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:由“植物診所”形成的電子病歷為作物病害處方推薦提供了新的思路。如何高效地挖掘電子病歷數(shù)據(jù)并輔助作物病害處方推薦,，目前還是亟待解決的研究熱點問題,。在總結(jié)和整理現(xiàn)有國內(nèi)外研究文獻(xiàn)的基礎(chǔ)上,，對基于顯微圖像的作物病害病菌孢子識別,、基于光譜的作物病害診斷、基于電子病歷的作物病害處方推薦等作物病害診斷與處方推薦關(guān)鍵技術(shù)進(jìn)行了系統(tǒng)分析與討論,。綜述結(jié)果表明,，圍繞作物病害病菌侵染過程，以智能化處方推薦需求為導(dǎo)向,，開展基于電子病歷數(shù)據(jù)挖掘的作物病害處方推薦研究,，將成為一個研究重點。針對作物病害處方推薦過程中,，存在由于作物病害致病機理復(fù)雜,、作物品種及病害種類多、病害病癥動態(tài)變化且特征多等特點和難點,，研究基于電子病歷數(shù)據(jù)挖掘的作物病害致病機理解析,、診斷推理、智能化處方推薦及其應(yīng)用策略,，將是研究的重大方向,；探索基于知識圖譜分析、大數(shù)據(jù)挖掘和機器學(xué)習(xí)算法推理等關(guān)鍵技術(shù)的作物病害電子病歷數(shù)據(jù)挖掘分析研究,，從區(qū)域宏觀視角可視化解析作物病害致病機理及其與特征間的關(guān)聯(lián)關(guān)系,，面向?qū)嶋H應(yīng)用場景實現(xiàn)基于診斷推理的單一作物病害處方推薦、基于語義匹配的多種作物多種病害處方推薦,，具有更大的實際意義,。

摘要:為了解決東北玉米壟作免耕播種機作業(yè)時纏繞堵塞工作部件,，減小對土壤擾動，提高破茬開溝質(zhì)量等問題，優(yōu)化設(shè)計了防纏繞破茬清壟裝置,，主要包括阿基米德螺線鋸齒型缺口圓盤破茬刀和星型清壟輪,。通過理論分析確定了影響破茬清壟裝置作業(yè)性能的主要參數(shù)為機具前進(jìn)速度Vm、破茬刀入土深度h以及清壟輪安裝偏置角α,。利用離散元軟件EDEM進(jìn)行二次回歸正交旋轉(zhuǎn)組合仿真試驗,，確定了該裝置的最優(yōu)工作參數(shù)組合為：機具前進(jìn)速度Vm為7km/h、破茬刀入土深度h為75mm,、清壟輪安裝偏置角α為30°,。通過田間驗證試驗，得出破茬清壟裝置在最優(yōu)工作參數(shù)組合下的破茬率為92.21%,，清秸率為93.49%,，驗證了仿真理論研究結(jié)果，機具通過性顯著提高,，達(dá)到了東北玉米壟作免耕播種農(nóng)藝和農(nóng)機的技術(shù)要求,。

摘要:針對花生氣吸滾筒式穴播器因一次投種性能不穩(wěn)定造成單粒率低的問題,，通過在氣吸滾筒式穴播器的取種盤和二次投種機構(gòu)之間增設(shè)分種盤，將種子限定在一個較小的齒形空間內(nèi),，并撥動種子沿著預(yù)定軌道運動,，提高了氣吸滾筒式穴播器投種的準(zhǔn)確性和精度。設(shè)計并分析了分種盤的分種齒齒形和分種盤與取種盤的位置關(guān)系,，確定了分種盤結(jié)構(gòu)和位置參數(shù),。借助DEM-CFD耦合方法研究了氣吸滾筒式穴播器的工作過程，分析了攜種區(qū)種子的運動軌跡,，闡明了漏播和重播產(chǎn)生機理,。以單粒率、漏播率和重播率為評價指標(biāo)進(jìn)行三因素二次旋轉(zhuǎn)正交組合試驗,，分析了齒形方向角,、安裝角、作業(yè)速度對投種性能的影響,，結(jié)果表明：當(dāng)齒形方向角為-4.55°,、安裝角為14.99°和作業(yè)速度為4.01km/h時，氣吸滾筒式穴播器的排種性能最優(yōu),，此時單粒率為94.99%,，漏播率為2.49%，重播率為2.52%。以最優(yōu)組合為基礎(chǔ)進(jìn)行田間試驗,，當(dāng)作業(yè)速度為3.51~4.51km/h時,，試驗結(jié)果滿足花生單粒精量播種機械技術(shù)要求，且安裝分種盤比未安裝分種盤的單粒率提升超過1.46個百分點,，排種優(yōu)勢明顯,。

