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:反芻家畜是人類獲得肉、奶等食品的重要來(lái)源,，隨著人們對(duì)其產(chǎn)品產(chǎn)量與品質(zhì)要求的提升,，傳統(tǒng)耗時(shí)耗力且高人工成本的人工監(jiān)管模式已經(jīng)難以滿足規(guī)?；雌c家畜養(yǎng)殖的需要,。反芻家畜行為中蘊(yùn)含著許多身體狀況信息，對(duì)反芻家畜行為的自動(dòng)化監(jiān)測(cè)有助于較早地識(shí)別其異常行為,、評(píng)估其健康水平,、預(yù)警其異常生理狀態(tài),，輔助養(yǎng)殖人員及時(shí)調(diào)整養(yǎng)殖策略，實(shí)現(xiàn)低成本,、高效率和高收益的生產(chǎn)過程,。首先對(duì)反芻家畜基本運(yùn)動(dòng)（躺臥、行走,、站立）,、反芻、進(jìn)食飲水,、跛行等典型行為的監(jiān)測(cè)方法進(jìn)行總體闡述,，然后詳細(xì)分析了識(shí)別反芻家畜發(fā)情、分娩,、疾病,、疼痛狀況的不同特征指標(biāo)以及基于該特征指標(biāo)的生理狀況識(shí)別方法，最后探討了反芻家畜行為監(jiān)測(cè)方法目前存在的一些問題與難點(diǎn),，并指出未來(lái)的研究重點(diǎn)為：優(yōu)化傳感器功耗,、融合多傳感器數(shù)據(jù)、降低數(shù)據(jù)傳輸延時(shí),、減少大規(guī)模數(shù)據(jù)標(biāo)注,、輕量化深度學(xué)習(xí)模型以及深度解析和應(yīng)用數(shù)據(jù)。

摘要:針對(duì)果園作業(yè)機(jī)器人使用單目相機(jī)進(jìn)行遙操作時(shí)，僅用二維視頻獲取環(huán)境信息缺乏臨場(chǎng)感的問題,，設(shè)計(jì)了一套基于臨場(chǎng)感增強(qiáng)的果園環(huán)境信息可視化系統(tǒng),，用于果園機(jī)器人遙操作。系統(tǒng)由計(jì)算服務(wù)器,、云服務(wù)器,、網(wǎng)絡(luò)攝像頭,、激光雷達(dá),、嵌入式開發(fā)平臺(tái)等組成。計(jì)算服務(wù)器采用T7920工作站,，并在其上部署Tensorflow計(jì)算框架和Open3D點(diǎn)云算法庫(kù),，計(jì)算服務(wù)器在接收到云服務(wù)器轉(zhuǎn)發(fā)來(lái)的環(huán)境圖像和點(diǎn)云數(shù)據(jù)后，分別對(duì)圖像進(jìn)行導(dǎo)航信息增強(qiáng),，對(duì)點(diǎn)云進(jìn)行曲面重建,；嵌入式開發(fā)平臺(tái)可以收集來(lái)自于網(wǎng)絡(luò)攝像頭和激光雷達(dá)的原始數(shù)據(jù)，并上傳至云服務(wù)器,；在云服務(wù)器部署了以ZeroMQ為基礎(chǔ)的消息中轉(zhuǎn)程序和HTML5后臺(tái)服務(wù),，提供跨互聯(lián)網(wǎng)的消息通信服務(wù)和可移動(dòng)的遙操作環(huán)境信息可視化服務(wù)。測(cè)試結(jié)果表明,，部署在計(jì)算服務(wù)器的導(dǎo)航信息提取模型平均提取導(dǎo)航線時(shí)間86ms,，提取導(dǎo)航線平均精度16°，均優(yōu)于對(duì)比模型結(jié)果,。點(diǎn)云重建算法可以有效建立場(chǎng)景輪廓,，平均精度4.9cm，平均重建時(shí)間24ms,。壓縮圖像傳輸及增強(qiáng)處理時(shí)延不超過230ms,，點(diǎn)云的傳輸時(shí)延不超過400ms。各項(xiàng)參數(shù)可以滿足遙操作機(jī)器人進(jìn)行果園作業(yè)的基本要求,，相比僅有單目相機(jī)的遙操作,，臨場(chǎng)感明顯增強(qiáng)，可為果園機(jī)器人遙操作提供參考,。

摘要:針對(duì)溫室顛簸不平,、枝葉遮擋道路的復(fù)雜環(huán)境,，開展基于相機(jī)與激光雷達(dá)數(shù)據(jù)融合的機(jī)器人行間導(dǎo)航方法研究,。首先，利用改進(jìn)的U-Net模型實(shí)現(xiàn)圖像道路區(qū)域的準(zhǔn)確快速分割,；其次,，通過融合圖像分割結(jié)果進(jìn)行地面點(diǎn)云預(yù)分割，減少地面起伏造成的點(diǎn)云傾斜,；然后,，采用改進(jìn)的KMeans算法實(shí)現(xiàn)作物行點(diǎn)云快速聚類，并將聚類中心作為作物行主干區(qū)域點(diǎn),，降低枝葉遮擋對(duì)作物行中線提取的影響,；最后，采用RANSAC算法擬合兩側(cè)作物行方程并計(jì)算出導(dǎo)航線,。通過實(shí)驗(yàn)評(píng)估導(dǎo)航線精度,，在測(cè)試集中94%以上數(shù)據(jù)幀可以準(zhǔn)確實(shí)現(xiàn)提取導(dǎo)航線，平均角度誤差不高于1.45°,，滿足溫室機(jī)器人沿作物行自主導(dǎo)航行駛要求,。

摘要:為提高農(nóng)田平整作業(yè)過程中平后區(qū)域田面地形實(shí)時(shí)測(cè)量精度,，本文提出一種農(nóng)田精準(zhǔn)平整過程中三維地形實(shí)時(shí)測(cè)量方法（Real-time 3D terrain measurement, Rt3DTM）。以安裝有GNSS雙天線和姿態(tài)傳感器的支撐輪式旱地平地機(jī)為地形測(cè)量平臺(tái),，利用卡爾曼濾波器融合GNSS與加速度提高定位精度,，通過建立平地鏟運(yùn)動(dòng)學(xué)模型獲得支撐輪底點(diǎn)的車體坐標(biāo)，結(jié)合平地鏟位姿信息對(duì)支撐輪底點(diǎn)進(jìn)行世界坐標(biāo)解算,，并利用最鄰近插值法生成地形圖,。靜態(tài)試驗(yàn)表明，Rt3DTM方法能準(zhǔn)確解算支撐輪底點(diǎn)坐標(biāo),，平面測(cè)量均方根誤差小于10mm,，高程測(cè)量均方根誤差不大于20mm。水泥路面試驗(yàn)結(jié)果表明,，在3組不同車速下測(cè)量同一段水泥路面三維地形,，與真值的高差均方根誤差均小于30mm。田間試驗(yàn)結(jié)果表明,，Rt3DTM測(cè)量的高程均方根誤差為16.5mm,，平整度為16mm，小于30mm的高差分布列為95.8%，相比機(jī)載GNSS測(cè)量方法的均方根誤差準(zhǔn)確性提高29.5%,，平整度準(zhǔn)確性提高11.1%,，高差分布列準(zhǔn)確性提高9.5%。提出的Rt3DTM方法能實(shí)時(shí)準(zhǔn)確地獲取平整作業(yè)過程中平后區(qū)域的地形信息,，為無(wú)人化農(nóng)田平整實(shí)時(shí)路徑規(guī)劃研究提供基礎(chǔ),。

摘要:為解決精準(zhǔn)施肥過程中變比配肥施肥機(jī)械攪拌摻混效率低,、摻混均勻度一致性差等問題，設(shè)計(jì)了一種帶有二次碰撞摻混錐形體的四槽輪變比配肥器,，可根據(jù)4種肥料的需肥量控制4個(gè)槽輪以不同轉(zhuǎn)速排肥,，二次碰撞摻混腔實(shí)現(xiàn)變比配肥的非機(jī)械攪拌均勻摻混,。測(cè)定了4種肥料顆粒的物料特性及在不同含水率條件下的破碎力和粘附力,。采用離散元法，選用Hertz-Mindlin無(wú)滑動(dòng)接觸模型,，分析4種肥料排料運(yùn)動(dòng)和碰撞摻混規(guī)律,。通過正交試驗(yàn)和方差分析，發(fā)現(xiàn)槽輪轉(zhuǎn)速在20～80r/min范圍內(nèi)時(shí),，轉(zhuǎn)速對(duì)摻混偏離度標(biāo)準(zhǔn)差影響不顯著,，四槽輪變比配肥器可以實(shí)現(xiàn)變比配肥均勻摻混；優(yōu)化設(shè)計(jì)二次碰撞摻混錐形體在圓柱形摻混腔內(nèi)最優(yōu)高度為12.1mm,，在此高度下二次碰撞摻混錐形體錐角為57.9°,。利用力鏈分析肥料顆粒在槽輪排肥器工作時(shí)受力分布，解算4種肥料顆粒所受到的擠壓力均小于其破碎力,，變比配肥時(shí)不會(huì)造成肥料顆粒破碎,。另外，利用高速攝影分析不同頻率,、振幅的振動(dòng)對(duì)肥料顆粒碰撞摻混的影響,，發(fā)現(xiàn)振動(dòng)對(duì)碰撞摻混均勻度影響很小,；進(jìn)行變比配肥碰撞摻混試驗(yàn),，試驗(yàn)結(jié)果表明，各組配肥摻混均勻度基本一致,，實(shí)現(xiàn)了多種肥料的變比配肥和非機(jī)械攪拌均勻摻混,。

摘要:玉米播種同步穴施肥是提高肥料利用率的有效手段,，本文針對(duì)現(xiàn)有穴施肥裝置用于精量播種作業(yè)時(shí)種肥相對(duì)位置無(wú)法實(shí)時(shí)檢測(cè)和控制的難題,，設(shè)計(jì)了一種玉米自動(dòng)對(duì)種穴施肥裝置。提出了基于行星輪系的自動(dòng)對(duì)種方法,，在確保種距和肥距相等的前提下實(shí)時(shí)調(diào)節(jié)排種盤和排肥盤相位差,，實(shí)現(xiàn)播種作業(yè)過程中種肥相對(duì)位置的實(shí)時(shí)調(diào)控。通過分析機(jī)具前進(jìn)速度,、排種器排肥器間距,、株距等對(duì)落種落肥位置的影響，得到種肥相對(duì)位置計(jì)算方法,，設(shè)計(jì)了穴施肥自動(dòng)對(duì)種控制算法,。搭建了基于STM32F103的控制系統(tǒng)，并完成硬件系統(tǒng)和軟件系統(tǒng)的設(shè)計(jì),，可完成落種落肥等信息的檢測(cè)和種肥相對(duì)位置的實(shí)時(shí)調(diào)控,。驗(yàn)證試驗(yàn)結(jié)果表明，當(dāng)前進(jìn)速度分別為3,、4,、5、6km/h時(shí),，種肥縱向平均間距分別為8.6,、6.1、11.7,、8.5mm,，滿足對(duì)種穴施肥需求。

