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)業(yè)裝備自動駕駛技術(shù)可以顯著提升作業(yè)質(zhì)量,，提高作業(yè)效率,，降低作業(yè)成本,，減輕勞動強度,，已成為智能農(nóng)業(yè)裝備發(fā)展的重要方向,。在政策和市場的共同推動下，我國農(nóng)業(yè)裝備自動駕駛技術(shù)發(fā)展迅速,，并通過多場景,、多層次的示范和應(yīng)用推動技術(shù)熟化，逐步建立了完整的技術(shù)體系,。農(nóng)業(yè)裝備自動駕駛技術(shù)系統(tǒng)主要包括環(huán)境感知,、工況感知、決策規(guī)劃,、橫向控制,、縱向控制等關(guān)鍵技術(shù)。本文首先闡述了農(nóng)業(yè)裝備自動駕駛關(guān)鍵技術(shù)研究的現(xiàn)狀,，分析歸納了各技術(shù)領(lǐng)域有待解決的關(guān)鍵科學(xué)技術(shù)問題,；結(jié)合農(nóng)業(yè)裝備自動導(dǎo)航技術(shù)產(chǎn)品和自動駕駛技術(shù)集成應(yīng)用兩方面，介紹了國內(nèi)外農(nóng)業(yè)裝備自動駕駛技術(shù)研發(fā)和應(yīng)用情況,；從自動駕駛技術(shù)分級研究和建立標(biāo)準(zhǔn)規(guī)范角度,，對比分析了農(nóng)業(yè)裝備自動駕駛與智能網(wǎng)聯(lián)汽車行業(yè)的差距，指出了農(nóng)業(yè)裝備自動駕駛等級劃分的迫切需求,。為應(yīng)對智慧農(nóng)業(yè)生產(chǎn)非結(jié)構(gòu)環(huán)境,、高精度農(nóng)藝和強農(nóng)時約束三大挑戰(zhàn)，建議突出農(nóng)業(yè)生產(chǎn)應(yīng)用中作業(yè)精準(zhǔn)化和駕駛自動化雙重需求的特點,，有針對性地開展農(nóng)業(yè)裝備自動駕駛技術(shù)研發(fā),、應(yīng)用示范和技術(shù)分級等方面工作。

摘要:針對玉米姿控驅(qū)導(dǎo)式排種器在高速工況下投種點位不一致，播種粒距均勻性不佳的問題,，提出約束種子運動自由度并引導(dǎo)投種方向的方法,，設(shè)計了一種新型導(dǎo)向投種機構(gòu)，合理規(guī)劃了待投種子的導(dǎo)種軌跡,，進而確保投種點位及初速度恒定,。完成了導(dǎo)向投種機構(gòu)的結(jié)構(gòu)參數(shù)設(shè)計與待投種子的動力學(xué)分析，明確了影響排種性能的關(guān)鍵參數(shù)及其取值范圍,，通過單因素與雙因素試驗獲取了排種器的最優(yōu)參數(shù)組合,，并進行性能對比驗證試驗。結(jié)果表明,，約束運移弧面圓心角取35°時,，投種點位較為集中；在作業(yè)速度8km/h,、引導(dǎo)投種弧面半徑24.3mm時,，排種性能達到最優(yōu),，粒距合格指數(shù)、重播指數(shù)和變異系數(shù)分別為91.5%、4.7%和13.6%,；當(dāng)作業(yè)速度由8km/h提升至14km/h時，較原排種器粒距變異系數(shù)的降幅由0.1個百分點增大至2.7個百分點,，采用導(dǎo)向投種機構(gòu)可有效提升原排種器的高速作業(yè)性能,。

摘要:針對傳統(tǒng)小麥播種以無序種流,、不定量排出的方式存在脈動性高、均勻性差的問題,，設(shè)計了一種氣力離心組合式小麥精量排種器,，采用氣力充種和離心清種的方式，種子有序均勻排出,。對排種器的關(guān)鍵參數(shù)進行設(shè)計,，建立充種和排種過程的動力學(xué)模型，確定充種角和落種角的初始范圍,。利用氣固耦合仿真分析方法DEM-CFD進行排種器單因素試驗,，仿真結(jié)果表明，當(dāng)充種角范圍進一步縮小為36°～56°時,，其攜種性能較好,；落種角范圍進一步縮小為43°～63°時，其排種性能較好,。在此基礎(chǔ)上,，以充種角、落種角,、排種盤轉(zhuǎn)速為試驗因素,，以漏播率、重播率、直線落種率為響應(yīng)指標(biāo),，進行正交旋轉(zhuǎn)組合試驗,。試驗結(jié)果表明，當(dāng)充種角為47.75°,、落種角為52.48°,、轉(zhuǎn)速為635.5r/min時，排種器工作性能最優(yōu),，此時,，漏播率為2.78％、重播率為3.73％,、直線落種率為93.46％,，驗證試驗結(jié)果與優(yōu)化結(jié)果基本一致。田間試驗結(jié)果表明,，當(dāng)設(shè)置排種盤型孔內(nèi)側(cè)面充種角為47.8°,、下側(cè)面落種角為52.5°、排種盤轉(zhuǎn)速在552～800r/min范圍內(nèi)時,，漏播率低于8.9％,、重播率低于4.3％、排種合格率高于88.6％,，符合小麥精量播種要求,。

摘要:針對研究播種機覆土裝置作業(yè)過程中種溝土壤及種子微觀運動規(guī)律時,，缺乏準(zhǔn)確可靠的種溝土壤-種子-覆土裝置三者互作離散元模型的問題,，以含水率為（15.7±0.25）%的黏土為研究對象，基于EDEM軟件對相關(guān)參數(shù)及模型進行標(biāo)定,。建立覆土裝置與種溝土壤互作模型,，通過Plackett-Burman試驗，以覆土作業(yè)牽引阻力為響應(yīng)值,，篩選出對牽引阻力影響敏感的參數(shù)為土壤-土壤滾動摩擦因數(shù),、土壤-65Mn靜摩擦因數(shù)、臨界法向應(yīng)力,、臨界切向應(yīng)力,，通過最陡爬坡試驗確定各敏感參數(shù)的取值范圍，通過Box-Behnken試驗優(yōu)化得出土壤-土壤滾動摩擦因數(shù),、土壤-65Mn靜摩擦因數(shù),、臨界法向應(yīng)力、臨界切向應(yīng)力分別為0.15、0.31,、18.45kPa,、18.58kPa。以大豆種子為例,，建立了種溝土壤與種子互作離散元模型,，以種溝土壤與大豆種子碰撞恢復(fù)系數(shù)、靜摩擦因數(shù),、滾動摩擦因數(shù)為試驗因素，以仿真堆積角為評價指標(biāo),，通過Box-Behnken試驗優(yōu)化得出各試驗因素取值分別為0.57,、0.33、0.08,。建立了種溝土壤-種子-覆土裝置三者互作離散元模型,，并開展了試驗驗證。結(jié)果表明,，牽引阻力仿真值與實測值相對誤差平均值為2.22%,，堆積角仿真值與實測值相對誤差為1.61%，覆土厚度和種子粒距變異系數(shù)仿真值與實測值相對誤差分別為4.89%,、5.90%,，均較小，所建立的種溝土壤-種子-覆土裝置三者互作離散元模型準(zhǔn)確,。

摘要:針對長江中下游稻油輪作區(qū)油菜輕簡高效生產(chǎn)需求及目前機具作業(yè)易出現(xiàn)廂面不平,、碎土質(zhì)量不高及“晾種”,，導(dǎo)致油菜出苗率低的問題，設(shè)計了一種油菜機械直播機開溝淺旋裝置,，實現(xiàn)中間開畦溝,，畦溝土壤拋送覆蓋兩側(cè)廂面，淺旋勻土部件勻土,、細碎廂面土壤及埋覆土壤和秸稈功能；基于滑切減阻原理及擠壓力學(xué)理論,，確定了中間開畦溝部件,、清溝整形部件及淺旋勻土部件結(jié)構(gòu)參數(shù)，得出中間開畦溝刀盤安裝彎刀數(shù)量為4，切土節(jié)距為60mm，清溝整形部件整形面?zhèn)让鎯A角為67°，前面傾角為3°，淺旋彎刀側(cè)切刃偏心圓半徑為182mm，滑切角為42.4°,；運用EDEM軟件開展正交旋轉(zhuǎn)組合試驗，確定了螺旋勻土葉片的最佳結(jié)構(gòu)參數(shù)：螺旋半徑為100mm,、螺距為350mm,、螺旋頭數(shù)為1,，并確定了淺旋彎刀及螺旋勻土葉片結(jié)構(gòu)布局,；田間試驗表明,，當(dāng)機組前進速度為7km/h時，安裝有開溝淺旋裝置的油菜直播機作業(yè)后廂面平整，畦溝溝型完好，秸稈埋覆率為84.38%,，碎土率為86.41%,，廂面平整度為30.18mm,，畦溝溝深及溝寬穩(wěn)定性均大于85%,，出苗率為75.47％，油菜生長狀態(tài)良好,，裝置作業(yè)效果滿足油菜直播作業(yè)要求,。

摘要:針對現(xiàn)有條帶秸稈清理裝置集行效果差,、秸稈清理率低等問題，提出了一種協(xié)撥組合式條帶秸稈清理方案,，從力學(xué)角度對比分析不同齒形清秸輪撥送秸稈的過程,，設(shè)計了一種徑向銳化協(xié)撥清秸輪，清秸輪半徑為162.5mm,、齒數(shù)為12,、齒長為65mm。開展了協(xié)撥組合式條帶秸稈清理裝置的仿真試驗,，以徑向銳化清秸輪的工作參數(shù)為影響因素,，秸稈清理率為指標(biāo)，開展離散元仿真試驗,，分析了清秸輪工作過程中秸稈運動、土壤擾動及秸稈清理率的變化,。結(jié)果表明,，試驗因素對秸稈清理率的影響由大到小為側(cè)傾角,、前進速度,、前傾角,，當(dāng)機具前進速度為7.8km/h,、清秸輪前傾角為31.7°,、側(cè)傾角為13.4°時，秸稈清理率最高為91.62%,。開展了協(xié)撥組合式條帶秸稈清理裝置和整機的作業(yè)性能田間試驗，結(jié)果表明協(xié)撥組合式條帶秸稈清理裝置工作穩(wěn)定,，秸稈清理率為87%~90%，實現(xiàn)了條帶秸稈清理裝置的設(shè)計目標(biāo),。

