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:智能農(nóng)業(yè)裝備是信息化,、自動(dòng)化、智能化的綜合體,，其智能化水平主要表現(xiàn)在作業(yè)過程狀態(tài)感知、數(shù)據(jù)分析,、科學(xué)決策與自主控制等先進(jìn)技術(shù)的應(yīng)用,。目前，我國農(nóng)業(yè)裝備在作業(yè)服務(wù)方面主要存在故障自動(dòng)監(jiān)測實(shí)用性差,、維修服務(wù)資源配置失衡以及服務(wù)調(diào)度成本高等問題,。本文以農(nóng)業(yè)裝備中典型機(jī)具——聯(lián)合收獲機(jī)為例，重點(diǎn)綜述了國內(nèi)外聯(lián)合收獲機(jī)運(yùn)維服務(wù)管理相關(guān)典型技術(shù)的現(xiàn)狀和特點(diǎn),，闡述和剖析了農(nóng)業(yè)裝備遠(yuǎn)程運(yùn)維服務(wù)平臺(tái),、作業(yè)數(shù)據(jù)監(jiān)測、多機(jī)協(xié)同作業(yè)以及運(yùn)維服務(wù)優(yōu)化等方面的研究現(xiàn)狀和發(fā)展動(dòng)態(tài),。闡述了運(yùn)維服務(wù)管理平臺(tái)總體構(gòu)架與技術(shù)進(jìn)展,；并分別闡述了作業(yè)工況、作業(yè)質(zhì)量感知與車載終端管理等遠(yuǎn)程運(yùn)維數(shù)據(jù)監(jiān)測技術(shù)研究進(jìn)展,，路徑規(guī)劃,、協(xié)同控制與任務(wù)分配等多機(jī)協(xié)同作業(yè)技術(shù)研究進(jìn)展，故障診斷預(yù)測,、維修策略與群體調(diào)度等運(yùn)維服務(wù)優(yōu)化技術(shù)研究進(jìn)展,；最后，結(jié)合實(shí)際應(yīng)用場景,，總結(jié)分析了農(nóng)業(yè)裝備運(yùn)維服務(wù)管理技術(shù)所面臨的挑戰(zhàn)和機(jī)遇,，提出了農(nóng)業(yè)裝備信息化管理技術(shù)的未來發(fā)展方向；并指出我國農(nóng)業(yè)裝備運(yùn)維服務(wù)管理信息化技術(shù)未來研究方向,。

摘要:針對(duì)超級(jí)稻育秧播種環(huán)節(jié)振動(dòng)式排種器勻種性能差，難以實(shí)現(xiàn)精量播種的問題,，設(shè)計(jì)一種分體組合振動(dòng)式精量播種勻種裝置,，并提出了一種基于圖像識(shí)別的振動(dòng)勻種控制方法。對(duì)振動(dòng)板關(guān)鍵結(jié)構(gòu)參數(shù)：儲(chǔ)種盒深度和轉(zhuǎn)向槽角度進(jìn)行勻種性能單因素離散元仿真分析,，結(jié)果表明：輸送階段不同時(shí)間和空間勻種均勻性變異系數(shù)和振動(dòng)板出口處供種均勻性變異系數(shù)隨儲(chǔ)種盒深度增大而增大,，隨轉(zhuǎn)向槽角度增大先減小后增大，并確定儲(chǔ)種盒深度和轉(zhuǎn)向槽角度分別為12mm和48°,。設(shè)計(jì)并搭建了種子流圖像檢測與控制系統(tǒng),，壓電振動(dòng)單體和勻種單元圖像檢測和整流驗(yàn)證試驗(yàn)表明，當(dāng)檢測到圖像中白色低像素占比低于20%,，經(jīng)整流后,，白色像素占比可滿足設(shè)計(jì)要求。對(duì)分體組合振動(dòng)式播種勻種裝置進(jìn)行不同勻種電壓和具有不同長寬比的3種超級(jí)稻品種進(jìn)行播種性能試驗(yàn),。試驗(yàn)結(jié)果表明,，當(dāng)工作電壓為150~200V時(shí)，其播種合格率不小于93.47%,，漏播率不大于1.00%,；3種水稻種子播種合格率均不小于94.17%，漏播率不大于0.67%,。該裝置能夠滿足超級(jí)稻精量播種要求,，且對(duì)不同超級(jí)稻種子具有較好的適應(yīng)性。

摘要:針對(duì)播種機(jī)氣力集排系統(tǒng)中種子流沿輸種管側(cè)壁進(jìn)入分配器時(shí),，產(chǎn)生氣種混合均勻性低,、各行排量一致性差的問題，提出了螺旋式增壓管,，闡述了總體結(jié)構(gòu)和工作原理,，并對(duì)輸種管和螺旋式增壓管進(jìn)行了設(shè)計(jì)，以蕎麥為對(duì)象,，開展了螺旋式增壓管內(nèi)種子群受力,、運(yùn)動(dòng)及壓損分析,。基于CFD-DEM耦合仿真方法,，通過單因素試驗(yàn),、最陡爬坡試驗(yàn)和中心復(fù)合設(shè)計(jì)試驗(yàn)研究了葉片數(shù)、扭轉(zhuǎn)角,、螺旋式增壓管長度和輸送氣流速度對(duì)蕎麥種子各行排量一致性變異系數(shù)的影響,，仿真試驗(yàn)結(jié)果表明：當(dāng)葉片數(shù)為3、螺旋式增壓管長度為210mm,、扭轉(zhuǎn)角為383°,、輸送氣流速度29.30m/s時(shí)，蕎麥各行排量一致性變異系數(shù)為9.83%,，達(dá)到最優(yōu),。通過氣力集排系統(tǒng)試驗(yàn)臺(tái)架開展了不同型式增壓管性能驗(yàn)證試驗(yàn)，結(jié)果表明：采用螺旋式,、波紋式和窩眼式增壓管的蕎麥氣力集排系統(tǒng)各行排量一致性變異系數(shù)分別為5.58%,、6.85%和9.65%，最優(yōu)參數(shù)組合條件下螺旋式增壓管的仿真結(jié)果與臺(tái)架驗(yàn)證試驗(yàn)結(jié)果相差 4.25個(gè)百分點(diǎn),。提出的螺旋式增壓管較傳統(tǒng)增壓管,，增強(qiáng)了氣種混合均勻性，提高了氣力集排系統(tǒng)的作業(yè)質(zhì)量,，可為氣力集排系統(tǒng)設(shè)計(jì)提供技術(shù)支撐。

摘要:針對(duì)現(xiàn)有辣椒移栽機(jī)取苗成功率低,、損傷率高,、穩(wěn)定性差的問題，設(shè)計(jì)了一種插夾聯(lián)動(dòng)式末端執(zhí)行器,，基于整排取苗,、間隔投苗的取投苗作業(yè)形式設(shè)計(jì)了氣動(dòng)控制系統(tǒng)，分析了取投苗裝置結(jié)構(gòu)及工作原理,，建立了末端執(zhí)行器運(yùn)動(dòng)學(xué),、動(dòng)力學(xué)模型，以薄皮椒缽苗為研究對(duì)象開展力學(xué)特性試驗(yàn),，結(jié)合取苗過程邊界條件確定了末端執(zhí)行器主要參數(shù)范圍,；通過ADAMS運(yùn)動(dòng)軌跡仿真與FluidSIM-P 3.6氣動(dòng)系統(tǒng)仿真分析，驗(yàn)證了取投苗裝置結(jié)構(gòu)設(shè)計(jì)與氣動(dòng)時(shí)序的合理性,；通過DEM-MFBD聯(lián)合仿真對(duì)取苗情況進(jìn)行了可視化分析,，為末端執(zhí)行器關(guān)鍵參數(shù)優(yōu)化提供依據(jù),。通過單因素試驗(yàn)明確了各關(guān)鍵因素對(duì)取苗成功率與基質(zhì)損失率的作用規(guī)律；設(shè)計(jì)正交試驗(yàn),，通過方差分析,、響應(yīng)面分析與多目標(biāo)尋優(yōu)得出最優(yōu)參數(shù)組合為：取苗針間距12.25mm、取苗針入土角50.37°,、取苗針行程14.21mm,。臺(tái)架驗(yàn)證試驗(yàn)得出：取苗成功率為97.92%、基質(zhì)損失率為2.21%,，與回歸模型預(yù)測值誤差分別為0.49%,、3.8%，無莖稈損傷現(xiàn)象,，取投苗效果良好,。

摘要:油莎豆種球形狀不規(guī)則,，表面凹凸不平，國內(nèi)油莎豆播種裝置多數(shù)是基于大粒種球排種器進(jìn)行改進(jìn),，由于離散元模擬試驗(yàn)過程中缺乏準(zhǔn)確的仿真參數(shù),，導(dǎo)致對(duì)排種器進(jìn)行仿真優(yōu)化分析時(shí)產(chǎn)生誤差。針對(duì)此問題,，本文測量油莎豆種子的本征參數(shù)和與排種裝置間的接觸參數(shù),，利用逆向工程技術(shù)構(gòu)建油莎豆種子顆粒填充模型。依據(jù)方形殼體和圓筒的仿真堆積試驗(yàn)結(jié)果,，采用Plackett-Burman試驗(yàn)篩選出對(duì)種群堆積角有顯著影響的種間靜摩擦因數(shù)和種間滾動(dòng)摩擦因數(shù),，建立以這兩種顯著影響因子為自變量、種群堆積角為響應(yīng)值的二元回歸方程,。用Matlab對(duì)方程組求解后得到標(biāo)定后的種間靜摩擦因數(shù)和種間滾動(dòng)摩擦因數(shù)分別為0.246,、0.083。為檢驗(yàn)標(biāo)定后參數(shù)的可靠性,，在EDEM中進(jìn)行仿真驗(yàn)證試驗(yàn),，結(jié)果顯示方形殼體裝置仿真和物理堆積角的誤差為0.43%，圓筒裝置仿真和物理堆積角的誤差為0.55%,。為進(jìn)一步驗(yàn)證標(biāo)定后參數(shù)的準(zhǔn)確性,，采用氣力式精量排種器，并選取3個(gè)關(guān)鍵特征尺寸和堆積截面積占比率，待種群穩(wěn)定后將仿真和物理試驗(yàn)做對(duì)比,，最后得到進(jìn)種口種群上邊界最大凸點(diǎn)處與排種盤水平中心線距離H1,、種群輪廓邊界與透明觀察窗左側(cè)豎線的交點(diǎn)到排種盤水平中心線距離H2和堆積截面積占比率r等參數(shù)的相對(duì)誤差均在8.33%以內(nèi)。