摘要:針對(duì)油菜直播地表農(nóng)田土壤物理機(jī)械特性參數(shù)室內(nèi)測(cè)量費(fèi)時(shí)費(fèi)力,、田間測(cè)量?jī)x器功能單一等問題，設(shè)計(jì)了一種油菜直播地表土壤物理機(jī)械特性參數(shù)測(cè)量裝置,，實(shí)現(xiàn)集成測(cè)量土壤含水率,、堅(jiān)實(shí)度、粘聚力和內(nèi)摩擦角4種土壤物理機(jī)械特性參數(shù)且測(cè)量結(jié)果可以通過手機(jī)APP實(shí)時(shí)儲(chǔ)存顯示,。裝置基于自走式移動(dòng)平臺(tái)實(shí)現(xiàn)行走控制,，以STM32單片機(jī)為核心控制器，利用FDR傳感器獲取土壤含水率，通過圓錐貫入部件測(cè)量土壤堅(jiān)實(shí)度和抗剪切強(qiáng)度參數(shù)(包括粘聚力和內(nèi)摩擦角),。分析了裝置的圓錐貫入部件和土壤含水率檢測(cè)部件測(cè)量原理,，設(shè)計(jì)了裝置測(cè)量控制系統(tǒng)硬件電路及軟件，開展了傳感器標(biāo)定試驗(yàn),，確定了柱式壓力傳感器,、薄膜壓力傳感器和土壤水分傳感器的輸入輸出響應(yīng)關(guān)系。選取71個(gè)土壤樣本,，融合土壤含水率和基于圓錐受力平衡關(guān)系獲取的摩擦因數(shù),，運(yùn)用最小二乘法建立了土壤粘聚力和內(nèi)摩擦角數(shù)學(xué)測(cè)量模型，模型決定系數(shù)R2分別為0.932和0.956,。開展了裝置田間測(cè)量試驗(yàn),，對(duì)土壤含水率、堅(jiān)實(shí)度,、粘聚力和內(nèi)摩擦角進(jìn)行集成測(cè)量,，結(jié)果表明：相較于AYD-2型土壤堅(jiān)實(shí)度儀、干燥箱干燥法和ZJ-D型直剪儀測(cè)量結(jié)果,，油菜直播地表土壤物理機(jī)械特性參數(shù)測(cè)量裝置測(cè)量土壤堅(jiān)實(shí)度,、含水率、粘聚力和內(nèi)摩擦角結(jié)果的平均相對(duì)誤差分別為3.34%,、5.06%,、10.40%和8.20%,。研究結(jié)果可為油菜直播地表土壤多個(gè)物理機(jī)械特性參數(shù)的快速,、集成測(cè)量提供技術(shù)參考。

摘要:針對(duì)導(dǎo)苗管式蔬菜缽苗植苗機(jī)構(gòu)高速植苗時(shí)合格率不穩(wěn)定的問題,，設(shè)計(jì)了一種具有扶苗和推苗作用的開溝式多桿植苗機(jī)構(gòu)，并分析了該機(jī)構(gòu)的工作原理,，建立了運(yùn)動(dòng)學(xué)模型,；以運(yùn)動(dòng)學(xué)模型為理論基礎(chǔ)，利用Matlab開發(fā)了植苗機(jī)構(gòu)輔助分析軟件,；結(jié)合缽苗栽植農(nóng)藝要求建立優(yōu)化目標(biāo),，應(yīng)用輔助分析軟件及遺傳算法工具箱優(yōu)化得到滿足要求的最佳機(jī)構(gòu)參數(shù)；以此參數(shù)完成了結(jié)構(gòu)設(shè)計(jì)和三維建模,，并進(jìn)行了虛擬仿真分析,，驗(yàn)證了植苗機(jī)構(gòu)設(shè)計(jì)的正確性；設(shè)計(jì)植苗機(jī)構(gòu)物理樣機(jī)并開展了半自動(dòng)和全自動(dòng)蔬菜缽苗植苗試驗(yàn)。試驗(yàn)結(jié)果表明,，栽植速度不高于90株/min時(shí),，栽植合格率均達(dá)到95%以上；栽植速度為120株/min時(shí),，栽植合格率超過89%,，表明該機(jī)構(gòu)能較好地完成植苗作業(yè)。

摘要:氣吸式排種器可實(shí)現(xiàn)小顆粒種子的精密排種，但芹菜種子球度較小,，且農(nóng)藝要求一穴多粒,，成為芹菜氣吸式排種器精量排種的難點(diǎn)。為此本文基于CFD流體仿真,，結(jié)合多因素,、多水平試驗(yàn)分析及驗(yàn)證等方法，設(shè)計(jì)一種群組吸孔的氣吸式芹菜精量排種器,。以西芹“文圖拉”芹菜種子為研究對(duì)象,，首先，根據(jù)芹菜種子三軸尺寸,，確定吸孔形狀及尺寸,；其次，通過CFD流場(chǎng)仿真研究不同吸孔分布結(jié)構(gòu)下吸孔負(fù)壓并確定群組吸孔數(shù)量,；再次,，通過理論分析推導(dǎo)確定最低吸種負(fù)壓；最后,，以氣室真空度,、種盤轉(zhuǎn)速、吸孔分布結(jié)構(gòu)為試驗(yàn)因素,，以漏播率,、重播率、合格率為試驗(yàn)指標(biāo),，進(jìn)行三因素三水平正交試驗(yàn),。通過極差分析和方差分析確定了影響排種性能的主次因素與最佳參數(shù)組合。結(jié)果表明：氣吸式芹菜精密排種器較優(yōu)組合參數(shù)為氣室真空度-4kPa,、種盤轉(zhuǎn)速20.75r/min,、吸孔分布結(jié)構(gòu)為正等邊三角形,，此時(shí)播種合格率為88.9%，漏播率為5.1%,，重播率為6.0%,。田間試驗(yàn)結(jié)果為：合格率83.48%，重播率9.15%,，漏播率7.37%,。本研究實(shí)現(xiàn)了氣吸式芹菜精密穴播，可為一穴多粒球度較小的小顆粒種子精量排種器設(shè)計(jì)提供參考,。

摘要:針對(duì)現(xiàn)有植苗機(jī)構(gòu)用于小株距蔬菜移栽時(shí)出現(xiàn)的軌跡不合理,、穴口太大及秧苗直立性差等問題，提出一種適用于蔬菜小株距高密度移栽的史蒂芬森（Stephenson）型六連桿植苗機(jī)構(gòu),。首先,，建立史蒂芬森型六連桿植苗機(jī)構(gòu)運(yùn)動(dòng)學(xué)模型，基于Visual Basic 6.0開發(fā)植苗機(jī)構(gòu)輔助分析優(yōu)化設(shè)計(jì)軟件,，分析了不同機(jī)構(gòu)參數(shù)對(duì)植苗軌跡姿態(tài)的影響,，并通過優(yōu)化人機(jī)交互的方式得到一組滿意的機(jī)構(gòu)參數(shù)；其次,，對(duì)植苗機(jī)構(gòu)進(jìn)行結(jié)構(gòu)設(shè)計(jì),，三維建模并進(jìn)行虛擬樣機(jī)仿真，搭建試驗(yàn)臺(tái)并進(jìn)行空轉(zhuǎn)試驗(yàn)得到實(shí)際植苗軌跡,，將理論軌跡,、虛擬仿真軌跡和實(shí)際植苗軌跡進(jìn)行對(duì)比，三者軌跡基本一致,，驗(yàn)證了該植苗機(jī)構(gòu)設(shè)計(jì)的合理性。最后開展了植苗試驗(yàn),，在轉(zhuǎn)速20~40r/min下進(jìn)行植苗試驗(yàn)時(shí),，植苗平均合格率91.7%，移栽后缽苗株距控制在110mm左右,，直立度接近于90°,，滿足小株距高密度移栽要求，驗(yàn)證了植苗機(jī)構(gòu)具有較好的可行性和實(shí)用性,。

摘要:針對(duì)丘陵山區(qū)前胡種植使用除草機(jī)時(shí)存在草土不分離導(dǎo)致雜草復(fù)生、碎石飛射傷人的問題,，設(shè)計(jì)了一款拋推組合式草土分離除草機(jī),。對(duì)稱螺旋結(jié)構(gòu)的除草輪將土推向兩側(cè)，避免碎石飛射傷人,。刀齒將雜草拋向后方實(shí)現(xiàn)草土分離,，防止雜草復(fù)生。螺旋結(jié)構(gòu)除草輪采用中軸對(duì)稱左右旋向相反布置,，使得碎石沿軸向兩邊飛離,，有效防止碎石飛射傷到后方機(jī)手。通過理論分析確定除草輪的齒形,、齒數(shù),，分別進(jìn)行除草輪在雜草-土壤、碎石-土壤模型中的運(yùn)動(dòng)分析,。使用EDEM和ANSYS耦合仿真,，驗(yàn)證其工作性能和物理性能。通過田間試驗(yàn),，驗(yàn)證除草輪能夠?qū)崿F(xiàn)草土分離,，得出機(jī)具的最佳工作參數(shù)為：除草輪轉(zhuǎn)速13r/s、前進(jìn)速度400mm/s,、除草深度35mm,，平均除凈率為86.7%。

摘要:為解決高酸蘋果收獲過程中的效率低,、果實(shí)摘凈率低,、損傷率高等問題，根據(jù)我國(guó)青島地區(qū)高酸蘋果實(shí)際收獲需要,，設(shè)計(jì)了一種液壓控制的高酸蘋果振動(dòng)式采摘機(jī),。基于振動(dòng)式采摘機(jī)工作原理,，完成振動(dòng)采摘裝置,、激振裝置,、液壓控制系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)，計(jì)算分析夾持鉗對(duì)樹干的夾持力為7254N,，夾持鉗夾持高度范圍為12～103cm,。建立高酸蘋果果實(shí)-樹枝單擺動(dòng)力學(xué)模型，分析果實(shí)脫落條件,，得到果實(shí)振動(dòng)微分方程,，確定振動(dòng)頻率、振幅,、夾持高度為采摘效果主要影響因素,；利用ANSYS軟件對(duì)果樹模型進(jìn)行自由模態(tài)響應(yīng)與諧響應(yīng)仿真分析，結(jié)果表明：振動(dòng)頻率9～12Hz,、振幅1～2cm,、夾持高度40～70cm時(shí)，三級(jí),、最次級(jí)樹枝位移最明顯,。為確定采摘機(jī)最優(yōu)工作參數(shù)，進(jìn)行三因素三水平組合田間試驗(yàn),，得到果實(shí)摘凈率,、果實(shí)損傷率的回歸模型，利用Design-Expert軟件對(duì)試驗(yàn)數(shù)據(jù)和回歸模型響應(yīng)曲面進(jìn)行分析優(yōu)化,，當(dāng)振動(dòng)頻率為10.0Hz,、振幅為1.6cm、夾持高度為58.7cm時(shí),，果實(shí)摘凈率為95.9%,、果實(shí)損傷率為1.3%，滿足高酸蘋果采收的質(zhì)量要求,。

摘要:針對(duì)現(xiàn)有油菜薹收獲機(jī)械匱乏,，人工采摘效率低,、成本高等問題，結(jié)合油菜薹生物學(xué)特性與農(nóng)藝要求,，研制了一種自走式油菜薹收獲機(jī)，可實(shí)現(xiàn)自走,、自動(dòng)升降,、莖葉統(tǒng)收,，一次性完成油菜薹切割、輸送與收集等工序,?；趧?dòng)力學(xué)與運(yùn)動(dòng)學(xué)分析了油菜薹收獲切割、輸送及收集過程,，得出了影響收獲效率的主要因素,，開展了切割裝置、撥禾裝置,、輸送裝置,、割臺(tái)雙升降系統(tǒng)的設(shè)計(jì)與參數(shù)分析。以前進(jìn)速度,、切割線速度,、輸送帶線速度及撥禾輪轉(zhuǎn)速為因素，油菜薹收獲漏割率,、輸送失敗率及莖葉破損率為評(píng)價(jià)指標(biāo),，開展了二次回歸正交旋轉(zhuǎn)臺(tái)架試驗(yàn)，應(yīng)用綜合評(píng)分法確定了最優(yōu)作業(yè)參數(shù)組合為：前進(jìn)速度0.56m/s,、切割線速度0.50m/s,、輸送帶線速度0.79m/s、撥禾輪轉(zhuǎn)速49.70r/min,，在最優(yōu)參數(shù)組合下,，油菜薹收獲效果較優(yōu)。田間試驗(yàn)結(jié)果表明收獲機(jī)作業(yè)后割茬整齊,，在最佳參數(shù)組合下,，漏割率為4.28%，輸送失敗率為3.42%,，莖葉破損率為6.39%,，可滿足油菜薹實(shí)際生產(chǎn)需求。