摘要:為提高風(fēng)送式噴霧機對果樹冠層區(qū)域的霧滴沉積量,，減少果樹行間霧滴飄移,，解決環(huán)境風(fēng)速氣流導(dǎo)致冠層霧滴沉積量不均勻問題，設(shè)計了一種傘形風(fēng)場式防飄噴霧裝置,，采用仿真試驗與物理試驗相結(jié)合的方式探究防飄噴霧裝置調(diào)節(jié)機構(gòu)對防飄噴霧裝置傘形風(fēng)場的影響,。以防飄噴霧裝置出口直徑、側(cè)風(fēng)風(fēng)速,、噴霧壓力為因素,，分別進行單因素和三因素三水平的蘋果樹冠層霧滴飄移沉積試驗，探析傘形風(fēng)場對霧滴冠層沉積效果的影響規(guī)律,。結(jié)果表明：霧滴飄移率,、質(zhì)量中心距、霧滴沉積分布變異系數(shù)較普通氣流分別降低27.5%,、16.2%和7%,。3種因素對霧滴沉積特性均有較為顯著的影響，其影響由大到小依次為：側(cè)風(fēng)風(fēng)速、噴霧壓力,、出口直徑,。利用多島遺傳算法優(yōu)化獲得沉積量最高的施藥參數(shù)，當(dāng)側(cè)風(fēng)風(fēng)速為2m/s,、噴霧壓力為0.4MPa,、出口直徑為70mm時，霧滴沉積量最優(yōu)值為6.34μL/cm2,，最優(yōu)組合情況下的實際驗證值為5.96μL/cm2,，差異率僅為5.9%，試驗驗證結(jié)果與模型預(yù)測基本吻合,。

摘要:針對現(xiàn)有馬鈴薯聯(lián)合收獲機薯土秧雜分離效果差,、傷薯破皮嚴(yán)重以及后續(xù)清選除雜成本高等問題,，采用雙篩薯雜分離、撥板摘薯,、人工輔助分揀除雜,、緩存集薯裝包和隨重漸降卸包相結(jié)合的作業(yè)方式，研制了一種裝包卸包型馬鈴薯聯(lián)合收獲機,，該機具主要由松土限深裝置,、挖掘裝置、雙篩式薯雜分離裝置,、撥板摘薯裝置,、人工輔助分揀平臺以及集薯裝包卸包裝置等部分組成。在闡述總體結(jié)構(gòu)和工作原理的基礎(chǔ)上,，對雙篩薯雜分離過程和撥板摘薯過程進行力學(xué)分析,，明確了馬鈴薯運動軌跡和碰撞特征；撥板摘薯裝置可實現(xiàn)薯秧脫附分離,，降低損失率,；緩存集薯裝包與隨重漸降卸包技術(shù)，可實現(xiàn)緩存和裝包狀態(tài)自動切換,，確保不停機柔性集薯與減損卸包。試驗結(jié)果表明,，當(dāng)作業(yè)速度為3.01,、3.95km/h時，生產(chǎn)率分別為0.39、0.51hm2/h,，傷薯率分別為1.68%和1.44%,，破皮率分別為2.05%和1.71%，含雜率分別為1.75%和1.96%,，損失率分別為1.56%和1.52%,，各項性能指標(biāo)均滿足相關(guān)標(biāo)準(zhǔn)要求。

摘要:在小麥?zhǔn)斋@時期,，若遇到天氣變化,，小麥可收獲時間窗會發(fā)生改變，若還按原調(diào)度方案,，將造成大量農(nóng)田延遲收獲,，從而給農(nóng)戶帶來損失。為避免或降低因天氣變化給農(nóng)戶帶來損失,，本文考慮天氣變化導(dǎo)致的農(nóng)田收獲時間窗變動的應(yīng)急調(diào)度問題,。基于天氣變化導(dǎo)致的農(nóng)田可作業(yè)時間窗實際縮短的情況,，綜合考慮收獲機轉(zhuǎn)移時間,、提前到達等待時間和延遲時間，建立因天氣變化導(dǎo)致的時間窗變動的收獲機多目標(biāo)應(yīng)急調(diào)度模型,，引入農(nóng)田收獲應(yīng)急度函數(shù),，確定應(yīng)急農(nóng)田，將可作業(yè)時間窗和下雨時間有交集的農(nóng)田重新根據(jù)應(yīng)急度排序進行優(yōu)先調(diào)度,。針對此模型特點對遺傳算法進行改進,，設(shè)計基于改進遺傳算法的收獲機應(yīng)急調(diào)度算法，采用兩級多段編碼方式及單點交叉方式,，使算法可以有效避免局部最優(yōu),，能夠很好地實現(xiàn)全局收斂。通過動態(tài)改變原收獲機收獲路線,，為應(yīng)急農(nóng)田優(yōu)先提供收獲服務(wù),，從而提高農(nóng)機合作社服務(wù)能力，減少農(nóng)戶損失,。實例仿真結(jié)果證明了模型和算法的可行性,。

摘要:智慧農(nóng)業(yè)的快速發(fā)展促使多區(qū)域互聯(lián)農(nóng)機的調(diào)度追求更高的實時性，為更合理配置農(nóng)機資源,，農(nóng)機跨區(qū)作業(yè)已成為完成“三夏”機收任務(wù)的主要服務(wù)模式,。基于小麥?zhǔn)斋@機跨區(qū)作業(yè)真實場景,，研究了帶時間窗的多庫,、多機型的農(nóng)機跨區(qū)調(diào)度問題，同時考慮經(jīng)濟成本和環(huán)境成本,，建立以最小調(diào)度成本為目標(biāo)的跨區(qū)調(diào)度模型,。根據(jù)問題特征，設(shè)計遺傳變鄰域搜索算法（Genetic algorithm variable neighborhood search,，GAVNS）,，該方法通過交叉、隨機擾動,、自適應(yīng)鄰域選擇等操作,，使解的搜索更加高效和靈活。對我國黃淮海平原72個小麥生產(chǎn)區(qū)縣的作業(yè)需求進行計算與分析：不同算法相比,，本文設(shè)計的算法得到最優(yōu)解的迭代次數(shù)更低,、收斂速度更快，求得的目標(biāo)函數(shù)值較遺傳算法,、變鄰域搜索算法分別降低16.41%,、11.15%；對比不同調(diào)度模式,，開放路徑模式更有利于提升跨區(qū)調(diào)度服務(wù)效率,，較閉合路徑模式，調(diào)度成本降低17.76%,。

摘要:目前,，菊芋機械化收獲過程中的清選及輸送等環(huán)節(jié)作業(yè)參數(shù)設(shè)定缺乏適用的理論依據(jù),，以收獲期菊芋根-塊莖為研究對象，基于離散元方法建立了一種能反映根須柔性和塊莖脫落力學(xué)特性的粘結(jié)模型并對其相關(guān)參數(shù)進行了標(biāo)定,。首先通過物理試驗確定了菊芋根-塊莖本征參數(shù),、基本接觸參數(shù)及相關(guān)力學(xué)參數(shù)，然后在此基礎(chǔ)上利用Hertz-Mindlin with bonding V2接觸模型構(gòu)建了菊芋根-塊莖粘結(jié)模型,，并通過單因素試驗和響應(yīng)曲面試驗,，分別標(biāo)定了菊芋根顆粒之間和根與塊莖顆粒之間法向粘結(jié)剛度、切向粘結(jié)剛度,、臨界法向應(yīng)力,、臨界切向應(yīng)力等粘結(jié)模型參數(shù),。菊芋根須三點彎曲及根-塊莖拉伸試驗結(jié)果表明，根須彎曲彈性模量仿真結(jié)果與實際測量值相對誤差為4.29%,；菊芋根-塊莖抗拉力仿真結(jié)果與實際測量值相對誤差為7.72%；菊芋塊莖脫落試驗結(jié)果表明,，仿真試驗與菊芋收獲機實際田間作業(yè)相比,，滾筒篩轉(zhuǎn)速對菊芋塊莖脫落率影響趨勢一致，篩內(nèi)物料篩分規(guī)律相符,。所構(gòu)建的菊芋根-塊莖模型可用于菊芋機械化收獲相關(guān)環(huán)節(jié)的分析研究,。

摘要:數(shù)字孿生是一種實現(xiàn)虛實融合的先進理念,，能夠解決農(nóng)業(yè)裝備全生命周期中的復(fù)雜性和不確定性問題，促進農(nóng)業(yè)機械化和農(nóng)業(yè)裝備產(chǎn)業(yè)的轉(zhuǎn)型升級,。目前,，農(nóng)業(yè)裝備數(shù)字孿生尚處起步階段，缺乏實用解決方案和典型應(yīng)用案例,。為此,，基于數(shù)字孿生和農(nóng)業(yè)裝備的特點，融合五維模型和移動邊緣計算技術(shù),，提出一種云-霧-邊-端協(xié)同的數(shù)字孿生系統(tǒng)架構(gòu)與運行機制,。以籽粒直收型玉米聯(lián)合收獲機為對象，針對脫粒過程中籽粒破碎率高的問題,，開發(fā)大型聯(lián)合收獲機的數(shù)字孿生原型系統(tǒng),，實現(xiàn)模型預(yù)測、模型更新,、實時監(jiān)測和優(yōu)化決策等功能,，并開展田間試驗。試驗結(jié)果顯示：數(shù)字孿生系統(tǒng)有效提高了虛擬模型的適應(yīng)能力,，使虛擬模型保持良好的預(yù)測效果,；基于數(shù)字孿生的決策優(yōu)化方法有效降低了籽粒破碎率，相較于手動收獲模式,，籽粒破碎率平均值降低24.24%,；相較于反饋控制模式，籽粒破碎率平均值降低15.78%,，說明原型系統(tǒng)能夠有效改善玉米籽粒收獲質(zhì)量,，所提出的系統(tǒng)架構(gòu)和實現(xiàn)方法可行,。