摘要:針對(duì)果園機(jī)械化土壤-秸稈分層覆蓋中大幅寬,、均勻薄層覆土要求,，設(shè)計(jì)了與果園秸稈覆蓋機(jī)配套的覆土裝置，主要由取土螺旋,、拋土輪,、集土箱和覆土螺旋組成。取土螺旋取土幅寬1.5m,，為秸稈層鋪設(shè)提供平整地基,，保證了秸稈層覆蓋平整和薄土層均勻度；取土螺旋兩側(cè)的拋土輪向后拋送土壤到集土箱,，避免了碎石等異物導(dǎo)致的裝置卡死問題,。經(jīng)離散元仿真優(yōu)化，確定取土螺旋采用末段雙螺旋結(jié)構(gòu),，拋土輪葉片數(shù)量為10,，葉片偏角為10°，提高了覆土均勻性并降低了作業(yè)功耗,。田間試驗(yàn)表明,，裝置覆土寬度為1.5m，覆土厚度為20.8~31.7mm,；建立了覆土厚度標(biāo)準(zhǔn)差回歸模型,，其決定系數(shù)為0.9342,，模型誤差為1.8%,；以覆土厚度標(biāo)準(zhǔn)差為響應(yīng)值，確定的最優(yōu)作業(yè)參數(shù)組合為：拋土輪轉(zhuǎn)速300r/min,、拋土角40°,、取土深度20mm。該組合下覆土厚度22.9mm,，覆土厚度標(biāo)準(zhǔn)差3.7mm,，滿足大幅寬、均勻薄層覆土要求。本研究實(shí)現(xiàn)了果園土壤-秸稈分層覆蓋農(nóng)藝的機(jī)械化作業(yè),，為旱區(qū)果園管理提供了新方法和新裝備,。

摘要:為實(shí)現(xiàn)低矮密集型油茶林松土,、除草,、除灌一體化作業(yè)，解決油茶林土壤板結(jié),、草灌雜生等問題,，設(shè)計(jì)了立式螺旋松土除草機(jī)。通過對(duì)油茶林常見雜草,、雜灌根系的物理力學(xué)特性分析,，結(jié)合刀具運(yùn)動(dòng)分析，設(shè)計(jì)了立式螺旋耕刀,。采用Hertz-Mindlin bonding接觸模型建立了根土復(fù)合體模型,，以降低功耗為目標(biāo)對(duì)刀具參數(shù)進(jìn)行了仿真優(yōu)化，分析其對(duì)根土復(fù)合體的擾動(dòng)情況,，并試制樣件進(jìn)行了土槽試驗(yàn),，檢驗(yàn)耕作效果，驗(yàn)證了仿真分析的可靠性,。仿真結(jié)果表明：優(yōu)化后立式螺旋耕刀對(duì)根土復(fù)合體的擾動(dòng)率可達(dá)到91.41%,，切削土壤時(shí)最大功耗為0.16kW；切削根土復(fù)合體時(shí)最大功耗為0.77kW,。土槽試驗(yàn)表明：耕刀的耕深穩(wěn)定性系數(shù)為92.34%,，碎土率95.00%，除根率95.30%,；螺旋耕刀在切削土壤時(shí),，實(shí)際測得最大轉(zhuǎn)矩為7.93N·m，比仿真值低6.57%,；切削根土復(fù)合體時(shí),，實(shí)際測得最大轉(zhuǎn)矩為34.84N·m，比仿真值低4.91%,，兩者比較接近,，驗(yàn)證了設(shè)計(jì)的正確性。設(shè)計(jì)的立式螺旋松土除草機(jī)滿足丘陵山地油茶林松土,、除草,、除灌作業(yè)要求。

摘要:針對(duì)大壟寬幅馬鈴薯中耕機(jī)縱橫穩(wěn)定性差、偏擺嚴(yán)重等問題,，對(duì)大壟寬幅馬鈴薯中耕機(jī)進(jìn)行優(yōu)化設(shè)計(jì)與試驗(yàn),。通過理論分析確定了影響馬鈴薯中耕機(jī)縱橫穩(wěn)定性的主要因素，并對(duì)部件進(jìn)行了優(yōu)化設(shè)計(jì),。運(yùn)用EDEM離散元仿真軟件,，以覆土鏵到平行四桿與機(jī)架鉸接點(diǎn)的水平距離、平行四桿橫向?qū)挾群妥鳂I(yè)速度作為試驗(yàn)因素,，以壟向直線度,、壟高穩(wěn)定性系數(shù)為評(píng)價(jià)指標(biāo)，進(jìn)行了二次正交旋轉(zhuǎn)仿真試驗(yàn),。對(duì)仿真試驗(yàn)結(jié)果進(jìn)行優(yōu)化分析,，當(dāng)覆土鏵到平行四桿與機(jī)架鉸接點(diǎn)的水平距離為702.7mm、平行四桿橫向?qū)挾葹?55.4mm,、作業(yè)速度為1.29m/s時(shí),，中耕機(jī)壟向直線度為2.39cm，壟高穩(wěn)定性系數(shù)為94.12%,。對(duì)優(yōu)化后的數(shù)據(jù)進(jìn)行了田間試驗(yàn)驗(yàn)證,，結(jié)果表明，壟向直線度為2.4cm,，培土行距合格率為95.7%，傷苗率為1.5%,，壟高穩(wěn)定性系數(shù)為94.2%,，培土高度為7.8cm，均優(yōu)于優(yōu)化前的大壟寬幅馬鈴薯中耕機(jī),，具有較好的縱橫穩(wěn)定性,。

摘要:針對(duì)南方丘陵山區(qū)煙葉種植區(qū)傳統(tǒng)銑拋式培土作業(yè)存在土塊拋送不集中、定點(diǎn)覆土效果差等問題,，采用“旋耕碎土—集中后拋—斜置送土”的作業(yè)方式,，設(shè)計(jì)一款中間集拋后送式雙側(cè)斜輸煙草培土機(jī)。根據(jù)土壤銑削加工和土壤螺旋輸送器輸送原理,，對(duì)整機(jī)土壤加工關(guān)鍵部件進(jìn)行了研究,，分析集中后拋斜輸過程，確定了培土機(jī)的主要結(jié)構(gòu)和工作參數(shù),。利用EDEM離散元仿真,，建立培土作業(yè)仿真模型，以機(jī)具前進(jìn)速度,、旋耕深度,、螺旋輸送器軸轉(zhuǎn)速為試驗(yàn)因素，培土高度,、培土幅度,、取土率為試驗(yàn)指標(biāo)，進(jìn)行了二次正交旋轉(zhuǎn)回歸仿真試驗(yàn)與優(yōu)化,，得到最優(yōu)工作參數(shù),。田間試驗(yàn)結(jié)果表明，作業(yè)后溝底土壤松碎,，培土土量均勻,，培土高度為24.37mm，培土幅度為130.42mm,，取土率為21.19%,，與仿真結(jié)果誤差分別為12.21%、1.90%,、10.44%,。能夠滿足煙田培土需求，為煙草培土技術(shù)農(nóng)機(jī)農(nóng)藝融合提供了新途徑,。

摘要:針對(duì)現(xiàn)有馬鈴薯聯(lián)合收獲機(jī)升運(yùn)輸送行程長而導(dǎo)致傷薯率高,、破皮率高,、機(jī)具結(jié)構(gòu)不緊湊等問題，結(jié)合北方馬鈴薯主產(chǎn)區(qū)收獲模式,，設(shè)計(jì)了一款適用于馬鈴薯升運(yùn)作業(yè)的環(huán)形減損集薯升運(yùn)裝置,。在闡述總體結(jié)構(gòu)及工作原理基礎(chǔ)上,，結(jié)合馬鈴薯運(yùn)動(dòng)學(xué)模型和碰撞特性分析，得到影響升運(yùn)效率和薯塊損傷的主要因素,，通過DEM-MBD耦合構(gòu)建薯塊和裝置模型,，得到最優(yōu)參數(shù)組合:升運(yùn)擋板高度為199.21mm、升運(yùn)擋板與升運(yùn)輸送帶間夾角為75.86°,、相鄰兩升運(yùn)擋板間距為240.35mm,。臺(tái)架試驗(yàn)表明:上料量為24t/h，升運(yùn)輸送帶運(yùn)行速度為0.8,、1.0,、1.2m/s時(shí)，電子馬鈴薯采集的碰撞加速度峰值平均值為636.63,、593.29,、685.63m/s2，破皮率為1.13%,、1.06%,、1.21%，碰撞加速度峰值均小于馬鈴薯臨界損傷閾值,。田間試驗(yàn)表明:作業(yè)速度為0.6,、0.7、0.8m/s時(shí),，傷薯率為0.94%,、1.06%、1.12%,，破皮率為1.09%,、1.21%、1.33%,，環(huán)形減損集薯升運(yùn)裝置運(yùn)行正常,，未出現(xiàn)薯塊掉落等現(xiàn)象，各部件配合協(xié)調(diào),，滿足裝袋型馬鈴薯聯(lián)合收獲機(jī)高效穩(wěn)定的作業(yè)要求,。

摘要:針對(duì)甘蔗生長的隨機(jī)性使收獲機(jī)喂入量隨時(shí)變化，易導(dǎo)致整稈式甘蔗收獲機(jī)輸送堵塞或工作效率低下的問題,，設(shè)計(jì)了一種整稈式甘蔗收獲機(jī)輸送調(diào)控系統(tǒng),。該系統(tǒng)由動(dòng)態(tài)扭矩傳感器,、PLC控制系統(tǒng)、液壓系統(tǒng),、伺服電機(jī)系統(tǒng)組成，通過實(shí)時(shí)調(diào)節(jié)輸送輥轉(zhuǎn)速與喂入速度使得甘蔗收獲機(jī)輸送能力與喂入量相匹配,，減少甘蔗堵塞情況,。通過搭建甘蔗收獲機(jī)試驗(yàn)平臺(tái)，開展甘蔗輸送調(diào)控試驗(yàn),。甘蔗輸送調(diào)控試驗(yàn)結(jié)果表明,，安裝了輸送調(diào)控系統(tǒng)后，各試驗(yàn)水平下的甘蔗平均輸送速度為4.06,、3.42,、3.04、2.42m/s,，相比無調(diào)控系統(tǒng)有了明顯提升,，并且收獲機(jī)輸送能力在喂入量峰值過后恢復(fù)到初始值，保證了工作效率,；調(diào)控試驗(yàn)的平均堵塞率降低到5%,，輸送調(diào)控系統(tǒng)對(duì)緩解輸送堵塞有顯著作用。