摘要:跨式油茶果收獲機(jī)在丘陵山地作業(yè)時(shí)需要較大的牽引力，且要求行走平穩(wěn),。本文基于機(jī)液聯(lián)合仿真技術(shù)對(duì)跨式油茶果收獲機(jī)底盤行走液壓系統(tǒng)進(jìn)行設(shè)計(jì),，以達(dá)到動(dòng)力匹配及行走性能較優(yōu)的目的。在RecurDyn軟件中建立了跨式收獲機(jī)履帶底盤虛擬樣機(jī)模型,，采用諧波疊加法構(gòu)建了B級(jí)路面譜,，仿真分析了跨式履帶底盤直線行駛和差速轉(zhuǎn)向的動(dòng)力學(xué)特性,。通過AMESim與RecurDyn軟件對(duì)收獲機(jī)行走系統(tǒng)進(jìn)行機(jī)液聯(lián)合仿真，研究底盤在直線行駛與差速轉(zhuǎn)向工況時(shí)行走馬達(dá)液壓特性,。研制了全液壓驅(qū)動(dòng)的跨式油茶果收獲機(jī),，進(jìn)行了地面直線行駛與差速轉(zhuǎn)向測(cè)試，結(jié)果表明：底盤直線行駛偏移率為1.7%,；直線行駛時(shí),，行走馬達(dá)流量穩(wěn)定在23L/min，壓力穩(wěn)定在1.5MPa,；差速轉(zhuǎn)向時(shí),，行走馬達(dá)流量穩(wěn)定在22L/min，壓力在2~12MPa范圍內(nèi)波動(dòng),，驗(yàn)證了跨式履帶底盤行走液壓系統(tǒng)的穩(wěn)定性,。

摘要:針對(duì)油莎豆機(jī)械化收獲過程中塊莖（果）與土壤草團(tuán)（雜質(zhì)）分離不徹底導(dǎo)致收獲損失率與含雜率較高的問題,，設(shè)計(jì)了一種雙層滾筒篩式果雜分離裝置，通過理論分析確定了該裝置的主要結(jié)構(gòu)參數(shù)與工作參數(shù),。建立了分離裝置-收獲物料互作的EDEM-MBD耦合仿真模型,，以雙層滾筒篩轉(zhuǎn)速、分離螺旋輸送器轉(zhuǎn)速,、柔性齒段長(zhǎng)度為試驗(yàn)因素,，以塊莖分離率和含雜率為試驗(yàn)指標(biāo)，依據(jù)Box-Behnken試驗(yàn)原理開展三因素三水平仿真試驗(yàn),。對(duì)試驗(yàn)結(jié)果進(jìn)行方差分析,，建立了分離率、含雜率與各顯著因素之間的回歸模型,，利用回歸模型進(jìn)行參數(shù)尋優(yōu),，結(jié)果表明：當(dāng)雙層滾筒篩轉(zhuǎn)速24.9r/min、分離螺旋輸送器轉(zhuǎn)速為148.5r/min,、柔性齒段長(zhǎng)度為1277.8mm時(shí),，分離率最大，為96.23%,，含雜率最小,，為25.55%。田間驗(yàn)證試驗(yàn)結(jié)果表明：最優(yōu)參數(shù)組合下的果雜分離裝置平均分離率為93.19%，平均含雜率為26.65%,，與回歸模型尋優(yōu)結(jié)果基本一致,；果雜分離裝置與清選裝置聯(lián)合使用時(shí),，分離率增加1.05個(gè)百分點(diǎn),，含雜率降低9.97個(gè)百分點(diǎn)，可滿足油莎豆收獲生產(chǎn)需求,。

摘要:夜間作業(yè)時(shí)茶果園防霜風(fēng)機(jī)產(chǎn)生的噪聲嚴(yán)重影響周邊居民,，為降低圓弧板葉型防霜風(fēng)機(jī)的氣動(dòng)噪聲，進(jìn)行了鋸齒降噪結(jié)構(gòu)設(shè)計(jì),。以鋸齒長(zhǎng)度,、寬度、個(gè)數(shù)和位置為試驗(yàn)因素,，以葉輪軸線正前方1m處聲壓級(jí)和出口面平均風(fēng)速為評(píng)價(jià)指標(biāo),，采用數(shù)值模擬和響應(yīng)面法結(jié)合的方式優(yōu)化鋸齒結(jié)構(gòu)參數(shù)。優(yōu)化結(jié)果表明：鋸齒參數(shù)對(duì)聲壓級(jí)影響由大到小為鋸齒寬度,、個(gè)數(shù),、長(zhǎng)度、位置,；對(duì)風(fēng)速影響由大到小為鋸齒位置,、寬度、個(gè)數(shù),、長(zhǎng)度,。最優(yōu)參數(shù)組合為鋸齒長(zhǎng)度26.0mm、寬度11.6mm,、個(gè)數(shù)16,、位置480.0mm。對(duì)鋸齒葉型進(jìn)行了性能測(cè)試,，試驗(yàn)結(jié)果表明,，鋸齒葉型正前方、正后方和徑向右側(cè)各監(jiān)測(cè)點(diǎn)的聲壓級(jí)比對(duì)照葉型平均降低7.71%,，距離鋸齒葉型風(fēng)機(jī)30m處的聲壓級(jí)低于國(guó)標(biāo)限值45.0dB,。兩款葉型風(fēng)速分布趨勢(shì)相近，在12m處測(cè)得,，對(duì)照葉型和鋸齒葉型的最大風(fēng)速分別為3.19,、3.17m/s。兩款葉型均能夠產(chǎn)生較好的溫升效果，鋸齒葉型在10,、15m處平均溫升分別為2.8,、3.2℃；對(duì)照葉型在10,、15m處平均溫升分別為3.0,、3.1℃，兩者無(wú)顯著差異,。結(jié)果表明,，在保證防霜性能的前提下，鋸齒葉型可有效降低風(fēng)機(jī)噪聲,。

摘要:針對(duì)人工割膠勞動(dòng)強(qiáng)度大,，工作效率低,，人工成本高且膠工緊缺等問題，設(shè)計(jì)了一種螺旋運(yùn)動(dòng)式自動(dòng)割膠裝置,。通過分析割膠軌跡與割膠刀作業(yè)狀態(tài)下的受力情況,，獲得螺旋化軌跡方程，設(shè)計(jì)仿割膠軌跡螺旋軌道與齒軌,；利用ADAMS軟件對(duì)3種不同齒形的傳動(dòng)軸與螺旋齒軌的傳動(dòng)穩(wěn)定性進(jìn)行仿真分析,，確定螺旋傳動(dòng)機(jī)構(gòu)的結(jié)構(gòu)和工作參數(shù)，基于柔性連接方式設(shè)計(jì)貼樹仿形割膠機(jī)構(gòu),。以傳動(dòng)軸轉(zhuǎn)速,、耗皮厚度與橡膠樹直徑為試驗(yàn)因素，以割膠深度和割面平滑度合格率為試驗(yàn)指標(biāo),，進(jìn)行正交試驗(yàn),。結(jié)果表明：割膠裝置在傳動(dòng)軸轉(zhuǎn)速12.00r/min時(shí)，對(duì)不同直徑橡膠樹具有最優(yōu)的割膠效果,，其割膠深度平均合格率為89.60%,，割面平滑度平均合格率為91.19%；其中,，對(duì)直徑為200mm的橡膠樹進(jìn)行耗皮厚度2mm的割膠作業(yè)時(shí)割膠效果最佳,，其割膠深度平均合格率達(dá)到93.93%，割面平滑度平均合格率達(dá)到94.32%,，滿足割膠作業(yè)要求,。

摘要:為提高同步轉(zhuǎn)向高地隙噴霧機(jī)轉(zhuǎn)向機(jī)構(gòu)對(duì)目標(biāo)狀態(tài)的響應(yīng)速度與魯棒性,，提出了一種滑模自抗擾姿態(tài)控制策略。首先,，基于同步轉(zhuǎn)向結(jié)構(gòu)建立噴霧機(jī)姿態(tài)控制模型,；其次，將噴霧機(jī)的姿態(tài)控制模型進(jìn)行解耦并轉(zhuǎn)換為反饋系統(tǒng)標(biāo)準(zhǔn)型,；然后，設(shè)計(jì)線性擴(kuò)張狀態(tài)觀測(cè)器對(duì)模型總擾動(dòng)進(jìn)行實(shí)時(shí)補(bǔ)償,，并根據(jù)補(bǔ)償后的模型推導(dǎo)出終端滑?？刂坡桑蛔詈?，分別通過仿真試驗(yàn)以及場(chǎng)地試驗(yàn)對(duì)姿態(tài)控制器的性能進(jìn)行驗(yàn)證,。在場(chǎng)地試驗(yàn)中：當(dāng)目標(biāo)轉(zhuǎn)角為5°時(shí)，噴霧機(jī)前,、后轉(zhuǎn)向角的響應(yīng)時(shí)間分別為1.55s和1.45s,，當(dāng)目標(biāo)轉(zhuǎn)角為20°時(shí)，前,、后轉(zhuǎn)向角的響應(yīng)時(shí)間分別為3.05s和2.95s,。本文所提出的滑模自抗擾姿態(tài)控制器與傳統(tǒng)PID姿態(tài)控制器相比，前,、后轉(zhuǎn)向角的響應(yīng)速度分別提高8.42%與1.89%,，穩(wěn)態(tài)誤差分別降低2.96%與3.15%。仿真試驗(yàn)與場(chǎng)地試驗(yàn)結(jié)果表明,，滑模自抗擾姿態(tài)控制算法收斂速度快,、魯棒性強(qiáng)，能夠滿足噴霧機(jī)在不同環(huán)境下進(jìn)行無(wú)人自主導(dǎo)航作業(yè)的需要,。

摘要:針對(duì)四旋翼植保無(wú)人機(jī)坡地適應(yīng)性差、作業(yè)時(shí)定高精度低的問題,，提出了一種融合立體視覺,、氣壓計(jì)及慣性測(cè)量單元（IMU）的多速率卡爾曼濾波估計(jì)無(wú)人機(jī)高度的仿地飛行方法,。首先基于無(wú)人機(jī)實(shí)時(shí)高度、姿態(tài)與最佳視覺檢測(cè)區(qū)域之間的關(guān)系,，提出了視覺檢測(cè)區(qū)域自適應(yīng)算法,；然后融合多傳感器信息建立多速率卡爾曼濾波模型用以估計(jì)無(wú)人機(jī)對(duì)地高度；最后通過自主飛行實(shí)驗(yàn)對(duì)無(wú)人機(jī)高度估計(jì)算法與仿地飛行方法進(jìn)行驗(yàn)證,。實(shí)驗(yàn)結(jié)果表明,，當(dāng)飛行高度為2m，飛行速度為1,、2,、3m/s時(shí)，植保無(wú)人機(jī)在平坦地面與15°緩坡區(qū)域均可實(shí)現(xiàn)高度估計(jì)平均絕對(duì)誤差小于20mm,，高度估計(jì)標(biāo)準(zhǔn)差小于30mm,；高度控制平均絕對(duì)誤差小于30mm, 高度控制標(biāo)準(zhǔn)差小于30mm；本文驗(yàn)證了植保無(wú)人機(jī)在地形變化場(chǎng)景下仿地飛行的有效性,，為植保無(wú)人機(jī)在復(fù)雜地形自動(dòng)化作業(yè)奠定了基礎(chǔ),。