摘要:“三夏”農(nóng)忙時節(jié)，農(nóng)機跨區(qū)作業(yè)已經(jīng)成為重要的農(nóng)業(yè)機械服務(wù)模式,，可以更好地利用和配置農(nóng)機裝備,，提高農(nóng)田作業(yè)效率。由于跨區(qū)農(nóng)機集群的區(qū)域分布性和動態(tài)時變性的特征,，設(shè)計一個可靠的農(nóng)機集群維護服務(wù)網(wǎng)絡(luò)具有非常重要的意義,。本文針對動態(tài)分布的跨區(qū)農(nóng)機集群，綜合考慮包含靜態(tài)服務(wù)站與動態(tài)服務(wù)車的運維服務(wù)網(wǎng)絡(luò)服務(wù)設(shè)施選址與服務(wù)區(qū)域劃分,，建立混合整數(shù)非線性規(guī)劃的決策模型,，并設(shè)計了結(jié)合線性方法和組合Benders分解的高效算法，以獲取靜態(tài)服務(wù)站的位置和服務(wù)范圍,，同時確定各個階段動態(tài)服務(wù)車的數(shù)量和位置,。河南省的實例表明，構(gòu)建的數(shù)學(xué)模型和求解算法可以有效解決跨區(qū)農(nóng)機裝備維護服務(wù)網(wǎng)絡(luò)設(shè)計問題,，為服務(wù)設(shè)施選址和服務(wù)區(qū)域劃分提供了方法指導(dǎo),。參數(shù)敏感性分析結(jié)果表明，最優(yōu)的動態(tài)服務(wù)車數(shù)量為26,，當(dāng)動態(tài)服務(wù)車數(shù)量大于26時,，總服務(wù)成本隨著動態(tài)服務(wù)車數(shù)量的增加而增加，并且增加幅度越來越大,。

摘要:葉片撞擊是魚類過泵損傷的最主要因素,，為了研究魚類通過貫流泵的撞擊損傷特性，基于CFD-DEM耦合方法,，通過修改耦合接口代碼優(yōu)化曳力計算模型,，研究貫流泵中魚體與葉片及壁面撞擊后的運動行為及受力損傷。以簡化的平板撞擊魚類為數(shù)值模擬的切入點,，分析了魚體受到撞擊損傷的影響因素,，并預(yù)測魚體的過泵損傷死亡率。結(jié)果表明：通過數(shù)值模擬與實驗擬合,，得到導(dǎo)致魚體長度與葉片前緣厚度之比（L/d）為2時魚類死亡的撞擊力閾值為2446N,；減小葉片前緣傾角、減小魚體撞擊速度,、增大葉片前緣厚度,，可降低魚體與葉片前緣碰撞受力來降低魚體的受力損傷,；貫流泵中魚體與葉片前緣碰撞產(chǎn)生的撞擊力最大，撞擊損傷最嚴(yán)重,，是貫流泵裝置中造成魚類死亡的主要部件,；泵站來流中魚體尺度越小，葉片撞擊概率越低,，減小L/d,，可以降低前緣撞擊力，從而提高魚類過泵存活率,。

摘要:國土空間生態(tài)保護修復(fù)是落實國家生態(tài)文明建設(shè)的重要措施,，也是構(gòu)建國家生態(tài)安全格局和統(tǒng)籌山水林田湖草沙系統(tǒng)治理的重要舉措。而生態(tài)保護修復(fù)關(guān)鍵區(qū)識別,，是生態(tài)保護修復(fù)規(guī)劃編制,、生態(tài)保護修復(fù)工程時空布局等系列工作的前置條件和基礎(chǔ)保障，對國土空間生態(tài)保護修復(fù)至關(guān)重要,。本文以河南省某生態(tài)保護修復(fù)工程為研究區(qū)域,，開展融合時序遙感分析的生態(tài)保護修復(fù)關(guān)鍵區(qū)識別研究和實踐，首先,，基于Google Earth Engine（GEE）云平臺,，采用Mann-Kendall方法對研究區(qū)2011—2020年時序歸一化植被指數(shù)（NDVI）開展趨勢分析，形成時序分析結(jié)果,；其次,，基于氣象、地形,、土壤,、植被凈初級生產(chǎn)力（NPP）等數(shù)據(jù)，開展基于生態(tài)系統(tǒng)服務(wù)協(xié)同和權(quán)衡計算的生態(tài)系統(tǒng)健康分析評估,，選擇生態(tài)源地,；最后，基于時序分析結(jié)果和生態(tài)源地選擇結(jié)果,，采用疊置分析,，開展生態(tài)保護修復(fù)關(guān)鍵區(qū)域識別。結(jié)果表明,，提出的“基于生態(tài)系統(tǒng)服務(wù)協(xié)同權(quán)衡計算的生態(tài)系統(tǒng)健康評估——時序遙感趨勢分析”的研究框架不僅顧及了研究區(qū)域內(nèi)“靜態(tài)”的生態(tài)系統(tǒng)服務(wù),、生態(tài)系統(tǒng)健康屬性,，同時衡量了“動態(tài)”的生態(tài)系統(tǒng)變化趨勢，可以有效識別國土空間生態(tài)保護修復(fù)關(guān)鍵區(qū),。研究成果可為國土空間生態(tài)保護修復(fù)本底調(diào)查,、問題識別、規(guī)劃和工程布局等提供技術(shù)支撐,。

摘要:受水稻冠層幾何結(jié)構(gòu)的影響,，傳統(tǒng)的無人機高光譜獲取到的反射光譜信息中包含與水稻內(nèi)部組成物質(zhì)無關(guān)的鏡面反射信息,，從而影響水稻氮素含量的反演精度，因此在利用無人機獲取水稻冠層反射光譜信息時,，有必要考慮通過偏振測量技術(shù)去除反射光譜中的鏡面反射分量,，進而實現(xiàn)提升水稻氮素含量反演精度的目的?；跓o人機偏振遙感測量得到的水稻分蘗期多角度偏振光譜數(shù)據(jù)和與之對應(yīng)的氮素含量數(shù)據(jù),，采用植被指數(shù)方法分析二者之間的相關(guān)性，得到了水稻冠層偏振光譜數(shù)據(jù)與其對應(yīng)氮素含量相關(guān)性最高時對應(yīng)的角度,，選取該觀測角度下的偏振光譜數(shù)據(jù),，利用連續(xù)投影法（Successive projections algorithm，SPA）提取特征波段,，在此基礎(chǔ)上,，基于數(shù)學(xué)變換的方法，提出了構(gòu)建植被指數(shù)的新思路,，構(gòu)建了由2個波段組成的偏振光譜植被指數(shù)（Polarisation spectrum vegetation index,，PSVI），并利用線性回歸方法建立水稻冠層氮素含量的反演模型,。結(jié)果表明,，通過對不同觀測天頂角下水稻冠層偏振光譜數(shù)據(jù)與氮素含量相關(guān)性分析，得到最佳觀測角度為-15°（后向觀測15°）,；利用連續(xù)投影法提取得到該角度下偏振光譜信息中的6個特征波長為500,、566、663,、691,、736、763nm,；運用數(shù)學(xué)變換思想構(gòu)建了由波長500nm和566nm組成的偏振光譜植被指數(shù)（PSVI）,；將PSVI作為模型輸入,，利用線性回歸方法建立水稻冠層氮素含量反演模型，模型訓(xùn)練集R2為0.7838,，RMSE為0.428mg/g,；驗證集RMSE為0.662mg/g，反演結(jié)果優(yōu)于差值植被指數(shù)（Difference vegetation index,，DSI）,、比值植被指數(shù)（Ratio vegetation index，RVI）等常見的植被指數(shù)構(gòu)建的氮素含量反演模型,。綜上,，基于無人機獲取的水稻分蘗期偏振光譜數(shù)據(jù)，以PSVI植被指數(shù)作為模型輸入,，能提升水稻冠層氮素含量的反演精度,。

摘要:為探討應(yīng)用無人機多光譜技術(shù)估算矮林芳樟（Cinnamomum camphora（Linn.）Presl）光合參數(shù)的有效分析模型和方法，本研究以矮林芳樟為研究對象,，通過無人機搭載的多光譜相機獲取其冠層六波段光譜反射率,，同步測量其凈光合速率（Pn）、胞間二氧化碳濃度（Ci）,、氣孔導(dǎo)度（Gs）和蒸騰速率（Tr）4種光合參數(shù),，采用最佳指數(shù)因子（OIF）篩選光譜反射率和植被指數(shù)的組合作為自變量，分別采用偏最小二乘法（Partial least squares method,，PLS）,、反向傳播神經(jīng)網(wǎng)絡(luò)（Back propagation neural network ，BPNN）和隨機森林（Random forest,，RF）構(gòu)建自變量與光合參數(shù)的估算模型,，并分析比較各估算模型的精度。結(jié)果顯示：矮林芳樟光合參數(shù)與葉片紅邊波段2（中心波長750nm）和近紅外波段（中心波長840nm）反射率有密切關(guān)系,；紅邊波段2,、增強型植被指數(shù)2（EVI2）、紅邊葉綠素指數(shù)（CI rededge）組合的OIF值最大,，為0.0126,，可作為模型自變量的最佳組合；Pn,、Ci,、Gs,、Tr 4種光合參數(shù)的最優(yōu)模型均為BPNN，其建模集決定系數(shù)R2分別為0.85,、0.81,、0.80、0.82,，均方根誤差(RMSE)分別為0.85μmol/(m2·s),、16.23μmol/mol、0.03mol/(m2·s),、0.37mmol/(m2·s),，相對分析誤差（RPD）分別為2.59、2.33,、2.28,、2.37；驗證集R2為0.81,、0.73,、0.83、0.76,，RMSE為1.46μmol/(m2·s),、18.37μmol/mol、0.03mol/(m2·s),、0.67mmol/(m2·s),，RPD為1.39、1.86,、2.67,、1.20。研究結(jié)果可為無人機多光譜遙感矮林芳樟光合參數(shù)估測提供理論依據(jù),，為快速監(jiān)測大面積經(jīng)濟植物生長狀況提供技術(shù)支撐,。