摘要:針對(duì)丘陵山地油茶果人工采摘效率低、大型機(jī)械采收難且花苞損傷大等問題,，設(shè)計(jì)了一種手持沖擊梳刷式油茶果采摘裝置,，通過沖擊指的碰撞作用和指間梳刷作用采摘油茶果，可有效降低花苞損傷率,。以采摘裝置質(zhì)量最小化為目標(biāo),，利用Ansys Workbench拓?fù)鋬?yōu)化模塊進(jìn)行輕量化設(shè)計(jì)，機(jī)架減輕近30.59%,；建立“沖擊指-油茶果”碰撞模型和“主枝-細(xì)枝-茶果”三擺動(dòng)力學(xué)模型,，明確影響油茶果采摘效果的主要因素為油茶果的質(zhì)量和壓入變形量、沖擊指質(zhì)量和轉(zhuǎn)速,、枝條長度和質(zhì)量,；進(jìn)而以沖擊指轉(zhuǎn)速和指間夾角、裝置梳刷次數(shù)為試驗(yàn)因素,，以采摘速率,、采凈率和花苞損傷率為評(píng)價(jià)指標(biāo),，開展油茶果采摘試驗(yàn)并采用響應(yīng)面分析法處理試驗(yàn)數(shù)據(jù)。結(jié)果表明,，沖擊指轉(zhuǎn)速對(duì)采摘效果的影響最為顯著,，且當(dāng)沖擊指轉(zhuǎn)速為409.8r/min、指間夾角為4.1°,、裝置梳刷4.5次時(shí),，裝置的采摘性能最佳；此時(shí),，油茶果采摘速率為43.67kg/h,、采凈率為86.42%，花苞損傷率低于8.89%,，滿足高油茶果采凈率和低花苞損傷率的工作要求,。

摘要:為提高鍘草機(jī)切碎作業(yè)的控制性能,、作業(yè)質(zhì)量及減小能耗，基于線性預(yù)測控制并結(jié)合鍘草機(jī)切碎作業(yè)特點(diǎn)建立目標(biāo)函數(shù),，由切碎運(yùn)動(dòng)學(xué)誤差模型推導(dǎo)采樣周期以解決控制魯棒性,，切碎動(dòng)力學(xué)模型推導(dǎo)控制時(shí)域及預(yù)測時(shí)域以提高控制響應(yīng)性，設(shè)計(jì)了鍘草機(jī)切碎輥負(fù)荷控制器,。Simulink仿真表明：經(jīng)計(jì)算和回歸優(yōu)化選出的預(yù)測參數(shù)組采樣周期,、預(yù)測時(shí)域、控制時(shí)域?yàn)?.8,、15,、2s時(shí)，其控制精度及魯棒性最好,、作業(yè)能力最大,、對(duì)擾動(dòng)的響應(yīng)速度最快、抑制能力最強(qiáng)及能耗（9.27×106J）最小?，F(xiàn)場試驗(yàn)結(jié)果表明：該優(yōu)化預(yù)測參數(shù)組模型控制器,，能夠?qū)﹀幉輽C(jī)切碎負(fù)荷有效跟蹤控制，產(chǎn)品質(zhì)量符合標(biāo)準(zhǔn)要求,，同時(shí)實(shí)現(xiàn)了鍘草機(jī)作業(yè)能力的提高,，使系統(tǒng)控制響應(yīng)更迅速，生產(chǎn)效率更高和單位作業(yè)能耗（1.382×107J）更小。該控制器參數(shù)模型建立方法為類屬飼草作物收獲機(jī)控制系統(tǒng)的設(shè)計(jì)提供了參考,。

摘要:針對(duì)棉稈粉碎還田過程中刀具磨損嚴(yán)重且缺少故障監(jiān)測裝置導(dǎo)致工作失效的問題,，設(shè)計(jì)了一種搭載在棉稈粉碎還田機(jī)上的智能監(jiān)測系統(tǒng),。系統(tǒng)以STM32單片機(jī)為主控制器，應(yīng)用多種傳感器融合技術(shù),，基于機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)刀具磨損狀態(tài)監(jiān)測,。為了解決棉稈粉碎刀具磨損非線性特征信號(hào)難以提取的問題,，提出了一種融合改進(jìn)蝴蝶優(yōu)化算法(IBOA)和支持向量機(jī)(SVM)的刀具磨損狀態(tài)監(jiān)測方法（IBOA-SVM）,。該監(jiān)測方法以粉碎刀輥轉(zhuǎn)速、左側(cè)振動(dòng)頻率,、右側(cè)振動(dòng)頻率作為模型輸入特征向量,，將刀具磨損狀態(tài)(正常狀態(tài)、磨損狀態(tài),、丟刀狀態(tài))作為輸出,。相較于未優(yōu)化的SVM算法，通過IBOA算法優(yōu)化SVM算法的參數(shù),，刀具磨損狀態(tài)的識(shí)別準(zhǔn)確率由95.61%提高至98.83%,。為驗(yàn)證IBOA-SVM模型的有效性，在相同參數(shù)設(shè)置環(huán)境下進(jìn)行多種模型的重復(fù)對(duì)比試驗(yàn),，試驗(yàn)結(jié)果表明：相較于SVM,、PSO-SVM、WOA-SVM,、BOA-SVM和CWBOA-SVM 5種模型,，IBOA-SVM模型識(shí)別準(zhǔn)確率平均值有所提升，單次試驗(yàn)的準(zhǔn)確率均維持在較高的水平,。將IBOA-SVM模型嵌入到監(jiān)測系統(tǒng),，并進(jìn)行田間驗(yàn)證試驗(yàn)，試驗(yàn)結(jié)果表明設(shè)計(jì)的刀具磨損狀態(tài)監(jiān)測系統(tǒng)在識(shí)別準(zhǔn)確率和魯棒性方面都具有良好的性能,。

摘要:為適應(yīng)過程工業(yè)中生產(chǎn)調(diào)節(jié)對(duì)液力透平性能的影響,，要求多級(jí)泵作透平的輸出功率隨流量的變化較小,，即輸出功率-流量曲線較平坦?；跉W拉方程,，根據(jù)速度矩守恒,，推導(dǎo)得到導(dǎo)葉式透平輸出功率與幾何參數(shù)的關(guān)系式。利用數(shù)學(xué)求導(dǎo),，判斷出導(dǎo)葉幾何參數(shù)對(duì)輸出功率曲線平坦性的影響規(guī)律,。以兩級(jí)徑向?qū)~離心泵作透平為研究對(duì)象，改變正導(dǎo)葉幾何參數(shù)設(shè)計(jì)研究方案,，通過Fluent軟件數(shù)值計(jì)算并進(jìn)行試驗(yàn)驗(yàn)證,。研究結(jié)果表明：數(shù)值計(jì)算結(jié)果與理論推導(dǎo)相符，適當(dāng)增大正導(dǎo)葉的喉部面積,、出口安放角,、葉片數(shù)或適當(dāng)減小正導(dǎo)葉基圓直徑都可以使輸出功率曲線變平坦；設(shè)計(jì)工況點(diǎn)正導(dǎo)葉幾何參數(shù)對(duì)功率曲線斜率（平坦性）影響由大到小為喉部面積,、出口安放角,、葉片數(shù)、基圓直徑,，斜率依次減小0.17,、0.11、0.05,、0.03,；適當(dāng)增大喉部面積可以使透平效率提升1.65個(gè)百分點(diǎn)，高效點(diǎn)向大流量偏移,。

摘要:提取農(nóng)田信息對(duì)智慧農(nóng)業(yè),、環(huán)境保護(hù)等有重要意義,。監(jiān)督學(xué)習(xí)模型對(duì)不同地貌、區(qū)域,、種植類型等空間異質(zhì)性農(nóng)田的特征提取效果不佳,。針對(duì)該問題，本文提出一種半監(jiān)督學(xué)習(xí)模型,，該模型使用基于加權(quán)損失函數(shù)的在線難例樣本挖掘策略,，在Vaihingen數(shù)據(jù)集中總體精度高達(dá)87.1%，相較于其他半監(jiān)督學(xué)習(xí)模型的提取效果最好,。在吉林一號(hào)農(nóng)田影像數(shù)據(jù)集進(jìn)行空間異質(zhì)性農(nóng)田特征提取中的對(duì)比試驗(yàn)和精度評(píng)估,，結(jié)果表明：分別使用擬提取地區(qū)和訓(xùn)練集地區(qū)的無標(biāo)注影像訓(xùn)練該模型，均可提高對(duì)空間異質(zhì)性農(nóng)田特征提取精度，若無標(biāo)注影像與擬提取地區(qū)影像中農(nóng)田特征相似度高,，總體精度可提升2.1~6.1個(gè)百分點(diǎn),，總體精度最高可達(dá)84.0%。該模型使用更少量的標(biāo)注信息獲得媲美監(jiān)督學(xué)習(xí)模型的提取效果,；而使用相同量的標(biāo)注信息,，可以通過增加無標(biāo)注影像以取得比監(jiān)督學(xué)習(xí)模型更好的提取效果。本文構(gòu)建河北獻(xiàn)縣地區(qū)的農(nóng)田數(shù)據(jù)集,，模型使用吉林一號(hào)農(nóng)田影像數(shù)據(jù)集（部分1）作為有標(biāo)注訓(xùn)練集,，吉林一號(hào)農(nóng)田影像數(shù)據(jù)集（部分2）和獻(xiàn)縣地區(qū)高分二號(hào)影像數(shù)據(jù)集作為無標(biāo)注影像訓(xùn)練后的總體精度高達(dá)88.7%。驗(yàn)證了改進(jìn)后的半監(jiān)督學(xué)習(xí)模型可準(zhǔn)確有效提取空間異質(zhì)性農(nóng)田特征,。