摘要:科學(xué)模擬和調(diào)控耕地利用結(jié)構(gòu)是實(shí)現(xiàn)種植結(jié)構(gòu)優(yōu)化的重要手段,，對(duì)緩解糧食供求結(jié)構(gòu)性矛盾具有重要意義。以東北黑土區(qū)典型縣為例,，基于糧食種植結(jié)構(gòu)視角構(gòu)建耕地利用系統(tǒng)動(dòng)力學(xué)（System dynamics,， SD）模型，預(yù)測(cè)水稻,、玉米和大豆3種主要糧食作物的種植面積,、產(chǎn)量和收益，通過經(jīng)濟(jì),、技術(shù),、市場(chǎng)多情景模擬提出耕地利用結(jié)構(gòu)調(diào)控路徑。結(jié)果表明：SD模型模擬效果良好,，平均偏離度低于10%,。預(yù)測(cè)2019—2030年研究區(qū)水稻和大豆種植面積將逐步增加，玉米種植面積緩慢減少,。水稻和玉米產(chǎn)量均有所增加,，大豆產(chǎn)量呈先增后減趨勢(shì)。不同情景下3種作物的模擬結(jié)果存在明顯差異,，GDP水平提升,、增加農(nóng)業(yè)技術(shù)投入和農(nóng)產(chǎn)品價(jià)格調(diào)控將有利于水稻種植面積、產(chǎn)量和收益增加,。提升農(nóng)民收入水平,、加強(qiáng)農(nóng)業(yè)技術(shù)支持和農(nóng)產(chǎn)品價(jià)格調(diào)控對(duì)大豆種植面積,、產(chǎn)量和收益的增加具有明顯促進(jìn)作用。而調(diào)控農(nóng)民收入,、農(nóng)業(yè)技術(shù)和農(nóng)產(chǎn)品價(jià)格對(duì)改善玉米的耕地利用結(jié)構(gòu)效果不佳,。通過建立種植結(jié)構(gòu)調(diào)整補(bǔ)貼政策、推進(jìn)農(nóng)業(yè)機(jī)械化轉(zhuǎn)型升級(jí)和健全農(nóng)產(chǎn)品市場(chǎng)體系的路徑組合實(shí)現(xiàn)耕地利用結(jié)構(gòu)優(yōu)化調(diào)控,。研究系統(tǒng)闡釋了耕地利用要素關(guān)系及其結(jié)構(gòu)變化的內(nèi)在邏輯,，明確了不同情景下主要糧食作物耕地利用結(jié)構(gòu)的調(diào)控路徑，為區(qū)域未來(lái)糧食生產(chǎn)結(jié)構(gòu)優(yōu)化政策的制定提供依據(jù),，對(duì)實(shí)現(xiàn)糧食供求動(dòng)態(tài)平衡,、促進(jìn)耕地資源高效可持續(xù)利用具有重要意義。

摘要:植被為地球生態(tài)系統(tǒng)主要構(gòu)成之一,，也是人類社會(huì)經(jīng)濟(jì)活動(dòng)的重要資源，監(jiān)測(cè)植被動(dòng)態(tài)變化有利于區(qū)域的環(huán)境保護(hù)及生態(tài)環(huán)境建設(shè),，基于谷歌云平臺(tái)GEE，集成了Sen+MK趨勢(shì)分析,、MK突變分析,、偏相關(guān)分析、多元回歸殘差以及相對(duì)貢獻(xiàn)率分析等多種統(tǒng)計(jì)分析方法,，構(gòu)建了一套自動(dòng)化植被恢復(fù)綜合分析體系,，可用于植被變化趨勢(shì)檢測(cè)及歸因分析。在此基礎(chǔ)上,，區(qū)分人工修復(fù)和自然恢復(fù)對(duì)植被變化的影響,，以陜西省黃土高原生態(tài)修復(fù)工程實(shí)施區(qū)域之一——銅川市耀州區(qū)為例，開展生態(tài)修復(fù)區(qū)與自然恢復(fù)區(qū)植被變化趨勢(shì)及歸因分析,。分析結(jié)果表明：耀州區(qū)1990—2020年土地覆蓋格局整體呈現(xiàn)自東南向西北耕地逐漸減少,、林地草地逐漸增加的分布特征。植被覆蓋變化特征呈現(xiàn)以速率0.55%/a波動(dòng)上升的趨勢(shì),，上升突變點(diǎn)為2007年,。氣候變化和人類活動(dòng)對(duì)耀州區(qū)植被變化的相對(duì)貢獻(xiàn)率具有一定的異質(zhì)性，主要受到人類活動(dòng)的正向驅(qū)動(dòng),，相對(duì)貢獻(xiàn)率為79.10%,，氣候變化相對(duì)貢獻(xiàn)率為15.22%。在植被改善區(qū)域,，應(yīng)歸因于以人類活動(dòng)主導(dǎo)的生態(tài)修復(fù)工程,，生態(tài)修復(fù)工程實(shí)施治理效果較好,；在植被退化區(qū)域，主要為氣候變化和人類活動(dòng)的共同影響,。

摘要:受觀測(cè)手段限制,，目前對(duì)區(qū)域尺度草原毛蟲（Gynaephora alpherakii）空間分異特征和宜生區(qū)分布尚不清楚,，本研究基于無(wú)人機(jī)航拍分析系統(tǒng)獲取祁連山國(guó)家公園青海片區(qū)高寒草原毛蟲空間分異特征，結(jié)合BIOMOD生態(tài)位模型和觀測(cè)樣地所對(duì)應(yīng)草地植被,、土壤,、氣候和地形等環(huán)境因子，獲取祁連山國(guó)家公園青海片區(qū)歷年草原毛蟲生態(tài)位,，劃分草原蟲害宜生區(qū),。結(jié)果表明：所有野外觀測(cè)樣點(diǎn)中，草原毛蟲空間分布異質(zhì)性較大,，其出現(xiàn)的觀測(cè)樣點(diǎn)占所有觀測(cè)的5.77%,，不同監(jiān)測(cè)點(diǎn)總數(shù)為1~2046頭，同一監(jiān)測(cè)點(diǎn)內(nèi)為0~136頭,。所有生態(tài)位模型中,，RF模型對(duì)草原毛蟲生態(tài)位模擬精度最高，Kappa系數(shù),、TSS和AUC分別為0.6,、0.75和0.93。草原毛蟲一級(jí)到三級(jí)宜生區(qū)面積較?。ㄕ伎偯娣e的14.68%）,，主要分布于研究區(qū)中東部，四級(jí)和五級(jí)宜生區(qū)面積較大（占總面積的85.32%）,，主要分布在研究區(qū)西部,。無(wú)人機(jī)航拍技術(shù)高效地提供了草原毛蟲空間分布研究的基礎(chǔ)數(shù)據(jù)，可為進(jìn)一步定量認(rèn)識(shí)草原毛蟲的生態(tài)學(xué)地位及蟲害預(yù)警,、防控措施的制定提供理論和實(shí)踐基礎(chǔ),。

摘要:以果園為代表的經(jīng)濟(jì)作物種植面積迅速擴(kuò)張,，其在獲得一定經(jīng)濟(jì)收益的同時(shí),，也造成了一系列的生態(tài)環(huán)境問題。開展果園擴(kuò)張及其演變特征研究,，是助力果園生態(tài)可持續(xù)發(fā)展的重要內(nèi)容,。本研究以山東省煙臺(tái)市蘋果主產(chǎn)區(qū)棲霞市、萊陽(yáng)市以及海陽(yáng)市為研究區(qū),，基于線性光譜混合分解方法提取土地利用數(shù)據(jù),，分析了1998—2019年研究區(qū)果園種植面積變化情況，并結(jié)合擴(kuò)張強(qiáng)度,、擴(kuò)張速率以及景觀格局指數(shù)探析了當(dāng)?shù)毓麍@擴(kuò)張演變特征及其規(guī)律,，進(jìn)而通過種植適宜性評(píng)價(jià)體系，分析3個(gè)研究區(qū)果園種植適宜性分布情況,。結(jié)果表明：研究期間,，研究區(qū)果園呈持續(xù)擴(kuò)張趨勢(shì)，且明顯分為快速擴(kuò)張（1998—2010年）和平穩(wěn)擴(kuò)張（2010—2019年）兩個(gè)階段,，其果園分別擴(kuò)張409.25,、684.71km2；此外,，約68.11%的果園擴(kuò)張發(fā)生在北部棲霞市,，這使當(dāng)?shù)匦纬梢怨麍@種植為主的農(nóng)業(yè)經(jīng)濟(jì)發(fā)展模式。1998—2019年間,，果園擴(kuò)張主要來(lái)源為林地和耕地,，其貢獻(xiàn)率分別約為23.55%和55.52%；其中,，一熟作物為主要耕地來(lái)源，其果園擴(kuò)張貢獻(xiàn)率高達(dá)42.51%,，而裸地貢獻(xiàn)率最低,。2010年以后，研究區(qū)果園擴(kuò)張由“填充式”轉(zhuǎn)為“零散式”擴(kuò)張,，果園結(jié)構(gòu)聚集度下降,，破碎度增大；此外,，果園擴(kuò)張主要優(yōu)先發(fā)生在高海拔以及山地,，優(yōu)先擴(kuò)張區(qū)具有充足的氣候資源與優(yōu)良的自然地理?xiàng)l件，有利于蘋果樹生長(zhǎng)發(fā)育,。果園擴(kuò)張達(dá)到一定規(guī)模時(shí),，會(huì)受海拔、坡度以及農(nóng)村勞動(dòng)力等因素的限制,，逐漸向地形條件相對(duì)較差的地區(qū)擴(kuò)張,，可能造成果園收支不平衡現(xiàn)象和較大的潛在水土環(huán)境風(fēng)險(xiǎn),，當(dāng)?shù)卣畱?yīng)予以重視，并進(jìn)一步加以控制,。棲霞市的果園種植區(qū)整體種植適宜性較高,，果園生長(zhǎng)發(fā)育外部環(huán)境良好，尤其是氣候條件,；受土壤條件影響,，萊陽(yáng)市與海陽(yáng)市果樹種植區(qū)外部投入量相對(duì)較大。