摘要:針對小麥考種過程中籽粒堆積,、粘連和遮擋現(xiàn)象導(dǎo)致計數(shù)準(zhǔn)確率低等問題，本文基于電磁振動原理設(shè)計了高通量小麥籽粒振動分離裝置,，通過分析受力探討了籽粒離散分離程度的主要影響因素,，并引入二階離散系數(shù)建立了籽粒離散度等級評價方法。在此基礎(chǔ)上，引入Swin Transformer模塊構(gòu)建YOLO v7-ST模型,，對不同離散度等級下小麥籽粒進行計數(shù)性能測試,。試驗結(jié)果表明，YOLO v7-ST模型在3種離散度等級下平均計數(shù)準(zhǔn)確率,、F1值和平均計數(shù)時間的總平均值分別為99.16%,、93%和1.19s，相較于YOLO v7,、YOLO v5和Faster R-CNN模型,，平均計數(shù)準(zhǔn)確率分別提高1.03、2.34,、15.44個百分點,，模型綜合評價指標(biāo)F1值分別提高2、3,、16個百分點,，平均計數(shù)時間較YOLO v5和Faster R-CNN分別減少0.41s和0.36s，僅比YOLO v7模型增大0.09s,。因此,，YOLO v7-ST模型可實現(xiàn)多種離散度等級下不同程度籽粒遮擋和粘連問題的準(zhǔn)確快速檢測，大幅提高小麥考種效率,。

摘要:為了高效監(jiān)控蔬菜中農(nóng)藥殘留情況,，利用熒光光譜技術(shù)檢測白菜中吡蟲啉農(nóng)藥殘留量。首先通過三維熒光光譜確定400nm為吡蟲啉的最佳激發(fā)波長,；其次通過分析6種預(yù)處理算法和2種降維算法,，分別選出多元散射校正（Multiple scattering calibration, MSC）和無信息變量消除(Uninformative variable elimination, UVE)作為最佳的預(yù)處理與波長選擇方法；寬度學(xué)習(xí)系統(tǒng)（Broad learning system, BLS）用于熒光光譜建模,，同時與偏最小二乘回歸（Partial least squares regression, PLSR）,、支持向量機（Support vector machine, SVM）和深度極限學(xué)習(xí)機（Deep extreme learning machines, DELM）等經(jīng)典模型進行比較。結(jié)果顯示BLS模型獲得了最佳吡蟲啉含量預(yù)測效果,，測試集決定系數(shù)R2p達0.949,，均方根誤差(Root mean square error, RMSE)達0.347mg/kg。表明了熒光光譜技術(shù)結(jié)合寬度學(xué)習(xí)預(yù)測農(nóng)藥殘留量的可行性,，可以為在線檢測農(nóng)藥殘留量系統(tǒng)的開發(fā)提供理論依據(jù),。

摘要:準(zhǔn)確識別定位采摘點,，根據(jù)果梗方向,，確定合適的采摘姿態(tài)，是機器人實現(xiàn)高效,、無損采摘的關(guān)鍵,。由于番茄串的采摘背景復(fù)雜，果實顏色,、形狀各異,，果梗姿態(tài)多樣，葉子藤枝干擾等因素,，降低了采摘點識別準(zhǔn)確率和采摘成功率,。針對這個問題，考慮番茄串生長特性,，提出基于實例分割的番茄串視覺定位與采摘姿態(tài)估算方法,。首先基于YOLACT實例分割算法的實例特征標(biāo)準(zhǔn)化和掩膜評分機制，保證番茄串和果梗感興趣區(qū)域 (Region of interest, ROI),、掩膜質(zhì)量和可靠性,，實現(xiàn)果梗粗分割；通過果梗掩膜信息和ROI位置關(guān)系匹配可采摘果梗,，基于細化算法,、膨脹操作和果梗形態(tài)特征實現(xiàn)果梗精細分割；再通過果梗深度信息填補法與深度信息融合,，精確定位采摘點坐標(biāo),。然后利用果梗幾何特征、八鄰域端點檢測算法識別果梗關(guān)鍵點預(yù)測果梗姿態(tài),，并根據(jù)果梗姿態(tài)確定適合采摘的末端執(zhí)行器姿態(tài),，引導(dǎo)機械臂完成采摘。研究和大量現(xiàn)場試驗結(jié)果表明,，提出的方法在復(fù)雜采摘環(huán)境中具有較高的定位精度和穩(wěn)定性,，對4個品種的番茄串采摘點平均識別成功率為98.07%，圖像分辨率為1280像素×720像素時算法處理速率達到21f/s,，采摘點圖像坐標(biāo)最大定位誤差為3像素,，深度誤差±4mm，成功定位采摘點后采摘成功率為98.15%,。與現(xiàn)有的同類方法相比,，采摘點圖像坐標(biāo)定位精度提高76.80個百分點，采摘成功率提高15.17個百分點,，采摘效率提高31.18個百分點,，滿足非結(jié)構(gòu)化種植環(huán)境中番茄串采摘需求,。

摘要:針對深層神經(jīng)網(wǎng)絡(luò)模型部署到番茄串采摘機器人,，存在運行速度慢,，對目標(biāo)識別率低，定位不準(zhǔn)確等問題,，本文提出并驗證了一種高效的番茄串檢測模型,。模型由目標(biāo)檢測與語義分割兩部分組成。目標(biāo)檢測負責(zé)提取番茄串所在的矩形區(qū)域,，利用語義分割算法在感興趣區(qū)域內(nèi)獲取番茄莖位置,。在番茄檢測模塊，設(shè)計了一種基于深度卷積結(jié)構(gòu)的主干網(wǎng)絡(luò),，在實現(xiàn)模型參數(shù)稀疏性的同時提高目標(biāo)的識別精度,，采用K-means++聚類算法獲得先驗框，并改進了DIoU距離計算公式,，進而獲得更為緊湊的輕量級檢測模型(DC-YOLO v4),。在番茄莖語義分割模塊（ICNet）中以MobileNetv2為主干網(wǎng)絡(luò)，減少參數(shù)計算量,，提高模型運算速度,。將采摘模型部署在番茄串采摘機器人上進行驗證。采用自制番茄數(shù)據(jù)集進行測試,，結(jié)果表明,，DC-YOLO v4對番茄及番茄串的平均檢測精度為99.31%，比YOLO v4提高2.04個百分點,。語義分割模塊的mIoU為81.63%,，mPA為91.87%，比傳統(tǒng)ICNet的mIoU提高2.19個百分點,，mPA提高1.47個百分點,。對番茄串的準(zhǔn)確采摘率為84.8%,，完成一次采摘作業(yè)耗時約6s,。

摘要:為在自然環(huán)境下自動準(zhǔn)確地檢測櫻桃番茄果實的成熟度,，實現(xiàn)櫻桃番茄果實自動化采摘，根據(jù)成熟期櫻桃番茄果實表型特征的變化以及國家標(biāo)準(zhǔn)GH/T 1193—2021制定了5級櫻桃番茄果實成熟度級別（綠熟期,、轉(zhuǎn)色期,、初熟期、中熟期和完熟期），并針對櫻桃番茄相鄰成熟度特征差異不明顯以及果實之間相互遮擋問題,，提出一種改進的輕量化YOLO v7模型的櫻桃番茄果實成熟度檢測方法,。該方法將MobileNetV3引入YOLO v7模型中作為骨干特征提取網(wǎng)絡(luò)，以減少網(wǎng)絡(luò)的參數(shù)量,，同時在特征融合網(wǎng)絡(luò)中加入全局注意力機制（Global attention mechanism,，GAM）模塊以提高網(wǎng)絡(luò)的特征表達能力。試驗結(jié)果表明,，改進的YOLO v7模型在測試集下的精確率,、召回率和平均精度均值分別為98.6%、98.1%和98.2%,，單幅圖像平均檢測時間為82ms,，模型內(nèi)存占用量為66.5MB。對比Faster R-CNN,、YOLO v3,、YOLO v5s和YOLO v7模型，平均精度均值分別提升18.7,、0.2,、0.3、0.1個百分點,，模型內(nèi)存占用量也最少,。研究表明改進的YOLO v7模型能夠為櫻桃番茄果實的自動化采摘提供技術(shù)支撐。

摘要:為了實現(xiàn)甘蔗智能橫向切種工作站的精準(zhǔn),、高效的自動化切種,，針對工廠化切種任務(wù)的特點，提出了一種基于改進YOLO v5s的甘蔗莖節(jié)特征邊緣端識別與定位方法,。首先,，利用張正友相機標(biāo)定法對攝像頭進行畸變矯正；然后對甘蔗莖節(jié)數(shù)據(jù)集進行數(shù)據(jù)增強,，利用原始的YOLO v5s模型進行訓(xùn)練和測試,，結(jié)果顯示數(shù)據(jù)增強能一定程度上提高檢測精度。針對莖節(jié)特征目標(biāo)小以及模型體積大導(dǎo)致檢測精度低,、部署難度高等問題,，對YOLO v5s的骨干網(wǎng)絡(luò)進行改進,，在SPPF特征融合模塊前引入坐標(biāo)注意力（Coordinate attention，CA）模塊和Ghost輕量化結(jié)構(gòu),，在Head網(wǎng)絡(luò)中剔除P5大目標(biāo)檢測頭,，得到了改進后甘蔗莖節(jié)檢測模型YOLO v5s-CA-BackboneGhost-p34，測試結(jié)果表明該模型優(yōu)于其他主流算法和原始模型,，具有高精度,、小體積等優(yōu)勢。其中,，平均精度均值1和平均精度均值2分別提高5.2,、16.5個百分點，模型浮點數(shù)計算量和內(nèi)存占用量分別降低42%和51%,。最后,，為了提高檢測速度和實時性，將模型部署于邊緣端,，利用TensorRT技術(shù)加快檢測速度,，并在傳送速度為0.15m/s的甘蔗智能橫向切種工作站上完成實際切種實驗。實驗結(jié)果表明,，加速后莖節(jié)檢測速度達到95f/s,，實時檢測定位平均誤差約為 2.4mm，切種合格率為100%,，漏檢率0.4%,，說明本文提出的模型具有高度可靠性和實用性，可以為甘蔗橫向切種工作站的工廠化,、智能化以及標(biāo)準(zhǔn)化應(yīng)用提供有效的技術(shù)支持,。