摘要:為了進(jìn)一步提高冬小麥產(chǎn)量預(yù)測的準(zhǔn)確性,，針對(duì)麥玉輪作體系缺乏直接把前茬作物信息納入到當(dāng)季作物的產(chǎn)量估算及管理中的研究狀況,，利用前茬玉米季中長勢遙感信息及產(chǎn)量信息,，融合小麥拔節(jié)期,、灌漿期及成熟期長勢遙感信息、播前施肥信息及土壤特性信息等多時(shí)相多模態(tài)數(shù)據(jù),，基于GPR算法,，建立多時(shí)相多模態(tài)參數(shù)融合的麥玉輪作體系小麥產(chǎn)量估算模型，結(jié)果顯示：基于多生育期的產(chǎn)量估算模型較單生育期最優(yōu)產(chǎn)量估算模型性能有所提升,，R2提高0.01~0.03,。其中基于拔節(jié)期產(chǎn)量估算模型精度略低于多生育期產(chǎn)量估算模型，但精度相近,?；诙嗄B(tài)參數(shù)融合的產(chǎn)量估算模型中，除玉米作物信息與土壤特性信息融合構(gòu)建的產(chǎn)量估算模型,，多模態(tài)參數(shù)融合的產(chǎn)量估算模型精度較相應(yīng)低模態(tài)參數(shù)融合的產(chǎn)量估算模型精度高,。四模態(tài)參數(shù)融合的GPR模型決定系數(shù)R2為0.92，RMSE為213.75kg/hm2,，較其他模型,，R2提高0.02~0.41。對(duì)于小麥產(chǎn)量估算模型,，各模態(tài)參數(shù)影響由大到小依次為施肥信息,、小麥遙感信息、土壤特性信息、玉米作物信息,。玉米作物信息對(duì)于多模態(tài)參數(shù)融合的小麥產(chǎn)量估算模型精度提升最小,，R2總體提升0.02~0.07。玉米作物信息在一定程度表征了收獲后土壤肥力狀況,，是土壤特性信息的高空間分辨率補(bǔ)充,，可以進(jìn)一步提高量化土壤肥力的能力，與其他參數(shù)信息結(jié)合,，提高了小麥產(chǎn)量估算精度,，為麥玉輪作體系土壤-作物數(shù)據(jù)的綜合利用及輪作體系的綜合管理提供了科學(xué)依據(jù)和方法思路。

摘要:機(jī)器學(xué)習(xí)模型在作物長勢監(jiān)測和產(chǎn)量估測過程中，復(fù)雜模型的內(nèi)部機(jī)制難以理解,，為了在準(zhǔn)確估測作物產(chǎn)量的同時(shí)給出合理解釋,，本文選取條件植被溫度指數(shù)（VTCI）以及冬小麥產(chǎn)量數(shù)據(jù)，基于輕量級(jí)梯度提升機(jī)（LightGBM）開展關(guān)中平原冬小麥的產(chǎn)量估測研究,，并將局部可解釋性模型無關(guān)方法（LIME）,、部分依賴圖（PDP）和個(gè)體條件期望圖（ICE）等全局和局部可解釋性方法用于對(duì)模型估測結(jié)果的進(jìn)一步解釋。結(jié)果表明,，與其他機(jī)器學(xué)習(xí)方法相比,，經(jīng)過網(wǎng)格搜索優(yōu)化的LightGBM能夠準(zhǔn)確地估測冬小麥產(chǎn)量，估測單產(chǎn)與實(shí)測單產(chǎn)的決定系數(shù)R2達(dá)到0.32,，均方根誤差（RMSE）為809.10kg/hm2,，平均相對(duì)誤差（MRE）為16.55%，達(dá)到極顯著水平（P<0.01）,，表明該模型有較高的預(yù)測精度和泛化能力,。進(jìn)一步可解釋性實(shí)驗(yàn)表明，網(wǎng)格搜索優(yōu)化的LightGBM能夠準(zhǔn)確提取數(shù)據(jù)蘊(yùn)含的信息,，從全局角度來看,，冬小麥4個(gè)生育期中拔節(jié)期VTCI對(duì)產(chǎn)量形成最為重要，抽穗-灌漿期和乳熟期次之,，返青期則影響最小,，這與先驗(yàn)知識(shí)相符合；從局部角度來看,，局部可解釋性方法基于冬小麥產(chǎn)量西高東低的空間特征能夠進(jìn)一步提供不同縣（區(qū)）產(chǎn)量存在差異的原因,，為關(guān)中平原的田間管理提供參考,，對(duì)冬小麥的穩(wěn)產(chǎn)增產(chǎn)具有應(yīng)用價(jià)值。

摘要:以往的冬小麥分布信息提取研究大多基于單個(gè)物候期或單個(gè)植被指數(shù)，未考慮不同物候期特征及不同物候期之間的聯(lián)系導(dǎo)致分類精度較低,。為提高提取精度,，本文基于冬小麥播種期、越冬期,、生長期及成熟期選取相應(yīng)特征指數(shù),，提出一種多物候特征指數(shù)的冬小麥識(shí)別方法，并對(duì)2020年焦作市的冬小麥面積進(jìn)行提取,。通過對(duì)不同物候期,、不同分類方法下的結(jié)果進(jìn)行對(duì)比，結(jié)果表明：在物候期的選擇上,，加入越冬期后,，隨機(jī)森林與支持向量機(jī)分類的總體精度與Kappa系數(shù)呈現(xiàn)不同程度的提升，均方根誤差（RMSE）分別減小19.3%和9.8%,，提取冬小麥面積的誤差百分比分別降低8.64,、4.42個(gè)百分點(diǎn)。在不同分類方法上,，隨機(jī)森林相較于支持向量機(jī),、最小距離,，分類的總體精度與Kappa系數(shù)更高,。相較于支持向量機(jī)，隨機(jī)森林分類的RMSE減小19.6%,。相較于單一特征指數(shù),，基于隨機(jī)森林的多物候特征指數(shù)分類的總體精度，Kappa系數(shù)更高,，RMSE為1.84×103hm2,，比單一特征指數(shù)減小33.6%，提取冬小麥面積的誤差百分比減小7.14個(gè)百分點(diǎn),。

摘要:無人機(jī)多光譜遙感用于冬小麥產(chǎn)量預(yù)測中捕獲的數(shù)據(jù)準(zhǔn)確性不高，為指導(dǎo)田塊尺度下冬小麥產(chǎn)量的精準(zhǔn)預(yù)測,，需構(gòu)建高精度的冬小麥產(chǎn)量估算模型,。本研究利用校正后的近地面高光譜數(shù)據(jù)（Field-Spec 3型野外光譜儀獲取）驗(yàn)證低空無人機(jī)多光譜遙感數(shù)據(jù)（大疆精靈4型多光譜相機(jī)獲?。?，將通過無人機(jī)多光譜影像計(jì)算的植被指數(shù)與經(jīng)驗(yàn)統(tǒng)計(jì)方法結(jié)合，采用一元回歸和多元線性回歸分別對(duì)抽穗期,、開花期和灌漿期冬小麥進(jìn)行基于單一植被指數(shù)和多植被指數(shù)組合的產(chǎn)量估算,，其中多植被指數(shù)包括歸一化差異植被指數(shù)（NDVI）、優(yōu)化的土壤調(diào)節(jié)植被指數(shù)（OSAVI）,、綠色歸一化差值植被指數(shù)（GNDVI）,、葉片葉綠素指數(shù)（LCI）和歸一化差異紅色邊緣指數(shù)（NDRE）。結(jié)果表明,，基于單一植被指數(shù)的冬小麥估產(chǎn)模型,，一元二次回歸模型精度最高，而基于5種植被指數(shù)的多元線性回歸模型在3個(gè)生育時(shí)期的擬合效果均優(yōu)于單植被指數(shù)模型,。一元或多元回歸模型在抽穗期的擬合效果最好,。冬小麥基于GNDVI指數(shù)的一元二次回歸估產(chǎn)模型建模集的決定系數(shù)（R2）、均方根誤差（RMSE）分別為0.69,、428.91kg/hm2,，驗(yàn)證集的R2、RMSE,、相對(duì)均方根誤差（RRMSE）分別為0.76,、418.14kg/hm2、11.56%,?；?種植被指數(shù)組合的多元線性回歸估產(chǎn)模型建模集的R2、RMSE分別為0.80,、340.14kg/hm2,，驗(yàn)證集的R2、RMSE,、RRMSE分別為0.69,、466.75kg/hm2、12.90%,。綜上所述,，大疆精靈4型多光譜相機(jī)捕獲的數(shù)據(jù)在估算冬小麥產(chǎn)量方面具有廣闊的應(yīng)用前景；冬小麥產(chǎn)量估算的最適模型為基于抽穗期多植被指數(shù)組合建立的多元線性回歸模型,。

摘要:葉片鉀含量（Leaf potassium content,LKC）是表征作物鉀素營養(yǎng)狀況的重要指標(biāo),，高效準(zhǔn)確地獲取馬鈴薯LKC有助于精準(zhǔn)農(nóng)業(yè)施肥管理,。本研究旨在通過結(jié)合馬鈴薯關(guān)鍵生育期RGB影像提取的植被指數(shù)(VIs)和植被覆蓋度（FVC）,提高馬鈴薯關(guān)鍵生育期LKC估算的準(zhǔn)確性。首先從馬鈴薯塊莖形成期（S1）,、塊莖增長期（S2）和淀粉積累期（S3）的RGB影像中提取VIs和FVC,，然后分別分析每個(gè)生育期VIs和FVC與馬鈴薯LKC的相關(guān)性，最后利用支持向量機(jī)（Support vector machine, SVM）,、Lasso回歸(Least absolute shrinkage and selection operator, Lasso)和嶺回歸構(gòu)建馬鈴薯LKC的估算模型,。結(jié)果表明：基于RGB影像提取的馬鈴薯FVC精度較高，且前兩個(gè)生育期高于第3個(gè)生育期,；利用VIs估算馬鈴薯LKC是可行的,，但精度有待進(jìn)一步提高； VIs結(jié)合FVC可以提高馬鈴薯LKC的估算精度,。本研究可為作物生長和鉀素營養(yǎng)狀況監(jiān)測提供技術(shù)參考,。

摘要:茶樹的冠層信息是茶樹田間管理的重要內(nèi)容，也是茶葉機(jī)械化作業(yè)機(jī)具設(shè)計(jì)的重要依據(jù),。針對(duì)傳統(tǒng)的作物冠層信息獲取方法費(fèi)時(shí)費(fèi)力,、主觀性強(qiáng)且易造成損傷等問題，提出了一種茶樹冠層高度和輪廓的獲取與估計(jì)方法,。首先,，通過3D LiDAR從多個(gè)站點(diǎn)采集茶園的點(diǎn)云數(shù)據(jù)，對(duì)原始點(diǎn)云進(jìn)行姿態(tài)矯正,、ROI劃分、配準(zhǔn),、降噪以及高程歸一化預(yù)處理,，得到高程歸一化的茶樹點(diǎn)云。其次,，通過反距離權(quán)重插值法,、不規(guī)則三角網(wǎng)插值法在不同空間分辨率下生成茶樹的冠層高度模型（Canopy height model, CHM）,，其中，空間分辨率0.05m下不規(guī)則三角網(wǎng)插值生成的茶樹CHM具有較好的插值精度,，模型產(chǎn)生的凹坑也相對(duì)較少,。最后，分別以90~100間的21個(gè)百分位數(shù)提取CHM的柵格值作為茶樹冠層高度與實(shí)測值比較,，結(jié)果表明,，第98.5百分位數(shù)時(shí)估計(jì)值最為準(zhǔn)確，與真值間的相關(guān)系數(shù)為0.88,，平均絕對(duì)誤差為3.17cm,，均方根誤差為4.16cm。此外,，在高程歸一化的茶樹點(diǎn)云中提取20處冠層斷面點(diǎn)云,，分別采用橢圓模型、高斯模型和二次多項(xiàng)式模型擬合了冠層輪廓點(diǎn)云,，其中,，二次多項(xiàng)式模型能更好地反映茶樹冠層輪廓特征，點(diǎn)云與擬合曲線間平均最小距離的均值為2.60cm,，方差為0.21cm2,。研究可為茶園現(xiàn)代化管理和茶葉機(jī)械化作業(yè)機(jī)具的設(shè)計(jì)提供理論支持。