摘要:為了在病害發(fā)生條件下進(jìn)行玉米LAI的遙感估算，針對(duì)41個(gè)不同抗性的玉米自交系品種,，通過人工接種方法,，獲得了不同病害嚴(yán)重程度（1~9級(jí)）的LAI數(shù)據(jù)，同時(shí)采集了地面高光譜和無(wú)人機(jī)多光譜數(shù)據(jù),，構(gòu)建了K近鄰算法,、支持向量機(jī)、梯度提升分類樹和決策分類樹分類模型對(duì)病害進(jìn)行分類,，對(duì)玉米種質(zhì)資源抗病性進(jìn)行了劃分,。基于不同玉米病害脅迫程度分類結(jié)果,，采用隨機(jī)森林回歸,、梯度提升回歸樹、極端梯度增強(qiáng)算法,、輕量梯度提升機(jī)4種機(jī)器學(xué)習(xí)模型對(duì)玉米LAI進(jìn)行反演,，討論了不同模型在病害脅迫下的魯棒性。研究結(jié)果表明,，對(duì)不同生育期玉米病害程度進(jìn)行劃分,，基于地面高光譜識(shí)別精度分別為84.72%（梯度提升分類樹）、47.67%（支持向量機(jī)）,、55.05%（K近鄰算法）,、83.02%（決策分類樹）?；诓『Ψ诸惤Y(jié)果,，本文利用無(wú)人機(jī)多光譜數(shù)據(jù)估算了不同病情等級(jí)脅迫下的玉米LAI 。構(gòu)建了4種集成學(xué)習(xí)模型對(duì)不同病情等級(jí)的LAI進(jìn)行估算，4個(gè)LAI反演模型的總體反演精度（rRMSE）分別為：19.11%（梯度提升回歸樹）,、15.94%（輕量梯度提升機(jī)）,、14.51%（隨機(jī)森林回歸）和15.45%（極端梯度增強(qiáng)算法）。其中極端梯度增強(qiáng)算法對(duì)病害脅迫的普適性最好,，不同病害等級(jí)下的反演精度rRMSE為15.19%（輕微）,、17.46%（中等）、9.12%（嚴(yán)重）和9.63%（不抗?。?。LAI反演模型普遍在病害早期和中期（病情等級(jí)1~7）對(duì)玉米LAI估算精度相差不大。但是對(duì)病情極其嚴(yán)重的玉米樣本,，其玉米LAI估算結(jié)果精度差異較大,，田間不同病情等級(jí)脅迫會(huì)影響玉米LAI的準(zhǔn)確估算。

摘要:多時(shí)相合成孔徑雷達(dá)（Synthetic aperture radar，SAR）數(shù)據(jù)可為水稻提取提供豐富信息,，在多云多雨地區(qū)對(duì)水稻識(shí)別和監(jiān)測(cè)具有獨(dú)特優(yōu)勢(shì),。但過多特征變量的加入，一定程度上造成“維數(shù)災(zāi)難”及信息冗余,，因此,，本文提出一種基于多時(shí)相后向散射特性及干涉相干性優(yōu)選特征的水稻提取方法?；谘芯繀^(qū)水稻生長(zhǎng)周期的多時(shí)相Sentinel-1 SAR數(shù)據(jù),，構(gòu)建后向散射系數(shù)和干涉相干系數(shù)特征集，利用ReliefF算法對(duì)特征重要性進(jìn)行排序,，同時(shí)采用JM距離確定最優(yōu)特征數(shù)目完成最優(yōu)特征選擇,，結(jié)合隨機(jī)森林分類算法對(duì)研究區(qū)水稻進(jìn)行提取及精度評(píng)價(jià)。結(jié)果表明：基于優(yōu)選特征提取水稻面積相對(duì)誤差為4.96%,，總體精度達(dá)到92.48%，Kappa系數(shù)為0.90,；從優(yōu)選特征剔除干涉相干特征提取的水稻面積相對(duì)誤差增加2.39個(gè)百分點(diǎn),，總體分類精度和Kappa系數(shù)分別降低4.03個(gè)百分點(diǎn)、0.06,，說(shuō)明干涉相干性有利于水稻信息提取,。基于多時(shí)相后向散射特性及干涉相干性的特征優(yōu)選減少了數(shù)據(jù)冗余,，提高了運(yùn)算效率,，可實(shí)現(xiàn)大范圍高精度水稻提取,。

摘要:為從無(wú)人機(jī)遙感影像中準(zhǔn)確識(shí)別煙草,，實(shí)現(xiàn)植株定位與計(jì)數(shù)，以雪茄煙草植株為研究對(duì)象,，提出一種新的深度學(xué)習(xí)模型,。區(qū)別于傳統(tǒng)的利用檢測(cè)框識(shí)別目標(biāo)，本文模型利用少量的關(guān)鍵點(diǎn)學(xué)習(xí)煙草中心形態(tài)學(xué)特征,，并采用輕量級(jí)的編,、解碼器從無(wú)人機(jī)遙感影像快速識(shí)別煙草并定位計(jì)數(shù)。首先,，提出的模型針對(duì)煙草植物形態(tài)學(xué)特點(diǎn),，通過中心關(guān)鍵點(diǎn)標(biāo)注的方法，使用高斯函數(shù)生成概率密度圖,，引入更多監(jiān)督信息,。其次，對(duì)比不同主干網(wǎng)絡(luò)在模型中的效果,，ResNet18作為主干網(wǎng)絡(luò)時(shí)平均精度大于99.5%,，精度和置信度都高于測(cè)試的其他主干網(wǎng)絡(luò)。而MobileNetV2在CPU環(huán)境下達(dá)到運(yùn)行效率最優(yōu),，但平均置信度相對(duì)較低,。使用損失函數(shù)Focal Loss與MSE Loss結(jié)合的Union Loss時(shí)，平均精度大于99.5%,。最后,，利用不同波段組合作為訓(xùn)練數(shù)據(jù)，對(duì)比結(jié)果發(fā)現(xiàn)使用紅邊波段更有助于模型快速收斂且能夠很好地區(qū)分煙草和雜草,。由于紅邊波段與植株冠層結(jié)構(gòu)相關(guān),，使用紅邊、紅,、綠波段時(shí)平均精度達(dá)到99.6%,。本文提出的深度學(xué)習(xí)模型能夠準(zhǔn)確地檢測(cè)無(wú)人機(jī)遙感影像中的煙草，可為煙草的農(nóng)情監(jiān)測(cè)提供數(shù)據(jù)支持,。

摘要:肉牛目標(biāo)檢測(cè)和數(shù)量統(tǒng)計(jì)是精細(xì)化,、自動(dòng)化、智能化肉牛養(yǎng)殖要解決的關(guān)鍵問題,，受肉牛個(gè)體顏色及紋理相近和遮擋等因素的影響,，現(xiàn)有肉牛目標(biāo)檢測(cè)方法實(shí)用性較差。本研究基于YOLO v5s網(wǎng)絡(luò)與通道信息注意力模塊(ECABasicBlock),，提出了一種融合通道信息的改進(jìn)YOLO v5s網(wǎng)絡(luò)(ECA-YOLO v5s),，在YOLO v5s模型的骨干特征提取網(wǎng)絡(luò)部分添加了3層通道信息注意力模塊。ECA-YOLO v5s網(wǎng)絡(luò)實(shí)現(xiàn)了重度遮擋環(huán)境下多目標(biāo)肉牛的準(zhǔn)確識(shí)別,。對(duì)養(yǎng)殖場(chǎng)監(jiān)控視頻分幀得到的肉牛圖像采用了一種基于結(jié)構(gòu)相似性的冗余圖像剔除方法以保證數(shù)據(jù)集質(zhì)量,。數(shù)據(jù)集制作完成后經(jīng)過300次迭代訓(xùn)練，得到模型的精確率為89.8%,，召回率為76.9%,，全類平均精度均值為85.3%，檢測(cè)速度為76.9f/s,，模型內(nèi)存占用量為24MB,。與YOLO v5s模型相比，ECA-YOLO v5s的精確率,、召回率和平均精度均值分別比YOLO v5s高1.0,、0.8、2.2個(gè)百分點(diǎn),。為了驗(yàn)證不同注意力機(jī)制應(yīng)用于YOLO v5s的性能差異,，本研究對(duì)比了CBAM(Convolutional block attention module)、CA(Coordinate attention),、SE(Squeeze and excitation)和ECA(Efficient channel attention)4種注意力機(jī)制,，試驗(yàn)結(jié)果表明，ECA注意力機(jī)制的平均精度均值分別比CBAM,、CA,、SE高0.5、0.6,、0.2個(gè)百分點(diǎn),。并且分析討論了不同遮擋情況以及光照情況的檢測(cè)結(jié)果，結(jié)果表明,，ECA-YOLO v5s網(wǎng)絡(luò)可以準(zhǔn)確,、快速地檢測(cè)不同遮擋以及光照情況的肉牛目標(biāo)。模型具有較高的魯棒性,，且模型較小，便于模型的遷移應(yīng)用，可為肉牛目標(biāo)檢測(cè)及質(zhì)押監(jiān)管等研究提供必要的技術(shù)支撐,。

摘要:茶葉嫩芽精準(zhǔn)識(shí)別是實(shí)現(xiàn)嫩芽智能化采摘的前提與基礎(chǔ),，采用視覺和深度學(xué)習(xí)的嫩芽識(shí)別方法逐漸成熟,，但該方法過度依賴于高性能硬件，不利于采茶機(jī)器人移動(dòng)端的部署,，針對(duì)這一問題,，本文提出一種基于Compact-YOLO v4算法的茶葉嫩芽移動(dòng)端識(shí)別方法。首先對(duì)YOLO v4算法的Backbone網(wǎng)絡(luò)和Neck網(wǎng)絡(luò)進(jìn)行改進(jìn),，將Backbone網(wǎng)絡(luò)替換為GhostNet,，將Neck網(wǎng)絡(luò)中傳統(tǒng)卷積替換為Ghost卷積，改進(jìn)后的模型內(nèi)存占用量?jī)H為原來(lái)的1/5,。接著運(yùn)用遷移學(xué)習(xí)的訓(xùn)練方法提升模型精度,，試驗(yàn)表明，Compact-YOLO v4算法模型的精度,、召回率,、平均精度均值、F1值分別為51.07%,、78.67%,、72.93%和61.45%。最后將本文算法模型移植到PRO-RK3568-B移動(dòng)端開發(fā)板,，通過轉(zhuǎn)換模型,、量化處理、改進(jìn)部署環(huán)境3種方式,，降低模型推理計(jì)算對(duì)硬件性能的需求,，最終在保證嫩芽識(shí)別準(zhǔn)確率的前提下，實(shí)現(xiàn)了優(yōu)化模型推理過程,、減輕移動(dòng)端邊緣計(jì)算壓力的目的,，為茶葉嫩芽采摘機(jī)器人的實(shí)際應(yīng)用提供了技術(shù)支撐。

摘要:為解決花卉病蟲害領(lǐng)域中病蟲害防治因素關(guān)系復(fù)雜、知識(shí)冗余等問題,，結(jié)合知識(shí)圖譜對(duì)知識(shí)組織和管理的技術(shù),，提出一種基于知識(shí)圖譜的花卉病蟲害知識(shí)管理方法,。首先，根據(jù)文獻(xiàn)提取包括環(huán)境在內(nèi)的花卉病蟲害防治要素,，構(gòu)建花卉病蟲害本體模型并存儲(chǔ)在RDF圖中,，實(shí)現(xiàn)對(duì)知識(shí)規(guī)范性和完整性的控制；其次,，對(duì)花卉病蟲害領(lǐng)域文本進(jìn)行分析,，針對(duì)分析得到的文本特點(diǎn)，提出融合頭尾實(shí)體分離“01”標(biāo)注方法,、輕量級(jí)雙向轉(zhuǎn)換編碼表示模型(A lite BERT, ALBERT)和引入詞性特征的級(jí)聯(lián)標(biāo)注模型(CasPOSRel)的抽取框架進(jìn)行三元組抽?。恢罄米远xRDF2PG映射算法,，按照RDF圖中的本體模型將抽取到的三元組存入Neo4j數(shù)據(jù)庫(kù)中,，完成對(duì)花卉病蟲害知識(shí)的存儲(chǔ)及管理。實(shí)驗(yàn)結(jié)果證明提出的抽取框架中標(biāo)注方法,、預(yù)訓(xùn)練模型與抽取模型相比基線方法F1值分別提升0.88,、4.90、8.57個(gè)百分點(diǎn),，同時(shí)得到抽取結(jié)果F1值為95.07%,。通過知識(shí)發(fā)現(xiàn)表明該知識(shí)管理方法能有效組織管理病蟲害知識(shí)，幫助花卉種植人員進(jìn)行更為有效的病蟲害防治工作,。