摘要:為使巡檢機器人能夠?qū)w積小且密集、形態(tài)多變,、數(shù)量多且分布不均的害蟲進行高效精準(zhǔn)識別,，提出了一種基于改進YOLO v7的害蟲識別方法。該方法將CSP Bottleneck與基于移位窗口Transformer（Swin Transformer）自注意力機制相結(jié)合,，提高了模型獲取密集害蟲目標(biāo)位置信息的能力,；在路徑聚合部分增加第4檢測支路，提高模型對小目標(biāo)的檢測性能,；將卷積注意力模塊（CBAM）集成到Y(jié)OLO v7模型中,，使模型更加關(guān)注害蟲區(qū)域,，抑制背景等一般特征信息,，提高被遮擋害蟲的識別精確率,；使用 Focal EIoU Loss 損失函數(shù)減少正負樣本不平衡對檢測結(jié)果的影響，提高識別精度,。采用基于實際農(nóng)田環(huán)境建立的數(shù)據(jù)集的實驗結(jié)果表明,，改進后算法的精確率、召回率及平均精度均值分別為91.6%,、82.9%和88.2%,，較原模型提升2.5、1.2,、3個百分點,。與其它主流模型的對比實驗結(jié)果表明，本文方法對害蟲的實際檢測效果更優(yōu),，對解決農(nóng)田復(fù)雜環(huán)境下害蟲的精準(zhǔn)識別問題具有參考價值,。

摘要:在智慧養(yǎng)殖研究中,，基于深度學(xué)習(xí)的豬只圖像實例分割方法,，是豬只個體識別、體重估測,、行為識別等下游任務(wù)的關(guān)鍵,。為解決模型訓(xùn)練需要大量的逐像素標(biāo)注圖像，以及大量的人力和時間成本的問題,，采用弱監(jiān)督豬只分割策略,，制作弱監(jiān)督數(shù)據(jù)集，提出一種新的特征提取骨干網(wǎng)絡(luò)RdsiNet：首先在ResNet-50殘差模塊基礎(chǔ)上引入第2代可變形卷積,，擴大網(wǎng)絡(luò)感受野,；其次，使用空間注意力機制,，強化網(wǎng)絡(luò)對重要特征的權(quán)重值,；最后引入involution算子，借助其空間特異性和通道共享性,，實現(xiàn)加強深層空間信息,、將特征映射同語義信息連接的功能。通過消融實驗和對比實驗證明了RdsiNet對于弱監(jiān)督數(shù)據(jù)集的有效性,，實驗結(jié)果表明其在Mask R-CNN模型下分割的mAPSemg達到88.6%,，高于ResNet-50、GCNet等一系列骨干網(wǎng)絡(luò),；在BoxInst模型下mAPSemg達到95.2%,，同樣高于ResNet-50骨干網(wǎng)絡(luò)的76.7%,。而在分割圖像對比中，使用RdsiNet骨干網(wǎng)絡(luò)的分割模型同樣具有更好的分割效果：在圖像中豬只堆疊情況下,，能更好地分辨豬只個體,；使用BoxInst訓(xùn)練的模型，測試圖像中掩碼具有更高的精細度,，這更有利于開展下游分析,。

摘要:肉?；顒舆^程中所表現(xiàn)出的行為是肉牛健康狀況的綜合體現(xiàn),，實現(xiàn)肉牛行為的快速準(zhǔn)確識別，對肉牛疾病防控,、自身發(fā)育評估和發(fā)情監(jiān)測等具有重要作用,。基于機器視覺的行為識別技術(shù)因其無損,、快速的特點,，已應(yīng)用在畜禽養(yǎng)殖行為識別中，但現(xiàn)有的基于機器視覺的肉牛行為識別方法通常針對單只?；騿为毮硞€行為開展研究,，且存在計算量大等問題。針對上述問題,，本文提出了一種基于SNSS-YOLO v7（Slim-Neck & Separated and enhancement attention module & Simplified spatial pyramid pooling-fast-YOLO v7）的肉牛行為識別方法,。首先在復(fù)雜環(huán)境下采集肉牛的爬跨、躺臥,、探究,、站立、運動,、舔砥和互斗7種常見行為圖像,，構(gòu)建肉牛行為數(shù)據(jù)集；其次在YOLO v7頸部采用Slim-Neck結(jié)構(gòu),，以減小模型計算量與參數(shù)量,；然后在頭部引入分離和增強注意力模塊（Separated and enhancement attention module，SEAM）增強Neck層輸出后的檢測效果,；最后使用SimSPPF（Simplified spatial pyramid pooling-fast）模塊替換原YOLO v7的SPPCSPC（Spatial pyramid pooling cross stage partial conv）模塊,，在增大感受野的同時進一步減少參數(shù)量。在自建數(shù)據(jù)集上測試，本文提出的肉牛行為識別方法的平均精度均值（[email protected]）為95.2%,，模型內(nèi)存占用量為39 MB,，參數(shù)量為1.926×107。與YOLO v7,、YOLO v6m、YOLO v5m,、YOLOX-S,、TPH-YOLO v5、Faster R-CNN相比,，模型內(nèi)存占用量分別減小47.9%,、45.4%、7.6%,、43.1%,、57.8%和92.5%，平均精度均值（[email protected]）分別提高1.4,、2.2,、3.1、13.7,、1.9,、4.5個百分點，試驗結(jié)果表明,，本文方法能夠?qū)崿F(xiàn)肉牛行為的準(zhǔn)確識別,，可以部署在計算資源有限的設(shè)備上，為實現(xiàn)畜禽養(yǎng)殖智能化提供支持,。

摘要:針對現(xiàn)有深度學(xué)習(xí)技術(shù)在奶牛關(guān)鍵點檢測研究中尚存在網(wǎng)絡(luò)復(fù)雜度高,、檢測速度慢等問題，提出了一種輕量化奶牛關(guān)鍵點檢測模型SimCC-ShuffleNetV2,。在模型中,，主干網(wǎng)絡(luò)采用ShuffleNetV2用于特征提取，有利于實現(xiàn)網(wǎng)絡(luò)的輕量化,；檢測頭采用SimCC用于關(guān)鍵點位置預(yù)測,，SimCC采取坐標(biāo)分類的方法使得檢測更加簡單高效。為了驗證模型的性能,，本研究設(shè)計了奶牛的關(guān)鍵點及骨架結(jié)構(gòu),，并標(biāo)注了3600幅圖像用于模型的訓(xùn)練與測試,。試驗結(jié)果表明，SimCC-ShuffleNetV2模型的AP50:95為88.07%,，浮點運算量為1.5×108,，參數(shù)量為1.31×106，檢測速度為10.87f/s,，可以實現(xiàn)奶牛關(guān)鍵點的精確與高效檢測,。與基于回歸的DeepPose網(wǎng)絡(luò)、基于熱力圖的HRNet網(wǎng)絡(luò)進行了對比試驗,，結(jié)果表明SimCC-ShuffleNetV2取得了精度與速度的良好平衡,。同時，本研究通過更換不同主干與不同檢測頭的方式,，對比驗證了不同模塊對模型性能影響,，本研究所提出的模型在所有試驗中均取得了最佳結(jié)果，表明ShuffleNetV2與SimCC的組合具備良好的關(guān)鍵點檢測性能,。為了驗證模型的有效性,，將模型應(yīng)用于4種動作視頻中提取骨架序列并將其送入ST-GCN網(wǎng)絡(luò)以實現(xiàn)不同動作的分類，其分類準(zhǔn)確率為84.56%,，表明本研究提出的SimCC-ShuffleNetV2模型是良好的關(guān)鍵點提取器,，可為奶牛行為識別等任務(wù)提供關(guān)鍵信息支撐。

摘要:針對跟蹤模型泛化能力差,、跟蹤模型正樣本選取質(zhì)量低、深層模型參數(shù)量大不利于部署等問題,，本文提出了超輕量化孿生網(wǎng)絡(luò)模型Siamese-remo,。首先結(jié)合傳統(tǒng)隨機采樣方法和go-turn方法，設(shè)計出新型的正負樣本選取策略,，增加模型泛化能力,；其次采用shiftbox-remo的數(shù)據(jù)增強方式均勻正樣本分布，并提升正樣本采集質(zhì)量,；然后通過改進后的超輕量化Mobileone-remo網(wǎng)絡(luò)提取特征,，一定程度減少深層網(wǎng)絡(luò)對跟蹤平移不變性的破壞，并預(yù)設(shè)不同特征融合參數(shù),，單獨訓(xùn)練網(wǎng)絡(luò)分類和回歸,；最終加入Center-rank loss函數(shù)，根據(jù)樣本點位置影響置信度、IOU排名,，對網(wǎng)絡(luò)分類回歸策略進行優(yōu)化,。實驗證明，自然場景下奶牛單目標(biāo)跟蹤模型期望平均重合度(Expected average overlap, EAO)達到0.475,，相對于基線模型提升0.078,，與現(xiàn)有跟蹤器對比取得了較好的成績，且參數(shù)量僅為現(xiàn)有主流算法的1/20,，為后續(xù)自然場景下奶牛身份識別與目標(biāo)跟蹤系統(tǒng)提供了技術(shù)支持,。