摘要:針對(duì)實(shí)際稻田環(huán)境中水稻與雜草相互遮擋,、難以準(zhǔn)確區(qū)分的問題，提出一種基于改進(jìn)DeepLabv3+的水稻雜草識(shí)別方法,。以無人機(jī)航拍的復(fù)雜背景下稻田雜草圖像為研究對(duì)象,，在DeepLabv3+模型的基礎(chǔ)上，選擇輕量級(jí)網(wǎng)絡(luò)MobileNetv2作為主干特征提取網(wǎng)絡(luò),，以減少模型參數(shù)量和降低計(jì)算復(fù)雜度,；融合通道和空間雙域注意力機(jī)制模塊，加強(qiáng)模型對(duì)重要特征的關(guān)注,；提出一種基于密集采樣的多分支感受野級(jí)聯(lián)融合結(jié)構(gòu)對(duì)空洞空間金字塔池化模塊（ASPP）進(jìn)行改進(jìn),，擴(kuò)大對(duì)全局和局部元素特征的采樣范圍；對(duì)模型解碼器部分進(jìn)行改進(jìn),。設(shè)置消融試驗(yàn)驗(yàn)證改進(jìn)方法的有效性,，并與改進(jìn)前DeepLabv3+、UNet,、PSPNet,、HrNet模型進(jìn)行對(duì)比試驗(yàn),。試驗(yàn)結(jié)果表明，改進(jìn)后模型對(duì)水稻田間雜草的識(shí)別效果最佳,，其平均交并比（MIoU）,、平均像素準(zhǔn)確率（mPA）、F1值分別為90.72%,、95.67%,、94.29%，較改進(jìn)前模型分別提高3.22,、1.25,、2.65個(gè)百分點(diǎn)；改進(jìn)后模型內(nèi)存占用量為11.15MB,，約為原模型的1/19,，網(wǎng)絡(luò)推算速度為103.91f/s。結(jié)果表明改進(jìn)后模型能夠?qū)崿F(xiàn)復(fù)雜背景下水稻與雜草分割,，研究結(jié)果可為無人機(jī)精準(zhǔn)施藥提供技術(shù)支撐,。

摘要:水稻籽粒檢測在糧食儲(chǔ)存中凸顯重要作用,，直接影響糧食銷售的價(jià)格。針對(duì)一般機(jī)器視覺檢測算法在水稻籽粒小目標(biāo)的密集場景下存在難以識(shí)別且網(wǎng)絡(luò)模型參數(shù)大,，檢測速度較慢,、成本高等問題，提出一種基于YOLO v7優(yōu)化的水稻籽粒檢測算法,。首先將部分高效聚合網(wǎng)絡(luò)模塊(Efficient layer aggregation network,ELAN)替換成輕量級(jí)網(wǎng)絡(luò)模塊GhostNetV2添加到主干及頸部網(wǎng)絡(luò)部分,，實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)精簡化的同時(shí)也減少了通道中的特征冗余；其次將卷積和自注意力結(jié)合的注意力模塊(Convolution and self-attention mixed model,ACmix)添加到MP模塊中,，平衡全局和局部的特征信息,，充分關(guān)注特征映射的細(xì)節(jié)信息；最后使用WIoU(Wise intersection over union)作為損失函數(shù),，減少了距離,、縱橫比之類的懲罰項(xiàng)干擾，單調(diào)聚焦機(jī)制的設(shè)計(jì)提高了模型的定位性能,。在水稻籽粒圖像數(shù)據(jù)集上驗(yàn)證改進(jìn)后的模型檢測水平,，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的YOLO v7模型的[email protected]達(dá)96.55%,，[email protected]：0.95達(dá)70.10%,，訓(xùn)練模型參數(shù)量也有所下降，在實(shí)際場景以暗黑色為背景的水稻雜質(zhì)檢測中的效果優(yōu)于其他模型,，滿足了水稻籽粒的實(shí)時(shí)檢測要求,，可將此算法應(yīng)用于自動(dòng)化檢測糧食系統(tǒng)中。

摘要:番茄圖像中多類別目標(biāo)的準(zhǔn)確識(shí)別是實(shí)現(xiàn)自動(dòng)化采摘的技術(shù)前提,，針對(duì)現(xiàn)有網(wǎng)絡(luò)分割精度低、模型參數(shù)多的問題,，提出一種基于改進(jìn)DeepLabv3+的番茄圖像多類別分割方法,。該方法使用幻象網(wǎng)絡(luò)(GhostNet)和坐標(biāo)注意力模塊(Coordinate attention，CA)構(gòu)建CA-GhostNet作為DeepLabv3+的主干特征提取網(wǎng)絡(luò),，減少網(wǎng)絡(luò)的參數(shù)量并提高模型的分割精度,，并設(shè)計(jì)了一種多分支解碼結(jié)構(gòu)，用于提高模型對(duì)小目標(biāo)類別的分割能力,。在此基礎(chǔ)上,，基于單、雙目小樣本數(shù)據(jù)集使用合成數(shù)據(jù)集的權(quán)值參數(shù)進(jìn)行遷移訓(xùn)練,，對(duì)果實(shí),、主干、側(cè)枝,、吊線等8個(gè)語義類別進(jìn)行分割,。結(jié)果表明，改進(jìn)的DeepLabv3+模型在單目數(shù)據(jù)集上的平均交并比（MIoU）和平均像素準(zhǔn)確率（MPA）分別為68.64%,、78.59%,，在雙目數(shù)據(jù)集上的MIoU和MPA分別達(dá)到73.00%、80.59%,。此外,，所提模型內(nèi)存占用量僅為18.5MB，單幅圖像推理時(shí)間為55ms,，與基線模型相比,，在單、雙目數(shù)據(jù)集上的MIoU分別提升6.40,、6.98個(gè)百分點(diǎn),，與HRNet、UNet、PSPNet相比,，內(nèi)存占用量壓縮82%,、79%、88%,。該研究可為番茄采摘機(jī)器人的智能采摘和安全作業(yè)提供參考,。

摘要:針對(duì)我國作物品種種類多,，資源信息規(guī)范性差，模型訓(xùn)練精度低等問題,，本文以小麥,、水稻、玉米,、大豆,、棉花、花生,、油菜7種作物為對(duì)象,，以品種、形態(tài),、產(chǎn)量和品質(zhì)等參數(shù)為指標(biāo),，構(gòu)建了83個(gè)品種實(shí)體，采用人工標(biāo)注方法,，通過融合對(duì)抗訓(xùn)練技術(shù),，提出了農(nóng)作物品種信息抽取4層網(wǎng)絡(luò)模型(BERT-PGD-BiLSTM-CRF)。模型基于深層雙向Transformer構(gòu)建的BERT(Bidirectional encoder representation from transformers)模型作為預(yù)訓(xùn)練模型獲取字詞語義表示,，使用PGD(Projected gradient descent)對(duì)抗訓(xùn)練方法為樣本增加擾動(dòng),，提高模型魯棒性和泛化性，利用雙向長短期記憶網(wǎng)絡(luò) (Bidirectional long short-term memory, BiLSTM)學(xué)習(xí)長距離文本信息,，結(jié)合條件隨機(jī)場(Conditional random field,CRF)學(xué)習(xí)標(biāo)簽約束信息,。對(duì)比18個(gè)不同信息抽取模型的訓(xùn)練效果，結(jié)果表明,，本研究提出的BERT-PGD-BiLSTM-CRF模型精確率為95.4%,、召回率為97.0%、F1值為96.2%,，說明利用對(duì)抗訓(xùn)練技術(shù)的BERT-PGD-BiLSTM-CRF模型能夠有效對(duì)作物品種信息進(jìn)行抽取,，同時(shí)也為農(nóng)業(yè)信息抽取提供了技術(shù)參考。

摘要:將內(nèi)嵌有ToF相機(jī),、面陣相機(jī)及IMU的智能手機(jī)作為硬件系統(tǒng),，RGB-D SLAM技術(shù)實(shí)時(shí)獲取的深度圖,、位姿等為數(shù)據(jù)源，構(gòu)建了RGB-D SLAM增強(qiáng)現(xiàn)實(shí)楞堆原木檢尺系統(tǒng),。首先設(shè)計(jì)了基于ToF影像實(shí)時(shí)估計(jì)RGB影像像素深度的方法,，實(shí)現(xiàn)對(duì)待測原木端面幾何坐標(biāo)的初步估計(jì)；其次,，設(shè)計(jì)了散形分區(qū)去噪算法實(shí)現(xiàn)原木端面點(diǎn)云的精確過濾,，設(shè)計(jì)了原木端面曲率估計(jì)算法實(shí)現(xiàn)對(duì)過濾點(diǎn)云可靠性判別；然后,，基于PCA等算法實(shí)現(xiàn)原木長,、短直徑方向向量估計(jì)，并基于該向量對(duì)原木長,、短直徑進(jìn)行了估計(jì),；最后，以所構(gòu)建算法為基礎(chǔ)在智能手機(jī)平臺(tái)上搭建了增強(qiáng)現(xiàn)實(shí)楞堆檢尺系統(tǒng),，實(shí)現(xiàn)智能手機(jī)對(duì)原木進(jìn)行實(shí)時(shí)檢尺,、增強(qiáng)現(xiàn)實(shí)場景對(duì)測量結(jié)果實(shí)時(shí)監(jiān)督。新型檢尺系統(tǒng)通過對(duì)6個(gè)楞堆334根原木進(jìn)行了檢尺實(shí)驗(yàn),，以評(píng)估該設(shè)備的測量精度,。結(jié)果顯示：原木平均直徑估計(jì)值的偏差及均方根誤差分別為-0.13cm(-0.35%)及1.05cm(3.34%)；原木徑階化直徑估計(jì)值的偏差及均方根誤差分別為-0.10cm(-0.22%)及1.33cm(4.43%),；原木材積估計(jì)值的偏差及均方根誤差分別為-0.007m3(-0.27%)及0.0939m3(7.23%),；楞堆材積相對(duì)誤差絕對(duì)值均不大于2.23%，所有楞堆總材積相對(duì)誤差為-0.68%,。無論從單根原木還是楞堆角度來看,，材積等測量結(jié)果均無偏且高精度，說明原木檢尺系統(tǒng)是一種可高精度,、高魯棒性實(shí)時(shí)完成楞堆原木檢尺的潛在方案,。