摘要:為解決田間環(huán)境下由于葉片間遮蓋和堆疊等因素引起的木薯葉病害識(shí)別困難的問題,，本文提出一種基于改進(jìn)YOLOX網(wǎng)絡(luò)的木薯葉病害檢測(cè)（Cassava leaf disease detection,，CDD）模型。首先,，對(duì)復(fù)雜背景下木薯葉病害圖像數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng),，以減少環(huán)境影響造成的識(shí)別困難。其次,，在YOLOX網(wǎng)絡(luò)的基礎(chǔ)上,，使用多尺度特征提取模塊加強(qiáng)細(xì)粒度特征提取并降低模型計(jì)算量，同時(shí)嵌入通道注意力機(jī)制,，提高網(wǎng)絡(luò)的表征能力,。最后，結(jié)合質(zhì)量焦點(diǎn)損失函數(shù)作為分類損失函數(shù)輔助網(wǎng)絡(luò)收斂,，提高目標(biāo)分類的準(zhǔn)確性,。實(shí)驗(yàn)結(jié)果表明,，提出的CDD模型對(duì)復(fù)雜背景下木薯葉病害進(jìn)行檢測(cè)，網(wǎng)絡(luò)參數(shù)量為5.04×106,，平均精度均值達(dá)93.53%,，比基礎(chǔ)模型高6.02個(gè)百分點(diǎn)，綜合檢測(cè)能力優(yōu)于多種主流模型,。因此，本文提出的CDD模型對(duì)田間木薯葉病害具有更快更準(zhǔn)確的檢測(cè)能力,，為實(shí)現(xiàn)農(nóng)作物病害檢測(cè)提供了可借鑒的方法,。

摘要:作物病害診斷積累了大量電子處方數(shù)據(jù)，對(duì)電子處方數(shù)據(jù)二次利用,，實(shí)現(xiàn)作物病害處方智能推薦是植保領(lǐng)域重要的研究?jī)?nèi)容,。對(duì)此，本文構(gòu)建基于CDSSM的作物病害處方推薦模型,，實(shí)現(xiàn)多種類作物病害的診斷和處方推薦,。基于病害標(biāo)準(zhǔn)知識(shí)庫(kù)對(duì)作物病害處方數(shù)據(jù)進(jìn)行篩選,，并進(jìn)行數(shù)據(jù)擴(kuò)充,，同時(shí)結(jié)合領(lǐng)域知識(shí)構(gòu)建標(biāo)準(zhǔn)處方庫(kù)；構(gòu)建基于CDSSM的作物處方推薦模型,，根據(jù)文本特征生成語(yǔ)義向量,，計(jì)算語(yǔ)義向量的余弦距離，結(jié)合標(biāo)準(zhǔn)處方庫(kù)完成融合地區(qū),、時(shí)間,、作物種類、生長(zhǎng)期等多個(gè)因素的處方精準(zhǔn)推薦,。從病害診斷,、處方推薦、針對(duì)番茄病害處方推薦和不同輸入對(duì)處方推薦的影響4方面展開結(jié)果分析,，并與基于DSSM,、DSSM-LSTM、Cosine,、Jaccard,、BM25的模型結(jié)果進(jìn)行對(duì)比分析；結(jié)合實(shí)際應(yīng)用需求設(shè)計(jì)并構(gòu)建面向移動(dòng)終端的作物病害處方推薦應(yīng)用“處方寶”,。結(jié)果表明,，基于CDSSM的作物病害處方推薦模型病害診斷正確率為71%,，處方推薦準(zhǔn)確率為82%，優(yōu)于其他5種作物病害處方推薦模型,；針對(duì)番茄病害處方推薦準(zhǔn)確率更高,。本文構(gòu)建的基于CDSSM的作物處方推薦模型可以滿足實(shí)際應(yīng)用需求，還能夠進(jìn)行病害種類的擴(kuò)充,，可以作為作物病害處方推薦的高效輔助工具,。

摘要:針對(duì)基于生成對(duì)抗網(wǎng)絡(luò)的多數(shù)圖像修復(fù)算法所修復(fù)的圖像紋理細(xì)節(jié)不清晰,，不能充分融合神經(jīng)網(wǎng)絡(luò)提取的紋理細(xì)節(jié)信息和語(yǔ)義信息的問題，本文提出一種基于殘差網(wǎng)絡(luò)和特征融合的雙階段生成網(wǎng)絡(luò)圖像修復(fù)模型,，通過修復(fù)訓(xùn)練集中被遮擋的圖像,，獲取符合訓(xùn)練集整體分布的修復(fù)圖像。首先,，設(shè)計(jì)一種輕量型多尺度感受野殘差模塊,，通過多個(gè)感受野不同的卷積核提取特征信息，提升粗化生成網(wǎng)絡(luò)保留紋理信息的能力,。其次構(gòu)建一種雙邊精細(xì)修復(fù)網(wǎng)絡(luò)結(jié)構(gòu),，分別處理紋理細(xì)節(jié)信息和語(yǔ)義信息并進(jìn)行聚合，實(shí)現(xiàn)圖像的精細(xì)修復(fù),。最后基于GWHD數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),，驗(yàn)證本文算法的有效性。實(shí)驗(yàn)結(jié)果表明,，本文模型較CE,、GL、PEN-Net,、CA算法,，客觀評(píng)價(jià)指標(biāo)L1-loss降低0.56~3.79個(gè)百分點(diǎn)，PSNR和SSIM提升0.2~1.8dB和0.02~0.08,，并在人眼直觀感受中實(shí)現(xiàn)了紋理結(jié)構(gòu)清晰,、語(yǔ)義特征合理的修復(fù)效果。相較于原GWHD數(shù)據(jù)集,，在基于本文模型所擴(kuò)充的小麥數(shù)據(jù)集中,，運(yùn)用YOLO v5s預(yù)測(cè)小麥麥穗的mAP提升1.41個(gè)百分點(diǎn)，準(zhǔn)確率提升3.65個(gè)百分點(diǎn),，召回率提升0.36個(gè)百分點(diǎn),。

摘要:土壤鹽漬化是影響農(nóng)業(yè)可持續(xù)發(fā)展的重要制約因素，為準(zhǔn)確及時(shí)地獲取土壤中鹽分含量,，實(shí)現(xiàn)鹽漬化精準(zhǔn)監(jiān)測(cè),，以內(nèi)蒙古自治區(qū)巴彥淖爾市五原縣境內(nèi)的覆被農(nóng)田為研究對(duì)象，探討無(wú)人機(jī)多光譜遙感平臺(tái)結(jié)合機(jī)器學(xué)習(xí)模型估測(cè)不同深度土壤含鹽量的可行性,。首先,，利用無(wú)人機(jī)搭載五波段多光譜相機(jī)獲取研究區(qū)域高時(shí)空分辨率遙感圖像數(shù)據(jù)，并同步采集地面不同深度處土壤鹽分?jǐn)?shù)據(jù),，使用皮爾遜相關(guān)系數(shù)法（PCC）、極端梯度提升（XGBoost）和灰色關(guān)聯(lián)分析法（GRA）對(duì)構(gòu)建的光譜指數(shù)進(jìn)行優(yōu)選,；然后,，采用決策樹（DT）、反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）,、支持向量機(jī)（SVM）和隨機(jī)森林（RF）4種機(jī)器學(xué)習(xí)方法建立植被覆蓋下不同深度的農(nóng)田土壤含鹽量反演模型,。結(jié)果表明，使用方案3（XGBoost-GRA）變量?jī)?yōu)選方法可以有效地篩選出敏感光譜指數(shù),，且基于此方法優(yōu)選后的光譜指數(shù)建立含鹽量估算模型的精度高于僅使用PCC或XGBoost法構(gòu)建的反演模型,。對(duì)比不同建模方法在不同土壤深度處的反演精度，可知隨機(jī)森林RF模型整體表現(xiàn)最優(yōu),，同時(shí)另外3種反演模型也取得了較好的預(yù)測(cè)效果,，0~20cm土壤深度處的預(yù)測(cè)效果是3個(gè)土壤深度中最優(yōu)的，其中精度最高模型的決定系數(shù)R2,、均方根誤差（RMSE）和四分位數(shù)間距性能比（RPIQ）分別為0.820,、0.044%和2.273，且本文基于最佳反演模型繪制的0~20cm土壤鹽分空間分布圖可以較為真實(shí)地反映研究區(qū)內(nèi)的土壤鹽漬化程度,。本研究表明特征變量?jī)?yōu)選結(jié)合機(jī)器學(xué)習(xí)模型能夠較好地基于無(wú)人機(jī)遙感平臺(tái)來(lái)估算覆被農(nóng)田的土壤含鹽量,。

摘要:準(zhǔn)確揭示動(dòng)態(tài)沉降過程中土層厚度及其變化情況對(duì)合理確定覆土層厚度,，科學(xué)評(píng)價(jià)復(fù)墾土體穩(wěn)定性具有重要意義。通過野外試驗(yàn),，結(jié)合探地雷達(dá)數(shù)據(jù),，基于希爾伯特-黃變換（Hilbert-Huang transform,，HHT）進(jìn)行信號(hào)處理，根據(jù)希爾伯特譜確定覆土層所在的時(shí)域范圍,；提取由HHT獲取的多個(gè)固有模態(tài)函數(shù)（Intrinsic mode function,，IMF）的時(shí)間-瞬時(shí)頻率信息，建立IMF2分量與相對(duì)介電常數(shù)的關(guān)系模型,，進(jìn)而獲取覆土層厚度,；將所建立的關(guān)系模型進(jìn)一步應(yīng)用于時(shí)間序列上的覆土層厚度的探測(cè)之中，實(shí)現(xiàn)覆土層厚度的動(dòng)態(tài)探測(cè),。研究結(jié)果表明：覆土層下沉?xí)饘訝罱橘|(zhì)之間的介電常數(shù)差異,，進(jìn)而導(dǎo)致分界面處的振幅變化；瞬時(shí)頻率平均值與相對(duì)介電常數(shù)之間存在較高相關(guān)性,，其利用多項(xiàng)式回歸的建模決定系數(shù)R2達(dá)到0.8870,；綜合考慮時(shí)域下的振幅與瞬時(shí)頻率變化的聯(lián)合時(shí)頻分析可有效探測(cè)覆土層厚度，隨覆土層厚度的增加和時(shí)間的推移探測(cè)精度整體略有下降,，探測(cè)結(jié)果的平均相對(duì)誤差為3.65%,。