摘要:動態(tài)水壓噴灑和基于脈沖寬度調(diào)制的間歇噴灑對噴頭噴灑水力特性均有顯著調(diào)節(jié)作用,，為充分發(fā)揮動態(tài)水壓和間歇噴灑的技術(shù)優(yōu)勢，本研究通過壓縮空氣儲能調(diào)節(jié)同步實現(xiàn)動態(tài)水壓和間歇脈沖噴灑,，基于此開發(fā)出新型動態(tài)水壓間歇脈沖噴灌裝置,，并對動態(tài)水壓間歇脈沖噴灑條件下的噴灌水力性能指標(biāo)進行了實測和計算。結(jié)果表明,，動態(tài)水壓間歇脈沖噴灑模式下,，噴頭工作壓力呈“急速上升—波動下降—急速下降”三階段變化趨勢，噴頭流量較恒壓連續(xù)噴灑降低70.23%~82.77%,；徑向噴灌強度呈雙峰型分布,，峰值噴灌強度為連續(xù)噴灑下的12.7%~33%；噴灑水量分布均勻度較連續(xù)噴灑有小幅降低5.8%~14.1%,，且可通過運行參數(shù)優(yōu)化進一步提升,；水滴對表層土壤的打擊強度顯著降低，動能強度峰值降幅50.6%~70.9%,。研究結(jié)果表明動態(tài)水壓間歇脈沖噴灑可靈活實現(xiàn)噴灑水力性能指標(biāo)的同步提升,，具有較大應(yīng)用潛力。

摘要:針對區(qū)域洪水災(zāi)害風(fēng)險定量評估方法精度不足問題,，構(gòu)建了一種基于蝴蝶優(yōu)化算法改進的支持向量機模型（Butterfly optimization algorithm-support vector machine, BOA-SVM），并將其應(yīng)用于黑龍江省近15年的洪水災(zāi)害風(fēng)險評估與時空特征分析,。結(jié)果表明：研究時段內(nèi),，黑龍江省總體洪水風(fēng)險水平前期升降變化明顯，而后期逐漸趨于平穩(wěn)，并呈現(xiàn)西北部高,、東南部低的空間分布格局,。其中，大慶地區(qū)洪水風(fēng)險水平最低,，綏化地區(qū)風(fēng)險水平最高,，其余地區(qū)風(fēng)險水平隨年際變化有明顯下降趨勢。產(chǎn)水模數(shù),、人均GDP,、月強降水量、農(nóng)林漁業(yè)總產(chǎn)值占比,、人口自然增長率,、每萬人擁有衛(wèi)生機構(gòu)床位數(shù)、萬公頃水庫總庫容為洪水風(fēng)險變化的關(guān)鍵驅(qū)動因子,。構(gòu)建的BOA-SVM模型與傳統(tǒng)支持向量機模型（Support vector machine, SVM）和基于帝國競爭算法改進的支持向量機模型（Imperialist competitive algorithm-support vector machine, ICA-SVM）相比,，平均絕對誤差（MAE）分別降低38.15%和9.18%，均方誤差（MSE）分別降低58.5%和21.56%,，平均絕對百分比誤差（MAPE）分別降低35.23%和11.42%,、決定系數(shù)（R2）分別增長0.62%和0.12%，說明BOA-SVM模型在擬合性,、適配性,、穩(wěn)定性、可靠性以及評估精度等方面更具優(yōu)勢,。研究成果可為洪水災(zāi)害風(fēng)險評估提供一種新模型,，同時可為有效調(diào)控和降低區(qū)域洪水災(zāi)害風(fēng)險提供參考。

摘要:針對干旱區(qū)復(fù)雜環(huán)境下水體光譜特性空間差異大,、水體提取方法適用性差的問題,，本研究基于Sentinel-2衛(wèi)星多光譜數(shù)據(jù)，通過超分辨率算法重建10m空間分辨率多光譜影像,，將短波紅外（Short-wave infrared,，SWIR）重建波段、近紅外（Near-infrared,，NIR）重建波段作為水體識別特征波段,，在此基礎(chǔ)上采用超像素分割算法識別水體像元，基于24種光譜指數(shù),、支持向量機（Support vector machine,，SVM）,、神經(jīng)網(wǎng)絡(luò)（Neural network，NN）,、K-means共構(gòu)建60種水體提取方法,，采用總體精度（Overall accuracy，OA）,、準(zhǔn)確率（Precision）,、F1值、馬修斯相關(guān)系數(shù)（Matthews correlation coefficient,，MCC）等水體提取精度指標(biāo)進行綜合評價,，以黑河流域為典型研究區(qū)，確定干旱區(qū)最佳水體提取方法,。結(jié)果表明,，基于Sentinel-2綠色波段（中心波長為560nm）與超分辨率重建短波紅外波段（中心波長為1610nm）構(gòu)建的改進的歸一化水體指數(shù)方法，顯著增強水體提取時對干旱區(qū)細小水體,、陰影,、云層像元識別能力，水體提取總體精度為99.81%,，準(zhǔn)確率為92.04%,，F(xiàn)1值為88.02%,，G-mean,、馬修斯相關(guān)系數(shù)均大于0.88，水體提取精度優(yōu)于其他方法,。研究結(jié)果可快速精準(zhǔn)地提取干旱區(qū)水體,，為干旱區(qū)水體應(yīng)用領(lǐng)域提供理論支持。

摘要:以撓力河流域為研究區(qū)，選擇2000,、2010,、2020年3期土地利用數(shù)據(jù)，從土地利用動態(tài)度和轉(zhuǎn)移矩陣兩方面分析土地利用時空變化,，運用CLUE-S模型對研究區(qū)2030年土地利用變化格局進行模擬驗證,，設(shè)基線、農(nóng)業(yè)發(fā)展和生態(tài)保護3種情景預(yù)測2030年土地利用變化格局,，最后對3種情景下耕地適宜性進行評價,。結(jié)果表明：研究區(qū)土地利用類型以耕地為主,，2000—2020年森林、濕地,、水體和人造地表呈增加趨勢,，耕地和草地呈減少趨勢。2000—2020年土地利用轉(zhuǎn)移主要發(fā)生在耕地,、草地和森林之間,，2000—2010年草地面積轉(zhuǎn)入最多，耕地次之,，森林最少,，轉(zhuǎn)出面積相反；2010—2020年森林轉(zhuǎn)入轉(zhuǎn)出面積最多,，草地次之,，耕地最少。CLUE-S模型對撓力河流域土地利用變化具有良好的模擬能力,，Kappa系數(shù)為0.894,，模擬總體精度為91.18%；基線情景下耕地,、草地和水體地類面積減少,，其他地類面積增加；農(nóng)業(yè)發(fā)展情景下耕地面積增加23.68%,，人造地表面積未發(fā)生變化,，其他地類面積均較少；生態(tài)保護情景下與農(nóng)業(yè)發(fā)展情景正好相反,。依評價指標(biāo)體系和評價模型,，分析計算出3種情景下耕地位于適宜區(qū)的面積占研究區(qū)總面積的96%以上，不適宜區(qū)占比低于4%,。研究結(jié)果可為加強未來耕地質(zhì)量建設(shè)與管理,、落實耕地保護目標(biāo)和科學(xué)管理土地資源提供科學(xué)決策。

摘要:農(nóng)機壓實土壤的問題很難避免，而農(nóng)田壓實土壤的結(jié)構(gòu)恢復(fù)至關(guān)重要,，凍融循環(huán)是恢復(fù)壓實土壤的有效方法,。為了研究凍融循環(huán)+大孔隙對恢復(fù)壓實土壤的作用，通過室內(nèi)試驗重塑壓實土壤及人工孔隙措施模擬大孔隙,，在不同土壤含水率條件下設(shè)計不同的凍融循環(huán)次數(shù),，利用溫度傳感器監(jiān)測土壤溫度波動,，同時對比凍融循環(huán)前后壓實土壤孔隙與團聚體參數(shù)的變化。結(jié)果表明,，凍融循環(huán)過程中,，有人工孔隙壓實土壤在高、低兩種含水率條件下,，分別在第3次和第2次凍融循環(huán)時開始大幅溫度波動,，相同含水率條件下無人工孔隙的壓實土壤溫度大幅波動則出現(xiàn)在第7次和第4次凍融循環(huán)，經(jīng)歷多次凍融循環(huán)后,，有人工孔隙壓實土壤的團聚體平均尺度,、結(jié)構(gòu)系數(shù)等參數(shù)均優(yōu)于無人工孔隙的壓實土壤。人工孔隙可通過調(diào)節(jié)土壤溫度波動改變凍融循環(huán)在土壤中的作用強度,，加速壓實土壤結(jié)構(gòu)恢復(fù)進程,，凍融循環(huán)+大孔隙策略是改善土壤孔隙及團聚體結(jié)構(gòu)的有效措施。

摘要:為探究節(jié)水灌溉模式下黑土稻田NH3、N2O排放及氮肥吸收利用對減施氮肥的響應(yīng)規(guī)律,，以黑龍江省黑土稻田為研究對象,，于2021年進行了大田試驗，試驗設(shè)置常規(guī)淹灌（F）和控制灌溉（C）2種灌溉模式,，全生育期施氮量設(shè)置常規(guī)施氮水平（N,，110kg/hm2）,、減氮10%（N1,，99kg/hm2）和減氮20%（N2，88kg/hm2）3個水平,，并在F和C灌溉模式下分別設(shè)置不施氮肥處理（CK1和CK2）作為對照組,，共8個處理。分析了不同灌溉模式下減施氮肥對水稻全生育期NH3揮發(fā)速率和N2O排放的影響,，計算了氮肥氣態(tài)損失量和損失率,，并基于同位素示蹤技術(shù)進一步估算了水稻對氮肥的吸收利用量及水稻收獲后土壤中的氮肥殘留量。結(jié)果表明：2種灌溉模式下的氮肥氣態(tài)損失量及損失率均隨著施氮量的減少而降低,?？刂乒喔饶Ｊ降膽?yīng)用增加了黑土稻田氮肥氣態(tài)損失，其各處理的氮肥氣態(tài)損失量及損失率均高于常規(guī)淹灌模式下相同施氮量處理,。然而同位素示蹤結(jié)果表明,，采用控制灌溉模式能夠增強水稻對氮肥的吸收,，同時能夠有效降低氮肥損失?？刂乒喔饶Ｊ较赂魈幚硭緦Φ实奈绽昧亢屠寐示@著高于常規(guī)淹灌模式下相同施氮量處理,，且當(dāng)施氮量相同時，控制灌溉模式下各處理的氮肥損失量和總損失率均顯著低于常規(guī)淹灌模式（P<0.05）,。綜上所述,，控制灌溉模式下減施氮肥提高了氮肥吸收利用率，同時降低了氮肥損失,，并可穩(wěn)產(chǎn)甚至能夠在一定程度上增加水稻產(chǎn)量,。研究結(jié)果可為東北地區(qū)稻田制定節(jié)肥、增效,、減排兼容的水肥資源管理策略提供科學(xué)依據(jù),，對保障東北地區(qū)農(nóng)業(yè)可持續(xù)發(fā)展具有重要意義。