摘要:黃瓜霜霉病由古巴假霜霉病菌孢子通過侵染引起,，嚴(yán)重影響了黃瓜的品質(zhì)和產(chǎn)量,；病菌孢子數(shù)量與病情嚴(yán)重度相關(guān)，因此建立快速,、簡便和高效的病菌孢子定量檢測方法,，實(shí)現(xiàn)黃瓜霜霉病防治關(guān)口前移?；赮OLO v5模型提出了一種基于Faster-NAM-YOLO的黃瓜霜霉病菌孢子定量檢測模型,，該模型首先提出了一種特征提取模塊 C3_Faster，使用C3_Faster替換YOLO v5中的C3模塊,，有效降低了模型參數(shù)計(jì)算量和模型深度,，提升了對(duì)黃瓜霜霉病菌孢子檢測速度和精度；其次在主干網(wǎng)絡(luò)中加入了NAM注意力模塊,，通過應(yīng)用權(quán)重稀疏性懲罰抑制不顯著權(quán)重,，進(jìn)而提高模型的特征提取能力和計(jì)算效率；最后實(shí)現(xiàn)了對(duì)黃瓜霜霉病菌孢子的定量檢測,。實(shí)驗(yàn)結(jié)果表明,，F(xiàn)aster-NAM-YOLO模型在測試集上[email protected]和[email protected]:0.95分別達(dá)到95.80%和60.90%，對(duì)比原始YOLO v5模型分別提升1.80,、1.20個(gè)百分點(diǎn),，較原始YOLO v5模型內(nèi)存占用量和每秒浮點(diǎn)運(yùn)算次數(shù)分別減少5.27MB和1.49×1010；通過與YOLO v3,、THP-YOLO v5,、YOLO v7、YOLO v8,、Faster RCNN,、SSD目標(biāo)檢測模型對(duì)比，F(xiàn)aster-NAM-YOLO在檢測精度,、模型內(nèi)存占用量,、每秒浮點(diǎn)運(yùn)算次數(shù)和推理時(shí)間方面均具有顯著優(yōu)勢；在1200像素×1200像素,、1500像素×1500像素和1800像素×1800像素3種不同分辨率尺度及不同圖像數(shù)量下進(jìn)一步驗(yàn)證了Faster-NAM-YOLO模型具有較強(qiáng)的魯棒性和泛化能力,。

摘要:為實(shí)現(xiàn)作物病害早期識(shí)別,，本文提出一種基于紅外熱成像和改進(jìn)YOLO v5的作物病害早期檢測模型,，以CSPD-arknet為主干特征提取網(wǎng)絡(luò)，YOLO v5 stride-2卷積替換為SPD-Conv模塊,，分別為主干網(wǎng)絡(luò)中的5個(gè)stride-2卷積層和Neck中的2個(gè)stride-2卷積層,，可以提高其準(zhǔn)確性，同時(shí)保持相同級(jí)別的參數(shù)大小,，并向下階段輸出3個(gè)不同尺度的特征層,；為增強(qiáng)建模通道之間的相互依賴性，自適應(yīng)地重新校準(zhǔn)通道特征響應(yīng),，引入SE機(jī)制提升特征提取能力,；為減少模型計(jì)算量，提高模型速度,，引入SPPF,。經(jīng)測試，改進(jìn)后YOLO v5網(wǎng)絡(luò)檢測性能最佳,，mAP為95.7%，相比YOLO v3,、YOLO v4,、SSD和YOLO v5網(wǎng)絡(luò)分別提高4.7、8.8,、19.0,、3.5個(gè)百分點(diǎn)。改進(jìn)后模型相比改進(jìn)前對(duì)不同溫度梯度下的作物病害檢測也有提高,，5個(gè)梯度mAP分別為91.0%,、91.6%、90.4%,、92.6%和94.0%,，分別高于改進(jìn)前3.6、1.5,、7.2,、0.6、0.9個(gè)百分點(diǎn),。改進(jìn)YOLO v5網(wǎng)絡(luò)內(nèi)存占用量為13.755MB,，低于改進(jìn)前基礎(chǔ)模型3.687MB。結(jié)果表明,，改進(jìn)YOLO v5可以準(zhǔn)確快速地實(shí)現(xiàn)病害早期檢測,。

摘要:針對(duì)茶葉病害檢測面臨的病害尺度多變、病害密集與遮擋等諸多問題,，提出了一種多尺度自注意力茶葉病害檢測方法（Multi-scale guided self-attention network,，MSGSN）。該方法首先采用基于VGG16的多尺度特征提取模塊,，以獲取茶葉病害圖像在不同尺度下的局部細(xì)節(jié)特征,，例如紋理和邊緣等，從而有效表達(dá)多尺度的局部特征,。其次,，通過自注意力模塊捕獲茶葉圖像中像素之間的全局依賴關(guān)系，實(shí)現(xiàn)病害圖像全局信息與局部特征之間的有效交互,。最后,，采用通道注意力機(jī)制對(duì)多尺度特征進(jìn)行加權(quán)融合，提升了模型對(duì)病害多尺度特征的表征能力,，使其更加關(guān)注關(guān)鍵特征,，從而提高了病害檢測的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明,，融合多尺度自注意力的茶葉病害檢測方法在背景復(fù)雜,、病害尺度多變等場景下具有更好的檢測效果，平均精度均值達(dá)到92.15%,。該方法可為茶葉病害的智能診斷提供參考依據(jù),。

摘要:為系統(tǒng)分析不同氣候條件,、土壤基礎(chǔ)條件和農(nóng)田管理措施條件下施氮對(duì)棉花產(chǎn)量和水分利用效率的影響，收集了國內(nèi)外已發(fā)表的103篇中英文文獻(xiàn),，篩選其中37篇文獻(xiàn),，共獲得301組產(chǎn)量和127組水分利用效率數(shù)據(jù)?；贛eta分析方法定量分析了不同生產(chǎn)條件下施氮對(duì)棉花產(chǎn)量和水分利用效率的影響,，同時(shí)利用偏相關(guān)分析找出施氮條件下棉花產(chǎn)量和水分利用效率的主要影響因素。結(jié)果表明,，以不施氮為對(duì)照,，施氮能夠顯著提高棉花的產(chǎn)量和水分利用率。在年均降水量200~500mm的地區(qū)施氮對(duì)產(chǎn)量和水分利用率的提高作用最為明顯,，效應(yīng)量分別為34.02%和54.15%,；施氮對(duì)產(chǎn)量和水分利用率的提高作用均隨著日照時(shí)數(shù)的增大而增大,。當(dāng)土壤pH值為6~8時(shí)，施氮對(duì)棉花產(chǎn)量和水分利用效率的提高作用最為明顯,，效應(yīng)量分別為28.52%和24.59%,；在不同土壤質(zhì)地中施氮對(duì)產(chǎn)量和水分利用效率的提高作用均表現(xiàn)為在砂土中效應(yīng)量最大，分別為46.71%和26.29%,；隨著施肥頻次的增加,，施氮對(duì)棉花產(chǎn)量和水分利用率的提高作用逐漸增大；施氮對(duì)產(chǎn)量的提高作用隨灌水量的增加而增加,，對(duì)水分利用率的提高作用隨灌水量的增加呈先增加后降低趨勢,。當(dāng)施氮量為300~450kg/hm2時(shí)，施氮對(duì)產(chǎn)量和水分利用效率的提高作用最為明顯,；當(dāng)種植密度為1.5×105~2.5×105株/hm2時(shí),，施氮對(duì)產(chǎn)量和水分利用效率的促進(jìn)作用最為明顯，效應(yīng)量分別為38.48%和16.46%,。施氮量和土壤pH值是施氮條件下棉花產(chǎn)量的主要影響因子,；施氮量和灌水量是施氮條件下棉花水分利用效率的主要影響因子。本研究結(jié)果可為不同生產(chǎn)條件下棉花實(shí)現(xiàn)高產(chǎn)高效提供參考,。

摘要:針對(duì)氣候變化和種植結(jié)構(gòu)調(diào)整對(duì)黃淮海地區(qū)農(nóng)業(yè)生產(chǎn)作用不明晰的問題,，基于反硝化分解模型（Denitrification-decomposition，DNDC）,，采用情景分析法評(píng)估了氣候與種植結(jié)構(gòu)變化對(duì)黃淮海地區(qū)農(nóng)業(yè)溫室氣體（CO2,、CH4和N2O）排放和灌溉需水量的影響。結(jié)果表明：從1995年到2015年,，研究區(qū)氣候向暖濕化方向發(fā)展,，其中年均最高溫度無顯著變化，年均最低溫度上升0.7℃,，年降水量增長46.5mm,；1995年研究區(qū)玉米、小麥和水稻種植面積分別約為7.9×106,、1.4×107,、2.9×106hm2；2015年3種作物種植面積均增大,，而水稻,、小麥種植比例減小,。氣候變化影響下，黃淮海地區(qū)農(nóng)業(yè)溫室氣體排放增加,，灌溉需水量小幅減小,。與1995年相比，2015年CO2,、CH4,、N2O排放強(qiáng)度分別增長至3730.5、443.2,、5.9kg/hm2,，增幅分別為4.7%、0.8%,、26.2%,，灌溉需水量減小為499.3mm，減幅為6.6%,。種植結(jié)構(gòu)調(diào)整改變溫室氣體排放和灌溉需水量,，黃淮海地區(qū)種植結(jié)構(gòu)演變使CO2、CH4,、N2O排放總量增加至9.9×107,、1.4×106、1.3×105t,，分別增加13.8%,、8.6%、13.3%,，同時(shí),，玉米作為高耗水作物，部分地區(qū)灌溉需水量隨其種植比例的增大而增大,。研究結(jié)果可為黃淮海地區(qū)未來農(nóng)業(yè)節(jié)水減排政策的制定提供理論依據(jù),。