摘要:通過模擬光照,、吹風(fēng)改變蒸發(fā)強(qiáng)度，對(duì)比分析了4種蒸發(fā)條件（CK,、光照（L）,、吹風(fēng)（W）、光照+吹風(fēng)（LW））下微潤(rùn)灌入滲速率以及濕潤(rùn)體變化特征,。結(jié)果表明,，常溫下微潤(rùn)灌累積入滲量與時(shí)間呈顯著線性相關(guān)關(guān)系(決定系數(shù)R2>0.99)，符合Philip入滲模型水平吸滲項(xiàng)入滲規(guī)律,；微潤(rùn)管出流速率因多孔介質(zhì)管壁穿透入滲,、管周土壤水分入滲分別隨時(shí)間呈現(xiàn)出初期驟增、線性減小的演變規(guī)律,；改變上邊界條件后各處理蒸發(fā)均顯著增大,，然而入滲速率只隨溫度增加而提高，吹風(fēng)帶走土表熱量,，入滲速率反而減?。还庹掌陂g，L,、LW處理入滲速率分別增長(zhǎng)56.56%,、29.51%；撤去光照2h后,，LW處理蒸發(fā)強(qiáng)度不變,，入滲速率驟降5.90%，揭示了微潤(rùn)灌對(duì)溫度響應(yīng)的敏感性遠(yuǎn)高于上邊界蒸發(fā),。濕潤(rùn)鋒運(yùn)移距離與時(shí)間呈顯著冪函數(shù)關(guān)系,，溫度提高后入滲速率增加促進(jìn)了濕潤(rùn)鋒運(yùn)移，溫差和重力勢(shì)共同驅(qū)動(dòng)下水分向背離熱源方向移動(dòng),，光照處理中濕潤(rùn)鋒水平運(yùn)移距離Dhoriz,、垂直向下運(yùn)移距離Ddown較預(yù)測(cè)值分別增長(zhǎng)75.81%、99.30%,。該研究揭示了源于輻射的地溫變化在微潤(rùn)灌入滲中的關(guān)鍵驅(qū)動(dòng)效應(yīng),，有效補(bǔ)充了微潤(rùn)灌在溫差、輻射驟變區(qū)域的管出流及土壤水分動(dòng)態(tài)運(yùn)移機(jī)理,，研究結(jié)果可為基于氣象數(shù)據(jù),、作物需水和墑情的微潤(rùn)灌智慧調(diào)控模式設(shè)計(jì)提供理論依據(jù)。

摘要:栽培基質(zhì)pH值是設(shè)施園藝中重要的生產(chǎn)過程信息之一,。針對(duì)栽培基質(zhì)pH值在線檢測(cè)誤差大,、結(jié)果易受基質(zhì)含水率和基質(zhì)成分影響的問題，基于超親水pH傳感器,，以泥炭,、蛭石基質(zhì)為原料，以配置的不同質(zhì)量比和不同含水率的栽培基質(zhì)為試驗(yàn)對(duì)象,，開展了栽培基質(zhì)超親水pH傳感器pH值測(cè)量試驗(yàn)研究,。結(jié)果發(fā)現(xiàn)：栽培基質(zhì)的質(zhì)量含水率（θm）降低會(huì)引起超親水pH傳感器的pH值測(cè)量值線性降低和pH值測(cè)量誤差線性增加，其測(cè)量誤差絕對(duì)值最大為0.81,，顯著低于銻電極pH傳感器（測(cè)量誤差絕對(duì)值最大為2.15）,；超親水pH傳感器的測(cè)量誤差受混合基質(zhì)中泥炭、蛭石質(zhì)量比的影響相對(duì)較小,，由基質(zhì)成分變化導(dǎo)致的測(cè)量誤差最大變化為0.23,，顯著低于銻電極pH傳感器（最大變化為1.10）。在此基礎(chǔ)上建立了栽培基質(zhì)超親水pH傳感器的測(cè)量誤差補(bǔ)償模型，并在采集的栽培基質(zhì)中進(jìn)行了應(yīng)用試驗(yàn),；補(bǔ)償前測(cè)量誤差絕對(duì)值最大為0.32,，補(bǔ)償后降為0.18，測(cè)量誤差進(jìn)一步降低,，驗(yàn)證了超親水pH傳感器及其測(cè)量誤差補(bǔ)償模型的有效性,。研究結(jié)果為實(shí)現(xiàn)栽培基質(zhì)pH值快速、準(zhǔn)確在線檢測(cè)奠定了基礎(chǔ),。

摘要:針對(duì)現(xiàn)有的農(nóng)產(chǎn)品溯源系統(tǒng)中數(shù)據(jù)監(jiān)管存在的監(jiān)管單一,、權(quán)限集中,，以及監(jiān)管過程中隱私泄露等問題，通過研究小麥制粉行業(yè)全業(yè)務(wù)流程特性,，設(shè)計(jì)并構(gòu)建了面向小麥區(qū)塊鏈追溯系統(tǒng)的分級(jí)監(jiān)管模型,。該模型以聯(lián)盟鏈Hyperledger Fabric為基礎(chǔ)構(gòu)建多鏈架構(gòu)，提出了基于密文策略屬性加密(CP-ABE)技術(shù)的加密隱私密鑰傳輸方法,，通過一對(duì)多的加密屬性設(shè)計(jì)多個(gè)數(shù)據(jù)監(jiān)管部門,，并在密文中嵌入訪問結(jié)構(gòu)實(shí)現(xiàn)權(quán)限管控。通過理論分析,，所提出的分級(jí)監(jiān)管模型能夠在滿足消費(fèi)者追溯需求的基礎(chǔ)上,，實(shí)現(xiàn)企業(yè)隱私保護(hù)、分級(jí)授權(quán)管控,、全流程穿透式實(shí)時(shí)監(jiān)管的功能,。在安全方面，該模型在控制策略保持不變的情況下,，改變需加密密鑰的任意一位,，生成密文平均變化率為95.5%；在保持密鑰不變的前提下,，通過改變企業(yè)授權(quán)訪問策略,，引起解密私鑰平均變化率為75.5%，具有較高的混淆性和安全性,。在效率方面,，所設(shè)計(jì)的分級(jí)監(jiān)管模型公開溯源數(shù)據(jù)平均查詢時(shí)延為6.67ms，隱私數(shù)據(jù)平均解密查詢時(shí)延為34.45ms,，數(shù)據(jù)監(jiān)管平均查詢時(shí)延為37.78ms,。

摘要:糧食生產(chǎn)供應(yīng)關(guān)乎國(guó)家安全穩(wěn)定，針對(duì)目前糧食供應(yīng)鏈存在的數(shù)據(jù)共享水平低,、管控智能化程度不高等問題,，構(gòu)建基于工業(yè)互聯(lián)網(wǎng)標(biāo)識(shí)解析技術(shù)的糧食供應(yīng)鏈數(shù)字孿生系統(tǒng)。以大米供應(yīng)鏈為典型對(duì)象,，首先設(shè)計(jì)涵蓋收購(gòu),、運(yùn)輸、加工,、倉(cāng)儲(chǔ),、包裝、銷售的大米全供應(yīng)鏈數(shù)字化模型,，研究基于標(biāo)識(shí)解析體系的各環(huán)節(jié)全要素標(biāo)識(shí)編碼和數(shù)據(jù)開放共享,，建立實(shí)物對(duì)象與信息系統(tǒng)之間的數(shù)字橋梁；提出包含物理層,、網(wǎng)絡(luò)層和孿生層的數(shù)字孿生體系架構(gòu),，形成基于工業(yè)互聯(lián)網(wǎng)的數(shù)據(jù)流通共享基礎(chǔ)，明確孿生體系架構(gòu)的關(guān)鍵模型,；并詳細(xì)闡述設(shè)備,、產(chǎn)線、物料等對(duì)象的全要素精準(zhǔn)建模過程,，構(gòu)成集幾何模型,、物理模型、行為模型和規(guī)則約束模型為一體的數(shù)字孿生模型,；最后借助Unity3D軟件以及C#編程技術(shù)搭建大米供應(yīng)鏈數(shù)字孿生原型系統(tǒng)，實(shí)現(xiàn)對(duì)產(chǎn)線的三維可視化監(jiān)控,。實(shí)驗(yàn)結(jié)果表明,，該系統(tǒng)在供應(yīng)鏈全要素?cái)?shù)據(jù)充分共享基礎(chǔ)上，通過三維展示,、預(yù)測(cè)控制和智能決策一定程度上提升了大米供應(yīng)鏈智能化監(jiān)管能力,，為工業(yè)互聯(lián)網(wǎng)等技術(shù)賦能產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型提供參考。

摘要:針對(duì)綠茶加工殺青理?xiàng)l復(fù)式工序中，因茶葉理?xiàng)l動(dòng)力學(xué)機(jī)理不明而導(dǎo)致成條效果不理想的問題，研究茶葉在連續(xù)復(fù)式理?xiàng)l機(jī)鍋槽內(nèi)茶葉與鍋槽連續(xù)碰撞規(guī)律,，建立茶葉在鍋槽內(nèi)滾動(dòng),、拋撒、碰撞3個(gè)階段的動(dòng)力學(xué)模型,，確定連續(xù)復(fù)式茶葉理?xiàng)l機(jī)的成條機(jī)理,。根據(jù)茶葉在鍋槽內(nèi)的運(yùn)動(dòng)成形規(guī)律，優(yōu)化斜U形鍋槽,，并利用Rocky Dem建立熱固耦合下茶葉-鍋槽相互作用的仿真模型,，通過對(duì)茶葉平均速度及受力進(jìn)行分析，確定了鍋槽往復(fù)運(yùn)動(dòng)速率,、鍋槽擋板角度和鍋槽與水平面夾角的最優(yōu)工作參數(shù),。在最優(yōu)參數(shù)確定的基礎(chǔ)上，采用三因素三水平正交試驗(yàn),，確定實(shí)際工況下的最優(yōu)參數(shù)組合,，試驗(yàn)結(jié)果表明，當(dāng)鍋槽擋板角度為114.1°,、鍋槽往復(fù)運(yùn)動(dòng)速率為190.9r/min,、鍋槽與水平面夾角為3.2°時(shí)，成條率為85.89%,，碎茶率為1.70%,，滿足理?xiàng)l農(nóng)藝要求。驗(yàn)證試驗(yàn)表明,，在該最優(yōu)結(jié)構(gòu)與作業(yè)參數(shù)組合下,，成條率、碎茶率分別為84.26%,、1.79%,，與優(yōu)化結(jié)果相對(duì)誤差在5%以內(nèi)，表明優(yōu)化結(jié)果的可靠性與精度,。該研究可為茶葉理?xiàng)l成形機(jī)理與理?xiàng)l機(jī)關(guān)鍵參數(shù)優(yōu)化提供參考,。

摘要:浸種是玉米生產(chǎn)中重要的播前增種技術(shù),，對(duì)浸種過程中裂紋的高效檢測(cè)是分析玉米胚乳裂紋變化規(guī)律的基礎(chǔ)，是優(yōu)良品種性狀選育的關(guān)鍵之一,，尚存在內(nèi)部胚乳裂紋不可見,、自動(dòng)化檢測(cè)程度不高等困難,。基于CT掃描技術(shù),，在YOLO v5n檢測(cè)網(wǎng)絡(luò)的基礎(chǔ)上,，設(shè)計(jì)了YOLO v5-OBB旋轉(zhuǎn)目標(biāo)檢測(cè)網(wǎng)絡(luò)，其中OBB為有向目標(biāo)邊框,，該網(wǎng)絡(luò)使用旋轉(zhuǎn)矩形框代替普通矩形框,，并在Backbone部分加入位置注意力模塊(CA)，同時(shí)采用傾斜非極大值抑制算法(Skew-NMS)進(jìn)行非極大值抑制得到最終預(yù)測(cè)框,，以此實(shí)現(xiàn)長(zhǎng)寬比大,、方向不一的玉米胚乳裂紋檢測(cè)。經(jīng)過300次迭代訓(xùn)練,，模型在測(cè)試集上的精確率P為94.2%,，召回率R為81.7%，平均精度(AP)為88.2%,，模型內(nèi)存占用量為4.21MB,，單幅圖像平均檢測(cè)時(shí)間為0.01s，與SASM,、S2A-Net和ReDet旋轉(zhuǎn)目標(biāo)檢測(cè)網(wǎng)絡(luò)相比,，AP分別提高15.0、16.9,、7.0個(gè)百分點(diǎn),，單幅圖像平均檢測(cè)時(shí)間分別減少0.19、0.22,、0.46s,，同時(shí)YOLO v5-OBB模型內(nèi)存占用量分別為SASM、S2A-Net和ReDet模型的1.50%,、1.43%和1.73%,，與采用水平矩形框標(biāo)注的YOLO v5網(wǎng)絡(luò)相比，AP提高0.6個(gè)百分點(diǎn),，模型大小減小0.19MB,，單幅圖像平均檢測(cè)時(shí)間不變，兩者均為0.01s,。將YOLO v5-OBB網(wǎng)絡(luò)獲取裂紋目標(biāo)框坐標(biāo)信息后得到的裂紋長(zhǎng)度與在DragonflyEZ軟件中得到的裂紋真實(shí)長(zhǎng)度相比,，兩者絕對(duì)誤差為0.04mm,，相對(duì)誤差為0.93%,。對(duì)不同CT灰度分布情況下玉米胚乳裂紋檢測(cè)結(jié)果表明，該模型對(duì)較小灰度,、較大灰度,、混合灰度3種玉米胚乳裂紋圖像的P分別為100%,、100%、93.3%,，R分別為100%,、82.4%和79.8%，AP分別為99.5%,、91.2%和86.8%,。結(jié)果表明，所設(shè)計(jì)模型能有效實(shí)現(xiàn)玉米胚乳裂紋的檢測(cè),，同時(shí)模型魯棒性高,，內(nèi)存占用量小，可為玉米浸種過程胚乳裂紋的自動(dòng)監(jiān)測(cè)提供借鑒,。