摘要:針對土壤電導(dǎo)率傳感器測量不準(zhǔn)確的問題，提出了不考慮含水率θ與考慮θ的非線性耦合標(biāo)定模型,，并開展了土壤電導(dǎo)率傳感器的標(biāo)定與驗證試驗,。標(biāo)定試驗采用新疆維吾爾自治區(qū)阿拉爾市十團蘋果園沙土，使用去離子水與NaCl設(shè)計了9組含水率梯度與6組含鹽量梯度共54組土樣,，分別使用土壤電導(dǎo)率傳感器與高精度電導(dǎo)率儀對土樣的電導(dǎo)率進行測量,；根據(jù)耦合模型分別對不考慮θ、考慮θ以及考慮θ細分的3種處理進行擬合分析,；最后對同一蘋果園設(shè)計了大田驗證試驗,。結(jié)果表明，土壤電導(dǎo)率傳感器測量的電導(dǎo)率EC0以及電導(dǎo)率儀測量的電導(dǎo)率EC1與土壤含鹽量均呈正相關(guān),，EC0隨θ的增加而增加,，EC1隨θ的增加而減少；3次擬合結(jié)果表明,，θ對電導(dǎo)率測量有顯著影響,，隨θ細分，3個處理的殘差逐漸減小,，擬合決定系數(shù)R2均不小于0.839且逐漸增大,；驗證試驗結(jié)果表明所提出耦合模型可以有效提高電導(dǎo)率測量精度，該標(biāo)定方法可為土壤電導(dǎo)率準(zhǔn)確測量以及土壤電導(dǎo)率傳感器標(biāo)定校準(zhǔn)等相關(guān)研究提供依據(jù),。

摘要:在稻蝦養(yǎng)殖模式中溶解氧含量（濃度）是養(yǎng)殖水體的重要指標(biāo)之一,，其直接影響小龍蝦的攝食量和新陳代謝，因此在養(yǎng)殖過程中精準(zhǔn)預(yù)測溶解氧含量至關(guān)重要,。針對稻蝦養(yǎng)殖中溶解氧含量變化復(fù)雜,，難以快速準(zhǔn)確預(yù)測的問題，提出了BiLSTM-GRU融合神經(jīng)網(wǎng)絡(luò)預(yù)測模型,。為了保證精準(zhǔn)預(yù)測,，首先對傳感器進行了清洗校準(zhǔn)，并根據(jù)偏移量對歷史數(shù)據(jù)進行了修正,。在此基礎(chǔ)上構(gòu)建了基于BiLSTM和GRU的融合神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型,，BiLSTM提取更多特征因子，GRU實現(xiàn)快速預(yù)測,，快速準(zhǔn)確預(yù)測溶解氧含量變化,。為了使監(jiān)測預(yù)測性能更優(yōu)，對不同采樣周期下的資源損耗及預(yù)測模型性能進行綜合對比分析,，確定了傳感器數(shù)據(jù)最優(yōu)采樣周期為30min,。進一步與LSTM、GRU,、BiLSTM以及BiGRU模型對比,，表明本文提出的BiLSTM-GRU融合神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果更好，其平均絕對誤差,、均方根誤差和決定系數(shù)分別為0.2759mg/L,、0.6160mg/L和0.9547，比傳統(tǒng)的LSTM神經(jīng)網(wǎng)絡(luò)模型分別高25.14%,、13.25%和2.22%,。

摘要:為明確高壓靜電場（High-voltage electrostatic field，HVEF）對發(fā)酵牛肉品質(zhì)影響規(guī)律,，采用2.0kV HVEF和3.0kV HVEF輔助制作發(fā)酵牛肉,，與對照組比較，分析不同處理條件對發(fā)酵牛肉理化指標(biāo),、風(fēng)味品質(zhì),、微生物群落的影響,。結(jié)果表明：HVEF輔助處理會顯著降低發(fā)酵牛肉的含水率（P<0.05），且電壓越高,，效果越顯著,，對pH值、L*和b*值無顯著影響,，但2.0kV HVEF處理會顯著降低a*值,、增加ΔE值（P<0.05）。電子鼻分析表明,，不同處理組發(fā)酵牛肉樣品之間風(fēng)味差異較大,，可以通過主成分分析進行較好區(qū)分。電子舌分析表明,，HVEF輔助處理會增加鮮味,、咸味和苦味傳感器響應(yīng)值。通過氣相離子遷移譜（Gas chromatography〖CD*2〗ion mobility spectrometry,，GC〖CD*2〗IMS）分析,，共鑒別出43種揮發(fā)性風(fēng)味物質(zhì)，包括醇類12種,、酮類10種,、醛類9種、烯類8種,、其他4種,，3.0kV HVEF處理對這些風(fēng)味物質(zhì)的含量影響較大。高通量測序結(jié)果表明,，發(fā)酵牛肉中的真菌優(yōu)勢菌為Penicillium（青霉菌屬）和Debaryomyces（德巴利酵母屬）,，HVEF能夠降低Penicillium所占比例，增加Debaryomyces所占比例,；發(fā)酵牛肉中的細菌優(yōu)勢菌為Staphylococcus（葡萄球菌屬）和Lactobacillus（乳桿菌屬）,，HVEF能夠增加Staphylococcus所占比例，降低Lactobacillus所占比例,。各指標(biāo)綜合分析表明,，3.0kV HVEF處理對發(fā)酵牛肉品質(zhì)提升有較好促進作用。

摘要:雞蛋殼膜分選裝置用來分選分離后的雞蛋殼膜混合物，目前在實驗室中已經(jīng)完成了殼膜分選裝置的研究和設(shè)計,，達到了很好的分選效果,。為了使研究結(jié)果具有普遍適用性，便于工廠化應(yīng)用,，縮短設(shè)計周期,，基于相似理論，以已研制的雞蛋殼膜分選裝置為模型,，提出一種雞蛋殼膜分選裝置的相似設(shè)計方法,。當(dāng)固體負荷率分別為6、12,、18,、24kg/s時，對根據(jù)該方法設(shè)計的裝置進行仿真,，同時進行了比例尺為12倍的原型試驗,，驗證了相似設(shè)計方法的正確性和可行性。運用Visual Basic 6.0對CATIA,、AutoCAD進行二次開發(fā),，編寫程序，可直接獲得三維模型,、二維圖紙及工作參數(shù),，提高了雞蛋殼膜分選裝置的設(shè)計效率，降低了成本,，實現(xiàn)了分選裝置的快速設(shè)計,。

摘要:硬度是確定獼猴桃成熟度的重要指標(biāo)之一,，對其貯藏周期與銷售節(jié)點均具有重要指導(dǎo)意義。針對現(xiàn)階段缺乏使用簡易,、成本低且精度高的獼猴桃無損硬度檢測方法的問題,，提出了一種基于視觸覺與深度學(xué)習(xí)的獼猴桃硬度檢測方法，通過分析柔性觸覺傳感層與獼猴桃接觸時的形變,，獲取獼猴桃的動態(tài)觸覺信息,，并據(jù)此推斷其硬度。以樹莓派開發(fā)板為機電控制平臺,，制作了獼猴桃視觸覺序列圖像采集裝置,，并對裝置按壓獼猴桃間隔3h后接觸面果肉與非接觸面果肉的CIELAB顏色分量平均數(shù)進行差異顯著性檢驗，隨后采集了獼猴桃視觸覺序列圖像數(shù)據(jù)集600組,，分別搭建了CNN網(wǎng)絡(luò),、CNN-LSTM遷移學(xué)習(xí)網(wǎng)絡(luò)、CNN-LSTM聯(lián)合學(xué)習(xí)網(wǎng)絡(luò)對視觸覺序列圖像進行分析及硬度預(yù)測,。研究結(jié)果表明,，接觸面果肉與非接觸面果肉顏色L*、a*,、b*三通道分量下平均值無顯著差異,；深度學(xué)習(xí)模型LSTM引入長時和短時信息可以動態(tài)關(guān)聯(lián)CNN提取的單幀圖像特征，從而有效推斷獼猴桃硬度,，其中CNN-LSTM聯(lián)合學(xué)習(xí)模型預(yù)測效果最優(yōu),，其均方根誤差(RMSE)、平均絕對誤差(MAE),、決定系數(shù)R2分別為 1.611N,、1.360N、0.856,，優(yōu)于現(xiàn)階段光譜技術(shù)檢測獼猴桃硬度的結(jié)果,，隨后將模型嵌入樹莓派中制作了獼猴桃硬度自動檢測裝置，可實現(xiàn)短時間內(nèi)獼猴桃硬度的較為準(zhǔn)確檢測,。因此,，結(jié)合視觸覺傳感方法與聯(lián)合學(xué)習(xí)模型可以實現(xiàn)對單個獼猴桃硬度的準(zhǔn)確無損測量。