摘要:為解決顆粒在迷宮流道壓力補(bǔ)償式灌水器內(nèi)大量沉積或堵塞以致影響灌水器正常工作的問題,，采用FSI模擬固定墊片變形后，基于CFD-DEM耦合模擬,，經(jīng)試驗(yàn)對(duì)比驗(yàn)證其可靠性后,，設(shè)計(jì)單因素及Box-Behnken響應(yīng)面試驗(yàn)，分析了壓力補(bǔ)償腔內(nèi)副流道截面積,、壓力補(bǔ)償腔出口直徑,、壓力補(bǔ)償腔直徑3個(gè)結(jié)構(gòu)參數(shù)及其交互作用對(duì)灌水器抗堵塞性能的影響,，通過建立回歸模型預(yù)測灌水器顆粒停留率，綜合判斷灌水器的抗堵塞性能,。結(jié)果表明：副流道截面積由0.018mm2提升至0.054mm2時(shí),，顆粒停留率降低5.09個(gè)百分點(diǎn)；壓力補(bǔ)償腔出口直徑由1.4mm下降至0.8mm時(shí),，顆粒停留率降低2.87個(gè)百分點(diǎn),；且顆粒沉積受副流道截面積和壓力補(bǔ)償腔出口直徑、副流道截面積和壓力補(bǔ)償腔直徑兩種交互作用影響顯著,，交互影響下顆粒停留率最低為7.67%,。擬合出顆粒停留率與壓力補(bǔ)償腔內(nèi)副流道截面積、壓力補(bǔ)償腔出口直徑,、壓力補(bǔ)償腔直徑3個(gè)結(jié)構(gòu)參數(shù)的回歸方程,，可用于評(píng)判和預(yù)測灌水器抗堵塞性能，且推薦了一組副流道面積為0.051mm2,、壓力補(bǔ)償腔出口直徑為0.894mm,、壓力補(bǔ)償腔直徑為 6.923mm的最優(yōu)抗堵塞參數(shù)組合。通過研究壓力補(bǔ)償式灌水器堵塞機(jī)理,，建立了能預(yù)測顆粒停留率的評(píng)判模型,，降低了灌水器堵塞概率，提高了其穩(wěn)定灌水時(shí)長,，可為該類型灌水器抗堵塞性能設(shè)計(jì)提供理論支持,。

摘要:為及時(shí)獲取大田作物根區(qū)土壤含水率（Soil moisture content, SMC），實(shí)現(xiàn)精準(zhǔn)灌溉,，運(yùn)用高光譜技術(shù),，通過連續(xù)2年（2019—2020年）田間試驗(yàn)采集了冬小麥拔節(jié)期不同土層深度SMC及高光譜數(shù)據(jù)，構(gòu)建了3類植被指數(shù)（藍(lán),、黃和紅邊面積等三邊光譜參數(shù),，與冬小麥根區(qū)SMC相關(guān)性最高的任意兩波段植被指數(shù)和前人研究與作物參數(shù)相關(guān)性較好的經(jīng)驗(yàn)植被指數(shù)）并篩選與各土層深度SMC相關(guān)系數(shù)最高的植被指數(shù)，隨后將篩選后的植被指數(shù)作為模型輸入,，分別采用隨機(jī)森林（Random forest,，RF）、反向神經(jīng)網(wǎng)絡(luò)（Back propagation neural network,，BPNN）和極限學(xué)習(xí)機(jī)（Extreme learning machine,，ELM）構(gòu)建冬小麥拔節(jié)期不同土層深度SMC估算模型,。結(jié)果表明，絕大部分三邊參數(shù),、任意兩波段植被指數(shù)和經(jīng)驗(yàn)植被指數(shù)在深度0~20cm土層的SMC相關(guān)系數(shù)較20~40cm和40~60cm更高,，在深度0~20cm土層兩波段組合構(gòu)建的光譜指數(shù)與SMC的相關(guān)系數(shù)最高，均超過0.8,，其中RI與SMC的相關(guān)系數(shù)最高,，為0.851，其波長組合為675nm和695nm,。RF模型是SMC的最佳建模方法,，其中深度0~20cm土層的模型精度最高，估算模型驗(yàn)證集的決定系數(shù)R2達(dá)0.909,，均方根誤差（RMSE）為0.008,，平均相對(duì)誤差（MRE）為3.949%。本研究結(jié)果可為高光譜監(jiān)測冬小麥根區(qū)SMC提供依據(jù),，為快速評(píng)估水分脅迫下的作物生長提供應(yīng)用參考,。

摘要:穴盤育苗中劣質(zhì)缽苗會(huì)影響后期種苗移栽成活率,，現(xiàn)有機(jī)械式剔除存在顆粒散落遺漏現(xiàn)象,，而氣吸式剔除方式則可以很好地彌補(bǔ)這一缺陷。為解析缽苗基質(zhì)氣吸式剔除的機(jī)理,，本文開展離散元仿真的參數(shù)標(biāo)定試驗(yàn),。選取100g基質(zhì)進(jìn)行粒徑分布檢測，采用漏斗靜置,，基于圖像處理獲取基質(zhì)兩側(cè)實(shí)際堆積角,，通過Plackett-Burman實(shí)驗(yàn)確定影響基質(zhì)堆積角的4個(gè)因素；通過最陡爬坡實(shí)驗(yàn)確定顯著因素最大響應(yīng)區(qū)域,；依據(jù)Box-Behnken實(shí)驗(yàn)建立二階回歸模型并求解最佳參數(shù)組合,。結(jié)果表明，在不顯著因素取中間值時(shí),，當(dāng)基質(zhì)顆粒-顆粒碰撞恢復(fù)系數(shù)為0.142,、基質(zhì)顆粒-顆粒滾動(dòng)摩擦因數(shù)為0.097、基質(zhì)顆粒-不銹鋼靜摩擦因數(shù)為0.223和基質(zhì)JKR表面能為2.325J/m2時(shí),，所得仿真堆積角φ為33.4°,，與實(shí)際堆積角θ為34.19°的相對(duì)誤差為2.31%，滿足試驗(yàn)需求，所得標(biāo)定參數(shù)可用于缽苗基質(zhì)的離散元仿真,。

摘要:為解決現(xiàn)有荔枝產(chǎn)地預(yù)冷裝置預(yù)冷速度慢,、能耗高等問題,，設(shè)計(jì)了一種移動(dòng)式荔枝蓄冷噴淋預(yù)冷裝置控制系統(tǒng)，以保障荔枝采后預(yù)冷效果,。該系統(tǒng)主要由STM32主控系統(tǒng),、水泵驅(qū)動(dòng)系統(tǒng)、制冷系統(tǒng)和數(shù)據(jù)采集系統(tǒng)組成,?；赨SART HMI軟件設(shè)計(jì)智能串口屏界面，智能串口屏通過TTL串口與STM32單片機(jī)進(jìn)行串口通信,，能夠完成荔枝噴淋預(yù)冷工作參數(shù)設(shè)置和顯示控制系統(tǒng)運(yùn)行狀態(tài)信息,，實(shí)現(xiàn)對(duì)荔枝噴淋預(yù)冷裝置的精確控制。搭建試驗(yàn)硬件平臺(tái),，以水泵的噴淋流量和單次噴淋時(shí)荔枝載荷為試驗(yàn)因素,，以荔枝的預(yù)冷時(shí)間和均勻度為試驗(yàn)指標(biāo)對(duì)預(yù)冷效果進(jìn)行評(píng)價(jià)。試驗(yàn)結(jié)果表明,，在1/2預(yù)冷時(shí)間（HCT）之前,，當(dāng)噴淋流量超過70L/min時(shí)，噴淋流量對(duì)冷卻速度的影響不大,；在HCT之后,，與70L/min相比，預(yù)冷時(shí)間分別減少170s（90L/min）,、260s（110L/min）,、262s（130L/min），因此,，當(dāng)噴淋流量超過110L/min時(shí),，增加噴淋流量對(duì)荔枝降溫速率影響不大；對(duì)不同載荷荔枝進(jìn)行試驗(yàn)發(fā)現(xiàn),，當(dāng)荔枝載荷大于50kg時(shí)，增加荔枝載荷對(duì)荔枝降溫速率影響較大,；當(dāng)荔枝載荷為50kg時(shí),，荔枝預(yù)冷完成后的均勻度會(huì)隨著噴淋流量的增加先變大后減小；當(dāng)噴淋流量為90L/min時(shí),，荔枝預(yù)冷完成后的均勻度會(huì)隨著荔枝載荷的增加先變大后趨于穩(wěn)定,。研究結(jié)果可為荔枝噴淋預(yù)冷裝置控制系統(tǒng)優(yōu)化，實(shí)現(xiàn)荔枝采后快速預(yù)冷,，保障荔枝采后品質(zhì)提供幫助,。

摘要:針對(duì)現(xiàn)有果蔬農(nóng)產(chǎn)品供應(yīng)鏈中存在的上下游區(qū)塊鏈間追溯數(shù)據(jù)差異化,、細(xì)粒度共享困難以及數(shù)據(jù)隱私保護(hù)等問題,，通過分析果蔬農(nóng)產(chǎn)品供應(yīng)鏈各環(huán)節(jié)業(yè)務(wù)流程，在果蔬農(nóng)產(chǎn)品質(zhì)量安全追溯場景下,，提出了一種支持異構(gòu)多鏈的基于屬性的果蔬跨鏈追溯訪問控制模型,。該模型利用基于中繼鏈的跨鏈技術(shù)將跨鏈信息標(biāo)準(zhǔn)化從而實(shí)現(xiàn)異構(gòu)多鏈之間的跨鏈通信，并結(jié)合果蔬跨鏈追溯需求,，采用基于ABAC(Attribute-based access control)的訪問控制模型實(shí)現(xiàn)對(duì)數(shù)據(jù)資源靈活,、細(xì)粒度訪問控制。為驗(yàn)證模型有效性,，利用BitXHub中繼鏈技術(shù)在Hyperledger Fabric和Ethereum構(gòu)成的異構(gòu)鏈中實(shí)現(xiàn)跨鏈數(shù)據(jù)訪問,，在跨鏈合約中實(shí)現(xiàn)基于屬性的訪問控制流程，構(gòu)建出果蔬追溯跨鏈訪問控制模型的原型系統(tǒng),。系統(tǒng)測試結(jié)果表明,，中繼鏈處理跨鏈交易的發(fā)送率平均最高值分別約為600筆/s和400筆/s，策略判定時(shí)間不會(huì)隨著策略數(shù)目的增加而有較大波動(dòng),，基本穩(wěn)定在2000ms左右,，能夠滿足果蔬供應(yīng)鏈在異構(gòu)區(qū)塊鏈之間跨鏈數(shù)據(jù)差異化、細(xì)粒度共享的需求,，也保證了數(shù)據(jù)共享過程中的數(shù)據(jù)隱私性

