diào)整前后車(chē)身的相對(duì)轉(zhuǎn)動(dòng)來(lái)實(shí)現(xiàn)丘陵山地拖拉機(jī)對(duì)復(fù)雜路面的適應(yīng),。首先,，根據(jù)丘陵山地特殊作業(yè)要求，對(duì)拖拉機(jī)坡地作業(yè)穩(wěn)定性進(jìn)行研究,，設(shè)計(jì)了扭腰姿態(tài)調(diào)整裝置,；然后，對(duì)扭腰姿態(tài)調(diào)整裝置進(jìn)行動(dòng)力學(xué)仿真,，建立輪式拖拉機(jī)模型并進(jìn)行多工況動(dòng)力學(xué)仿真分析,，仿真試驗(yàn)結(jié)果顯示，扭腰姿態(tài)調(diào)整裝置最大轉(zhuǎn)動(dòng)角為15.2°，拖拉機(jī)縱向坡行駛保持穩(wěn)定的最大傾角為23.2°,，橫向坡行駛保持穩(wěn)定的最大傾角為16.8°,；最后，進(jìn)行了樣機(jī)田間試驗(yàn),，田間試驗(yàn)結(jié)果表明,，扭腰姿態(tài)調(diào)整裝置平均轉(zhuǎn)動(dòng)角為15.03°，拖拉機(jī)最大縱向爬坡角為25.6°,，最大橫向爬坡角為16.2°,；在坡度為15°的地面上，旋耕作業(yè)平均生產(chǎn)率為0.65hm2/h,，犁耕作業(yè)平均生產(chǎn)率為0.36hm2/h,，該拖拉機(jī)能夠較好地適應(yīng)丘陵山地環(huán)境，滿足丘陵山地正常作業(yè)需求,。

摘要:針對(duì)拖拉機(jī)在高低壟犁地作業(yè)過(guò)程,，駕駛艙傾斜導(dǎo)致駕駛員坐姿變化,，影響駕駛員乘坐舒適性的問(wèn)題，設(shè)計(jì)了結(jié)構(gòu)緊湊的座椅椅面調(diào)平機(jī)械裝置,，并基于單片機(jī)開(kāi)發(fā)了調(diào)平裝置控制器,，調(diào)平精度為0.67°。為了提高調(diào)平過(guò)程中駕駛員的乘坐舒適性,，搭建了模擬拖拉機(jī)座椅傾斜狀態(tài)試驗(yàn)臺(tái),，研究了試驗(yàn)臺(tái)中座椅傾斜不同角度情況下對(duì)駕駛員上軀干姿態(tài)的影響。試驗(yàn)結(jié)果表明人體胸椎和腰椎投影偏移隨著座椅傾斜角度的增加而增大,，但座椅傾斜3°時(shí)投影偏移遠(yuǎn)小于傾斜5°時(shí)投影偏移,，由此確定座椅調(diào)平系統(tǒng)工作閾值為3°。通過(guò)主觀評(píng)價(jià)試驗(yàn),，確定座椅調(diào)平的速度為6~8mm/s時(shí),，駕駛員的舒適性較高。在東方紅LX754型拖拉機(jī)上開(kāi)展實(shí)車(chē)試驗(yàn),，結(jié)果表明,，座椅調(diào)平后駕駛員的腰部受力更加均勻、調(diào)平系統(tǒng)對(duì)于駕駛員的操作性及適應(yīng)性有促進(jìn)作用,，驗(yàn)證了該系統(tǒng)的實(shí)用性,。

摘要:針對(duì)目前裝配機(jī)器人基于手工的特征檢測(cè)易受光照條件,、背景和遮擋等干擾因素的影響,，而基于點(diǎn)云特征檢測(cè)又依賴模型構(gòu)建精度，本文采用深度學(xué)習(xí)的方式,，對(duì)基于關(guān)鍵點(diǎn)預(yù)測(cè)的工件視覺(jué)定位技術(shù)展開(kāi)研究。首先,，采集工件各個(gè)角度的深度圖像,，計(jì)算得到工件的位姿信息，選取工件表面的關(guān)鍵點(diǎn)作為數(shù)據(jù)集,。然后,，構(gòu)造工件表面關(guān)鍵點(diǎn)的向量場(chǎng)，與數(shù)據(jù)集一同進(jìn)行深度訓(xùn)練,，以實(shí)現(xiàn)前景點(diǎn)指向關(guān)鍵點(diǎn)的向量場(chǎng)預(yù)測(cè),。之后，將向量場(chǎng)中各像素指向同一關(guān)鍵點(diǎn)的方向向量每?jī)蓚€(gè)劃分為一組,，取其向量交點(diǎn)生成關(guān)鍵點(diǎn)的假設(shè),，并基于RANSAC的投票對(duì)所有假設(shè)進(jìn)行評(píng)價(jià)。使用EPnP求解器計(jì)算工件位姿,，并生成工件的有向包圍盒顯示位姿估計(jì)結(jié)果,。最后，通過(guò)實(shí)驗(yàn)驗(yàn)證了系統(tǒng)估計(jì)結(jié)果的準(zhǔn)確性和魯棒性,。

摘要:傳統(tǒng)的閥控液壓系統(tǒng)是利用液壓閥節(jié)流孔來(lái)控制流量,，存在很大的節(jié)流損失,。基于數(shù)字液壓的思想及受高速開(kāi)關(guān)閥全開(kāi)和全關(guān)狀態(tài)理論上無(wú)節(jié)流損失的啟發(fā),，本文提出二維脈寬調(diào)制轉(zhuǎn)閥構(gòu)型,，將液壓系統(tǒng)流量以流體脈寬調(diào)制的方式進(jìn)行控制及分配，降低節(jié)流損失,，同時(shí)通過(guò)主動(dòng)溢流方式極大地消除溢流損失,。在高壓（負(fù)載）支路和低壓（油箱）支路之間通過(guò)閥芯旋轉(zhuǎn)快速高頻切換輸出離散流量,；通過(guò)閥芯軸向位移控制占空比（恒定轉(zhuǎn)速下，負(fù)載支路連通時(shí)間與回油支路總連通時(shí)間的比）以實(shí)現(xiàn)輸出平均流量的控制,。通過(guò)數(shù)學(xué)模型,、仿真以及實(shí)驗(yàn)驗(yàn)證了高頻二維脈寬調(diào)制轉(zhuǎn)閥可將流體連續(xù)性流動(dòng)轉(zhuǎn)變?yōu)殡x散、可控的流動(dòng),，從流體系統(tǒng)工作介質(zhì)離散化的角度實(shí)現(xiàn)了一種新的流量控制方式,。