摘要:為了能準(zhǔn)確檢測、跟蹤加州鱸魚因水中溶解氧含量低產(chǎn)生的脅迫行為,，本文構(gòu)建了一種改進的YOLO v5與DeepSORT組合網(wǎng)絡(luò)算法,。在算法方面提出2個改進方案：在原YOLO v5的Backbone和Neck中分別加入2個基于移位窗口的自注意力Swin Transformer模塊，提升了網(wǎng)絡(luò)對目標(biāo)特征信息的提取能力,，以此提升原模型的檢測效果,；采用Warmup和Cosine Annealing結(jié)合的學(xué)習(xí)率策略，使多目標(biāo)跟蹤算法DeepSORT前期收斂速度更快,、更穩(wěn)定,。實驗結(jié)果表明，在目標(biāo)檢測方面,，相對于原YOLO v5,，改進的YOLO v5的[email protected]、[email protected]:0.95和召回率分別提升1.9、1.3,、0.8個百分點,，在不完全遮擋情況下，改進的算法表現(xiàn)出更好的檢測效果,。在目標(biāo)跟蹤方面,，DeepSORT算法的MOTA、MOTP和IDF1分別提升4.0,、0.7,、10.7個百分點，并且加州鱸魚在遮擋前后的ID切換頻率得到明顯抑制,。改進的YOLO v5與DeepSORT跟蹤算法更適合于檢測,、跟蹤加州鱸魚的低氧脅迫行為，能夠為加州鱸魚的養(yǎng)殖提供技術(shù)支持,。

摘要:針對傳統(tǒng)機器學(xué)習(xí)模型預(yù)測重型拖拉機液壓機械無級變速箱(Hydro mechanical continuously variable transmission,，HMCVT)濕式離合器溫度的局限性,，提出了基于改進灰狼粒子群優(yōu)化-支持向量機(Improved grey wolf particle swarm optimization-support vector machine，IGWPSO-SVM)的HMCVT濕式離合器摩擦副溫度預(yù)測模型,。首先,，對濕式離合器摩擦副滑摩過程進行熱分析，確定影響濕式離合器摩擦副溫度的因素,；然后,，基于支持向量機(Support vector machine，SVM)搭建溫度預(yù)測模型,，并利用改進灰狼粒子群優(yōu)化(Improved grey wolf particle swarm optimization,，IGWPSO)算法對SVM的結(jié)構(gòu)參數(shù)進行優(yōu)化；最后,，基于HMCVT濕式離合器試驗臺數(shù)據(jù)搭建離合器摩擦副溫度預(yù)測模型的樣本數(shù)據(jù)庫,，以濕式離合器摩擦副對偶鋼片為對象，對IGWPSO-SVM模型進行試驗驗證,。試驗結(jié)果表明,，IGWPSO-SVM模型預(yù)測摩擦副對偶鋼片內(nèi)、中,、外徑溫度的平均絕對誤差(Mean absolute error,，MAE),、均方誤差(Mean square error，MSE),、均方根誤差(Root mean square error,，RMSE)、平均絕對百分比誤差(Mean absolute percentage error,，MAPE)的均值分別為3.3557℃,、24.3212℃2,、4.5976℃,、3.95%，最高溫度預(yù)測誤差分別為7.8700,、5.4300,、0.9900℃，3次試驗的對偶鋼片內(nèi),、中,、外徑溫度MAE、MSE,、RMSE,、MAPE均值的平均值分別為3.3522℃、24.7380℃2,、4.9737℃,、4.12%，3次試驗的內(nèi),、中,、外徑最高溫度平均絕對誤差(Maximum temperature mean absolute error，MTMAE)平均值為4.3733℃,，相比于其他4種已有的模型為最低,。研究結(jié)果可為重型拖拉機濕式離合器溫度的高精度預(yù)測及整車的可靠性控制提供理論依據(jù)。

摘要:少自由度混聯(lián)機構(gòu)有特殊的末端約束形式,，同時其末端六維運動參數(shù)存在高度耦合,，而以往對此類機構(gòu)的研究多針對并聯(lián)和串聯(lián)模塊分別開展，導(dǎo)致混聯(lián)機構(gòu)的整機末端約束和運動耦合研究被忽視,，此類機構(gòu)的約束和運動分析存在缺陷,。本文采用Grassmann-Cayley代數(shù)分析了(2-RPU+UPU)+(RR)機構(gòu)的末端約束,，基于該機構(gòu)的約束方程建立了其末端運動耦合模型，并以此得到了該機構(gòu)修正的運動學(xué)反解模型,。末端約束分析結(jié)果表明(2-RPU+UPU)+(RR)機構(gòu)的末端約束為一個螺旋(1H)型約束,，其自由度形式為兩轉(zhuǎn)兩移一螺旋(2R2T1H)型運動。運動耦合結(jié)果表明該機構(gòu)6維位姿耦合關(guān)系表現(xiàn)為一個多元耦合方程,，在給定其中的5個獨立參數(shù)后,，另一個參數(shù)可通過該耦合方程確定。本文建立的(2-RPU+UPU)+(RR)機構(gòu)的約束分析和運動耦合模型可為少自由度混聯(lián)機構(gòu)的末端約束和運動耦合分析提供參考,。

摘要:并聯(lián)機器人末端位姿精度對其工作性能影響較大,，建立有效的標(biāo)定算法是提高機器人位姿精度的重要保證,。本文以一種2TPR&2TPS并聯(lián)機構(gòu)為研究對象，首先對機器人進行運動學(xué)分析,，采用全微分法得出機器人的誤差模型,，根據(jù)該模型得出機器人結(jié)構(gòu)參數(shù)誤差與末端位姿誤差的量化關(guān)系，以及各誤差項誤差變動對末端位姿誤差的影響規(guī)律,；接著,，建立參數(shù)辨識模型和標(biāo)定效果評價函數(shù)，驗證了參數(shù)辨識模型的有效性,，再用該模型辨識機器人的結(jié)構(gòu)參數(shù)誤差,；最后，修正運動學(xué)模型完成了機器人的誤差標(biāo)定,。實驗結(jié)果顯示,，標(biāo)定后機器人的平均位置精度提升68.62%，距離誤差均值由7.710mm降至2.350mm,，精度提升69.52%,，實驗結(jié)果證明本文的標(biāo)定算法有效。

摘要:連續(xù)型機器人具有良好的靈活性,、柔順性和人機安全性等優(yōu)點,，受生物魚骨結(jié)構(gòu)啟發(fā)，提出了結(jié)構(gòu)緊湊,、質(zhì)量輕,、靈活性高的仿生魚骨連續(xù)型機器人,。但多節(jié)垂直交叉的剛?cè)彳涶詈辖Y(jié)構(gòu)模式使仿生魚骨連續(xù)型機器人靜力學(xué)的精確建模難度增加。本文基于Cosserat理論考慮了驅(qū)動繩索和彈性骨干的耦合作用對該機器人進行靜力學(xué)分析,，建立了仿生魚骨連續(xù)型骨干的Cosserat-rod模型和驅(qū)動繩索的Cosserat-string模型以及二者的耦合模型,，預(yù)測了一節(jié)仿生魚骨單元以及垂直交叉串聯(lián)布置的兩節(jié)仿生魚骨單元的變形規(guī)律。理論與實驗結(jié)果相比,，理論值誤差在1.5mm之內(nèi),，為其長度的1.2%。本文為繩索驅(qū)動的剛?cè)彳涶詈线B續(xù)型機器人的靜力學(xué)建模提供了理論參考,。

摘要:為抑制軟體驅(qū)動器彎曲過程中的不必要變形，提高軟體機械手抓取能力,，提出一種限制層材料為PDMS和PTFE混合制備的軟體機械手。通過調(diào)整PDMS和PTFE之間的質(zhì)量比來改變限制層剛度,，進而改變軟體機械手的彎曲角度,。考慮到軟體機械手工作時,，應(yīng)變層變形遠大于限制層,，采用Yeoh和Neo-Hookean形式的應(yīng)變能方程表述應(yīng)變層和限制層材料力學(xué)行為?；谀Ｐ秃土仄胶庠斫④涹w驅(qū)動器彎曲角度數(shù)學(xué)模型,，進而研究限制層材料和結(jié)構(gòu)參數(shù)對軟體機械手彎曲性能的影響。利用單軸拉伸試驗獲取不同質(zhì)量比的PDMS和PTFE混合制備的限制層樣品應(yīng)力應(yīng)變曲線,，并擬合獲取Yeoh模型材料參數(shù),，進而進行有限元仿真分析，確定限制層材料的最佳比例,。對不同限制層材料制成的驅(qū)動器進行彎曲角度測試,，試驗結(jié)果與理論分析偏差在5%以內(nèi)，驗證了數(shù)學(xué)模型的準(zhǔn)確性,。同時,，驅(qū)動器的末端力測試結(jié)果表明，限制層PDMS/PTFE質(zhì)量比為8∶1的驅(qū)動器明顯優(yōu)于純硅膠軟體驅(qū)動器,，最大末端力可達2.45N,。使用軟體機械手對多種物品進行抓取試驗，其最大抓取質(zhì)量達420g,。

摘要:為了解決大慣量回轉(zhuǎn)系統(tǒng)頻繁啟動和制動作業(yè)導(dǎo)致節(jié)流損失大和制動動能浪費嚴(yán)重的問題,，提出一種電氣和液壓混合驅(qū)動大慣量回轉(zhuǎn)系統(tǒng)。系統(tǒng)采用永磁同步電機作為主動力源,，控制回轉(zhuǎn)系統(tǒng)運動,；由蓄能器提供動力的液壓馬達作為輔助動力源，為電機啟動加速提供扭矩補償,，蓄能器高效回收制動動能再利用,。建立多學(xué)科聯(lián)合仿真系統(tǒng)模型，基于主輔動力源合理供給原則,，設(shè)計全周期工況識別速度控制策略,，搭建電液混合驅(qū)動回轉(zhuǎn)試驗平臺，對回轉(zhuǎn)系統(tǒng)的特性和能效進行分析,。研究結(jié)果表明,，電液混合驅(qū)動大慣量回轉(zhuǎn)系統(tǒng)，隨著轉(zhuǎn)速和轉(zhuǎn)動慣量的變化,，回轉(zhuǎn)制動動能回收效率為40.5%~65.9%,。相同工況下，與純電機驅(qū)動系統(tǒng)相比,，電液混合驅(qū)動系統(tǒng)啟動加速時間減小1.2s,，制動動能回收效率為63.5%，降低系統(tǒng)能耗40.8%,，使回轉(zhuǎn)系統(tǒng)更加平穩(wěn)地運行,。