摘要:花生油在生產(chǎn)過程中極易受到黃曲霉毒素B1（Aflatoxin B1, AFB1）的污染,。針對(duì)AFB1的傳統(tǒng)檢測方法操作繁瑣、時(shí)效性差等問題,，利用熒光光譜技術(shù)快速檢測花生油中AFB1含量,。首先通過三維熒光光譜確定最佳激發(fā)波長，使用K-means和自組織映射（Self organizing map, SOM）聚類算法對(duì)花生油中AFB1含量進(jìn)行超標(biāo)與否的定性鑒別，準(zhǔn)確率均達(dá)95%以上,；其次使用2種預(yù)處理算法和2種降維算法,，選出競爭自適應(yīng)重加權(quán)采樣（Competitive adaptive reweighted sampling, CARS）為最佳的波長選擇方法；隨后將回聲狀態(tài)網(wǎng)絡(luò)（Echo state network, ESN）用于AFB1的定量建模,，同時(shí)與其他模型作比較,，結(jié)果顯示CARS-ESN模型獲得了最佳AFB1含量預(yù)測效果；最后將麻雀搜索算法（Sparrow search algorithm, SSA）用于對(duì)ESN參數(shù)進(jìn)行尋優(yōu),，最終預(yù)測集決定系數(shù)達(dá)0.984,，均方根誤差達(dá)2.13μg/kg。結(jié)果表明了熒光光譜技術(shù)結(jié)合ESN預(yù)測花生油中AFB1含量的可行性,，為在線檢測食用油中真菌毒素含量系統(tǒng)的開發(fā)提供理論依據(jù),。

摘要:針對(duì)丘陵山區(qū)農(nóng)業(yè)機(jī)械作業(yè)時(shí)的機(jī)身傾角變化大,、工作品質(zhì)和作業(yè)安全性差等問題,，以履帶式作業(yè)機(jī)為研究對(duì)象，設(shè)計(jì)了一種基于“3層車架”的液壓全向調(diào)平系統(tǒng),，并提出了復(fù)合Q學(xué)習(xí)-BP神經(jīng)網(wǎng)絡(luò)-PID（QBP-PID）的全向調(diào)平控制策略,。首先，給出了全向調(diào)平整機(jī)結(jié)構(gòu)方案和工作原理,，在此基礎(chǔ)上,，建立了包含全向調(diào)平系統(tǒng)的履帶式作業(yè)機(jī)整機(jī)動(dòng)力學(xué)模型。然后,，針對(duì)PID控制參數(shù)難以整定的問題,，通過BP神經(jīng)網(wǎng)絡(luò)對(duì)PID控制參數(shù)進(jìn)行實(shí)時(shí)更新，并引入Q學(xué)習(xí)算法對(duì)神經(jīng)網(wǎng)絡(luò)連接權(quán)值進(jìn)行在線更新,，建立了全向調(diào)平復(fù)合QBP-PID控制器,。仿真結(jié)果表明，QBP-PID控制下,，20°橫向調(diào)平時(shí)間為2.8s,，25°縱向調(diào)平時(shí)間為3.2s，相較于PID與BP-PID控制,，減小了調(diào)平時(shí)間,，并且未出現(xiàn)超調(diào)量。最后,，進(jìn)行橫坡路面和縱坡路面的整機(jī)試驗(yàn),，與仿真結(jié)果相比,，橫向和縱向調(diào)平時(shí)間誤差為0.6s和0.4s，且平地路面機(jī)身傾角小于1.5°,，滿足丘陵山區(qū)農(nóng)業(yè)機(jī)械調(diào)平性能需求。

摘要:針對(duì)復(fù)雜環(huán)境下移動(dòng)機(jī)器人路徑規(guī)劃困難的問題,，提出了一種將全局路徑規(guī)劃蟻群算法與局部路徑規(guī)劃人工勢場法相融合的混合型算法,。首先，采用多因素啟發(fā)函數(shù)和新的螞蟻行進(jìn)機(jī)制來解決傳統(tǒng)蟻群算法路徑質(zhì)量差且易陷入對(duì)角障礙的問題,；其次,，針對(duì)傳統(tǒng)蟻群算法收斂速度慢的情況，設(shè)計(jì)了自適應(yīng)揮發(fā)系數(shù)和動(dòng)態(tài)權(quán)重系數(shù),；接著,，通過引入虛擬目標(biāo)點(diǎn)、相對(duì)距離和安全距離的概念,，解決了傳統(tǒng)人工勢場法易陷入局部極小值,、目標(biāo)不可達(dá)以及過度避障的問題；最后,，將改進(jìn)蟻群算法規(guī)劃路徑的轉(zhuǎn)折點(diǎn)作為局部子目標(biāo)點(diǎn)來調(diào)用改進(jìn)的人工勢場法進(jìn)行二次規(guī)劃,。仿真表明改進(jìn)蟻群算法較傳統(tǒng)算法以及其他算法在路徑長度方面優(yōu)化了9.9%和2.0%，在路徑轉(zhuǎn)折次數(shù)方面優(yōu)化了81.8%和63.6%,，在收斂速度方面優(yōu)化了94.2%和63.6%,；改進(jìn)人工勢場法有效解決了自身問題；而以二者為基礎(chǔ)的混合型算法則充分地結(jié)合了二者的優(yōu)勢,，在復(fù)雜的靜態(tài)和動(dòng)態(tài)環(huán)境中具有極高的環(huán)境適應(yīng)性和路徑規(guī)劃效率,。

摘要:針對(duì)含柔性動(dòng)平臺(tái)的空間并聯(lián)機(jī)器人剛?cè)狁詈蠁栴}，基于Bézier三角形與絕對(duì)節(jié)點(diǎn)坐標(biāo)法提出一種高階柔性三角形厚板單元模型和連續(xù)性約束條件,，基于該模型分析動(dòng)平臺(tái)變形狀態(tài)及其對(duì)系統(tǒng)動(dòng)力學(xué)特性的影響,。利用自然坐標(biāo)法與絕對(duì)節(jié)點(diǎn)坐標(biāo)法建立剛?cè)狁詈舷到y(tǒng)動(dòng)力學(xué)模型，通過引入板單元第4個(gè)面積坐標(biāo)的二階梯度來描述厚度方向上的變形并解決泊松閉鎖問題,，結(jié)合廣義α法與牛頓迭代法求解動(dòng)力學(xué)方程,，并對(duì)系統(tǒng)靜力學(xué)模型和動(dòng)力學(xué)模型進(jìn)行仿真分析。結(jié)果表明,，動(dòng)平臺(tái)在運(yùn)動(dòng)過程中產(chǎn)生的周期性凹陷變形對(duì)機(jī)器人空間位姿的影響與機(jī)構(gòu)布局方式,、質(zhì)量分布和負(fù)載作用方式完全一致,，系統(tǒng)剛性構(gòu)件與柔性動(dòng)平臺(tái)的運(yùn)動(dòng)耦合方式符合多體動(dòng)力學(xué)模型的非線性規(guī)律；運(yùn)動(dòng)軌跡誤差低于1.2×10-12mm,，動(dòng)力學(xué)方程和約束方程迭代誤差均小于設(shè)定閾值10-6和10-14,，求解精度能滿足工程應(yīng)用要求；基于不同參數(shù)開展仿真對(duì)比分析,，驗(yàn)證了所述方法的有效性和通用性,。

摘要:為了掌握同時(shí)考慮球面副間隙和三維轉(zhuǎn)動(dòng)副間隙的空間并聯(lián)機(jī)構(gòu)的非線性動(dòng)力學(xué)特性，研究考慮混合間隙的空間并聯(lián)機(jī)構(gòu)多體系統(tǒng)動(dòng)力學(xué)特性分析方法,。首先以4-UPS/RPU空間并聯(lián)機(jī)構(gòu)為研究對(duì)象,，建立三維轉(zhuǎn)動(dòng)副間隙和球面副間隙的模型，推導(dǎo)同時(shí)考慮球面副間隙和三維轉(zhuǎn)動(dòng)副間隙的4-UPS/RPU空間并聯(lián)機(jī)構(gòu)動(dòng)力學(xué)方程,；然后利用龍格庫塔法對(duì)動(dòng)力學(xué)方程進(jìn)行數(shù)值求解,，分析不同間隙類型、間隙,、驅(qū)動(dòng)速度和摩擦因數(shù)對(duì)并聯(lián)機(jī)構(gòu)動(dòng)力學(xué)響應(yīng)的影響,，通過ADAMS虛擬樣機(jī)仿真驗(yàn)證動(dòng)力學(xué)模型和數(shù)值計(jì)算的正確性；最后利用相軌跡圖,、龐加萊映射圖和分岔圖等分析考慮混合間隙的4-〗UPS/RPU并聯(lián)機(jī)構(gòu)的非線性特性,。該研究為考慮混合運(yùn)動(dòng)副間隙的空間并聯(lián)機(jī)構(gòu)動(dòng)力學(xué)建模和非線性動(dòng)力學(xué)特性分析提供了依據(jù)。

摘要:為了解決柔順恒力機(jī)構(gòu)中正剛度模塊的幾何非線性問題,，基于半圓型波紋周期梁設(shè)計(jì)了正剛度模塊，負(fù)剛度模塊采用雙穩(wěn)態(tài)梁,，利用正負(fù)剛度疊加原理設(shè)計(jì)了柔順恒力機(jī)構(gòu),。采用莫爾積分法和柔度矩陣法建立了正剛度模塊的理論模型，采用橢圓積分法建立了負(fù)剛度模塊的理論模型,，并通過ANSYS有限元仿真軟件分析了柔順恒力機(jī)構(gòu)的力-〗位移曲線以驗(yàn)證理論模型,，兩者相對(duì)誤差在10%以內(nèi)。為了擴(kuò)大恒力區(qū)間范圍,，采用響應(yīng)面法對(duì)柔順恒力機(jī)構(gòu)的幾何參數(shù)進(jìn)行優(yōu)化,，并對(duì)影響恒力范圍的幾何參數(shù)進(jìn)行了靈敏度分析。利用3D打印技術(shù)加工柔順恒力機(jī)構(gòu)樣機(jī)進(jìn)行實(shí)驗(yàn)驗(yàn)證,，實(shí)驗(yàn)結(jié)果表明,，機(jī)構(gòu)能在輸入位移1.1~6.2mm的范圍內(nèi)保持約18.8N的恒力,，驗(yàn)證了所設(shè)計(jì)的柔順恒力機(jī)構(gòu)的可行性、優(yōu)化方法的有效性和理論模型的準(zhǔn)確性,。