摘要:茶葉等級(jí)評(píng)價(jià)是檢測(cè)茶葉品質(zhì)的一項(xiàng)重要技術(shù)指標(biāo),。通過提取紅茶高光譜成像技術(shù)下的圖像特征和光譜特征,，構(gòu)建一種基于圖譜融合方法、適用于英德紅茶等級(jí)評(píng)價(jià)的快速無(wú)損判別模型,。首先制備3種不同等級(jí)的紅茶樣本,，采用t分布-隨機(jī)近鄰嵌入和主成分分析對(duì)光譜數(shù)據(jù)進(jìn)行降維可視化分析，然后從影響內(nèi)在品質(zhì)角度用連續(xù)投影法提取每種化學(xué)值的特征波長(zhǎng),，通過多模型共識(shí)策略和競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法-連續(xù)投影法篩選得出表征其內(nèi)在品質(zhì)的最佳特征波長(zhǎng)組合,，并建立基于遺傳算法優(yōu)化支持向量機(jī)的等級(jí)判別模型；其模型的訓(xùn)練集準(zhǔn)確率為88%,，預(yù)測(cè)集準(zhǔn)確率為78.33%,。為了融合外形紋理差異，先提取最佳特征波長(zhǎng)組合對(duì)應(yīng)的高光譜圖像,；采用圖像掩膜消除背景的干擾和采用圖像主成分分析消除多波長(zhǎng)圖像間的冗余信息,，然后采用灰度共生矩陣和局部二值化算法提取主成分前三維主成分圖像與特征光譜融合，并建立基于特征融合的遺傳算法優(yōu)化支持向量機(jī)等級(jí)判別模型,，且基于第三主成分圖像特征融合模型判別效果最佳,，訓(xùn)練集準(zhǔn)確率提升至98%，預(yù)測(cè)集準(zhǔn)確率提升至96.67%,。

摘要:針對(duì)缺陷雞蛋差異性大,、人工檢測(cè)主觀性強(qiáng),、實(shí)時(shí)性差，消費(fèi)者存在食品安全隱患等問題,，提出一種基于深度學(xué)習(xí)的移動(dòng)端缺陷蛋無(wú)損檢測(cè)系統(tǒng),，實(shí)現(xiàn)對(duì)裂紋蛋和血斑蛋的實(shí)時(shí)檢測(cè)。首先,，建立改進(jìn)的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)MobileNetV2_CA模型,，以MobileNetV2原網(wǎng)絡(luò)為基礎(chǔ)，通過嵌入坐標(biāo)注意力機(jī)制,、調(diào)整寬度因子,、遷移學(xué)習(xí)等操作對(duì)其進(jìn)行優(yōu)化，并進(jìn)行PC端檢測(cè)對(duì)比試驗(yàn),。試驗(yàn)結(jié)果表明：建立的MobileNetV2_CA模型驗(yàn)證集準(zhǔn)確率達(dá)93.93%,，召回率為94.73%，單個(gè)雞蛋平均檢測(cè)時(shí)間為9.9ms,，對(duì)比改進(jìn)前MobileNetV2模型準(zhǔn)確率提升3.60個(gè)百分點(diǎn),、召回率提4.30個(gè)百分點(diǎn)、檢測(cè)時(shí)間縮短2.62ms,；MobileNetV2_CA模型的參數(shù)量為2.36×106,，較原MobileNetV2網(wǎng)絡(luò)模型降低31.59%。然后,，利用NCNN深度學(xué)習(xí)框架對(duì)MobileNetV2_CA模型進(jìn)行訓(xùn)練,，并通過格式轉(zhuǎn)換部署至Android移動(dòng)端，進(jìn)行NCNN深度學(xué)習(xí)訓(xùn)練模型的移動(dòng)端檢測(cè)驗(yàn)證,，及其與TensorFlow Lite深度學(xué)習(xí)模型的對(duì)比分析,。試驗(yàn)結(jié)果表明：NCNN深度學(xué)習(xí)模型對(duì)缺陷蛋平均識(shí)別準(zhǔn)確率達(dá)到92.72%，單個(gè)雞蛋平均檢測(cè)時(shí)間為22.1ms,，庫(kù)文件大小僅2.7MB,，均優(yōu)于TensorFlow Lite，更能滿足實(shí)際應(yīng)用要求,。

摘要:探討了低氧誘導(dǎo)因子-1α（Hypoxia inducible factor-1α, HIF-1α）介導(dǎo)脯氨酰羥化酶（Proline hydroxylase domain, PHD）調(diào)控糖酵解酶活性及宰后牦牛肉肉色穩(wěn)定性的變化,，以牦牛背最長(zhǎng)肌為研究對(duì)象,，經(jīng)過二甲基乙二酰氨基乙酸（Dimethyloxalylglycine, DMOG）和利非西呱（Lificiguat,YC-1）處理，通過測(cè)定PHD活力,、a*值,、糖酵解酶活性、線粒體功能,、Mb特性等指標(biāo)的變化來(lái)探究PHD對(duì)宰后牦牛肉肉色穩(wěn)定性的影響,。研究結(jié)果表明：與對(duì)照組相比，DMOG組的LDH活力,、MRA含量,、NADH含量、OMb含量和MMb含量均在6~72h顯著升高（P<0.05）,，而DMOG組的PHD活力,、線粒體膜電位,、DMb含量和NAD+含量顯著降低（P<0.05）,，同時(shí)DMOG組的Mb二級(jí)結(jié)構(gòu)穩(wěn)定性也高于對(duì)照組，YC-1組的作用均與DMOG組相反,。綜上,，HIF-1α介導(dǎo)PHD通過下調(diào)LDH及MRA的活性和影響線粒體的功能,，降低NADH含量，使MMb無(wú)法被還原為OMb,。同時(shí),，該通路還會(huì)使Mb二級(jí)結(jié)構(gòu)穩(wěn)定性下降，最終導(dǎo)致肉色穩(wěn)定性降低,，肉色發(fā)生劣變,。

摘要:針對(duì)缺乏適宜溫室大棚作業(yè)的小功率電動(dòng)拖拉機(jī)的問題,，本文設(shè)計(jì)了一臺(tái)10kW增程式電動(dòng)履帶拖拉機(jī),，完成了工況分析、電驅(qū)系統(tǒng)設(shè)計(jì)和試驗(yàn),。針對(duì)行走,、旋耕、開溝工況進(jìn)行了性能測(cè)試,，試驗(yàn)結(jié)果表明所設(shè)計(jì)的增程式電動(dòng)拖拉機(jī)能夠?qū)崿F(xiàn)傳統(tǒng)燃油履帶式拖拉機(jī)所具備的功能,。測(cè)試結(jié)果表明，速度4.8km/h行走工況電動(dòng)機(jī)消耗功率約為3.2kW,，速度2km/h旋耕作業(yè)工況電機(jī)消耗功率約為3.75kW,，速度2km/h開溝工況電機(jī)消耗功率約為3.3kW。當(dāng)前電池配置下,，可以支持行走工作2.2h,，旋耕工作1.9h和開溝工作2.1h,，純電模式基本滿足小規(guī)模溫室大棚零排放作業(yè)需求。需要持續(xù)大負(fù)載工作時(shí),，增程式電動(dòng)拖拉機(jī)可以啟動(dòng)增程器與電池協(xié)同供電以實(shí)現(xiàn)持續(xù)工作,。

摘要:提出一種RPR型多冗余驅(qū)動(dòng)兩轉(zhuǎn)一移并聯(lián)機(jī)構(gòu)2RPU+2UPR+RPR,。基于螺旋理論建立機(jī)構(gòu)運(yùn)動(dòng)螺旋系與約束螺旋系,，分析機(jī)構(gòu)自由度性質(zhì),；建立機(jī)構(gòu)運(yùn)動(dòng)學(xué)模型，基于軟件仿真結(jié)果驗(yàn)證理論模型正確性,；推導(dǎo)機(jī)構(gòu)傳遞螺旋系,，建立機(jī)構(gòu)局部性能指標(biāo)與全域性能指標(biāo)；基于優(yōu)質(zhì)工作空間和優(yōu)質(zhì)傳遞性能分布對(duì)機(jī)構(gòu)進(jìn)行尺度優(yōu)化,，獲得機(jī)構(gòu)優(yōu)化尺度與傳遞性能圖譜,，分析關(guān)鍵尺度參數(shù)對(duì)機(jī)構(gòu)傳遞性能的影響；基于雅可比矩陣和傳遞性能分布分析優(yōu)化尺度下機(jī)構(gòu)奇異特性,，機(jī)構(gòu)在優(yōu)化空間內(nèi)無(wú)奇異位形,。

摘要:對(duì)于典型的呼吸躍變型水果,，降低外源乙烯濃度可以減弱果實(shí)對(duì)乙烯的敏感性,，從而延緩內(nèi)源乙烯躍變高峰及呼吸躍變高峰的出現(xiàn)，對(duì)果實(shí)起到一定的延緩衰老作用,。首先采用MOX氣體傳感器構(gòu)建高精度乙烯濃度傳感器,；其次，基于Kernel DM+V算法,，開展單一和多氣源定位實(shí)驗(yàn),，形成SLAM-GDM地圖對(duì)未知環(huán)境中的乙烯進(jìn)行氣源定位和濃度分布可視化；最后采用乙烯降解機(jī)器人開展降解實(shí)驗(yàn),。實(shí)驗(yàn)結(jié)果表明：所建立的氣體分布模型能夠預(yù)測(cè)氣源位置,，SLAM-GDM地圖性能在預(yù)測(cè)單氣源位置上的平均誤差為0 78m，精度高于95%；多氣源位置預(yù)測(cè)實(shí)驗(yàn)表明,，方差分析具有較高預(yù)測(cè)精度,，氣源預(yù)測(cè)位置平均誤差小于0.48m，相對(duì)誤差小于5%,；氣體降解機(jī)器人能夠根據(jù)乙烯氣體分布圖較為準(zhǔn)確地找到氣源位置,，并以較高的速率進(jìn)行乙烯降解。本研究通過移動(dòng)機(jī)器人進(jìn)行乙烯氣源定位與降解乙烯,，從而延長(zhǎng)水果保鮮期和貨架期，在水果保鮮領(lǐng)域具有應(yīng)用前景,。