摘要:以茄科蔬菜穴盤苗為作業(yè)對象,，開展了多株蔬菜同步自動嫁接技術(shù)及關(guān)鍵機構(gòu)研究,。提出了基于劈接法的茄科蔬菜六株同步自動嫁接機的整機結(jié)構(gòu)方案，該機可連續(xù)實現(xiàn)穴盤苗自動進(jìn)給,、砧穗木的切削與插接,、嫁接夾的定向排序與持送上夾等功能。重點設(shè)計了嫁接機的砧木平切機構(gòu),、砧木劈切機構(gòu),、穗木推切機構(gòu)、砧木與穗木插接機構(gòu),、振動排序供夾裝置及持送上夾機構(gòu)等關(guān)鍵機構(gòu),，確定了各機構(gòu)的主要結(jié)構(gòu)參數(shù)。以辣椒苗為嫁接對象,，開展了六株同步嫁接機切削質(zhì)量正交試驗,，試驗結(jié)果表明，提高對苗株的夾持精度和切削速度及較小的莖稈纖維硬度有利于提高切削質(zhì)量,。當(dāng)切削速度為1.5m/s時,，嫁接期辣椒苗樣機性能驗證試驗結(jié)果表明，砧穗木切削合格率98.6%,、嫁接合格率97.1%,、嫁接成活率96.2%、嫁接效率720株/h,，達(dá)到了設(shè)計要求,。

摘要:針對甘藍(lán)傳統(tǒng)栽植裝置存在栽植深淺不一,、倒伏率及傷苗率高,、影響機收作業(yè)性能的問題,，以甘藍(lán)基質(zhì)塊苗為對象,，設(shè)計了一種雙排鏈?zhǔn)皆灾惭b置，通過對該裝置及關(guān)鍵部件進(jìn)行理論分析,，確定裝置的工作參數(shù),。搭建甘藍(lán)基質(zhì)塊苗雙排鏈?zhǔn)皆灾惭b置試驗臺，以前進(jìn)速度,、栽植頻率,、栽植器內(nèi)夾板夾力為試驗因素對倒伏率和傷苗率進(jìn)行三因素五水平二次回歸正交旋轉(zhuǎn)組合試驗：通過Design-Expert 8.0.6軟件建立回歸模型，分析了各因素對指標(biāo)的影響關(guān)系,，同時采用響應(yīng)面法對影響因素進(jìn)行了綜合優(yōu)化,，得到最優(yōu)參數(shù)組合：前進(jìn)速度1.6km/h、栽植頻率57株/min,、內(nèi)夾板夾力91.83N,，對應(yīng)倒伏率2.9%、傷苗率2.83%,。對參數(shù)組合進(jìn)行臺架試驗驗證,，結(jié)果為倒伏率3.13%、傷苗率3.07%,，與優(yōu)化結(jié)果基本一致,，驗證了所建模型與優(yōu)化參數(shù)的合理性。田間試驗結(jié)果為：倒伏率3.35%,、傷苗率3.14%,，與兩指標(biāo)的優(yōu)化結(jié)果相對誤差分別為0.45%和0.31%，表明該裝置具有較高的穩(wěn)定性,。

摘要:智能除草機器人在草坪作業(yè)時,，易受到外界擾動以及系統(tǒng)不確定性的影響,，從而導(dǎo)致軌跡跟蹤收斂時間長以及跟蹤效果差等問題。因此,，設(shè)計一種面向軌跡跟蹤的自適應(yīng)快速積分終端滑?？刂扑惴āＪ紫?，考慮驅(qū)動輪動力學(xué)特性以及未建模誤差,、外界干擾,、動靜摩擦等不確定性因素，建立除草機器人的動力學(xué)模型,。然后基于所建立的動力學(xué)模型,，設(shè)計自適應(yīng)快速積分終端滑模控制器,。所提出的控制器結(jié)合了快速終端滑模,、積分滑模和自適應(yīng)估計技術(shù)的優(yōu)點，能夠?qū)崿F(xiàn)期望的跟蹤性能并抑制控制信號抖動,。同時,，在不需要明確系統(tǒng)不確定性和外界干擾上界的情況下，可以通過所設(shè)計自適應(yīng)估計項進(jìn)行實時補償,，提高系統(tǒng)的魯棒性,。最后，通過仿真和試驗驗證了該方法的有效性,。試驗結(jié)果表明,，所設(shè)計的控制器能夠使跟蹤誤差在有限時間內(nèi)快速收斂，并且橫向誤差絕對值不超過0.0979m,，縱向誤差絕對值不超過0.1026m,，航向角誤差絕對值不超過0.0578rad，保證除草機器人準(zhǔn)確跟蹤作業(yè)路徑,，同時具有較強的魯棒性,。

摘要:為適應(yīng)水田行走和不同壟寬等復(fù)雜的農(nóng)藝條件,，設(shè)計了一種輪距寬度可調(diào)的高地隙四驅(qū)農(nóng)田信息采集機器人,。利用SolidWorks對整體結(jié)構(gòu)進(jìn)行設(shè)計分析和零部件選型，設(shè)計了基于GNSS和INS的組合導(dǎo)航與路徑跟蹤控制系統(tǒng),，并對機器人進(jìn)行了水田行走性能測試和信息采集試驗,。結(jié)果表明，機器人四輪驅(qū)動方式具備較好的速度一致性,，地隙與輪距調(diào)節(jié)機構(gòu)調(diào)節(jié)到位誤差率為1.33%和0.73%,；直線路徑跟蹤的平均橫向誤差為6.8cm，直角轉(zhuǎn)彎的平均收斂時間為25.6s,；機器人最大行駛速度為1m/s,，單點信息采集平均耗時為24.5s，傳感器采集的各類數(shù)據(jù)均滿足使用要求,，該信息采集機器人可實現(xiàn)復(fù)雜條件下的農(nóng)田信息采集工作,。

摘要:飼料的定期推送是奶牛飼喂過程中的重要環(huán)節(jié),，針對現(xiàn)有推料機器人功能單一，無法滿足奶牛飼喂需求的問題,，開發(fā)了奶牛智能推料機器人,。構(gòu)建奶牛,、飼料和牛欄參照物識別與分割的YOLACT模型,，融合掩膜圖像、深度圖與ORB-SLAM3定位信息,，實現(xiàn)覓食奶牛的快速定位與機器人導(dǎo)航信息的提?。换谛畔⑷诤咸岢鲋悄芡屏纤惴?，根據(jù)覓食奶牛的定位信息,、投料時間信息、機器人的導(dǎo)航信息,，自動選擇工作模式,，控制機器人沿著預(yù)定的軌跡，實現(xiàn)推料,、集料送料,、清料等多模式推料功能，滿足奶牛個性化自由采食需求,，提升飼料利用率,。試驗結(jié)果表明：覓食奶牛的位置識別定位精度為±0.1m，奶牛識別率為100%,，機器人導(dǎo)航精度為±0.8cm,，智能推料準(zhǔn)確率為100%，算法運行速率為12f/s,，滿足復(fù)雜環(huán)境下機器人智能推料的要求,。

摘要:為探究不同農(nóng)用輪胎對東北黑土區(qū)土壤壓實的影響,，探索減少土壤壓實、改善農(nóng)田生態(tài),、保護(hù)黑土地的有效路徑,，本文以東北地區(qū)典型黑土耕地為對象,，在玉米播種環(huán)節(jié)開展基于不同農(nóng)用輪胎的田間作業(yè)對比試驗。試驗設(shè)置超低壓子午線和普通子午線輪胎2種農(nóng)用輪胎類型,，采用科學(xué)取樣法統(tǒng)計土壤緊實度,、土壤含水率、土壤容重及土壤孔隙度4個關(guān)鍵土壤物性參數(shù),。在此基礎(chǔ)上,，基于CRITIC-熵權(quán)法構(gòu)建土壤壓實綜合評價模型，并對普通子午線輪胎（CK）,、超低壓子午線輪胎（VF）在深度5,、10、15,、20cm處的土壤壓實狀況進(jìn)行統(tǒng)計學(xué)評價,。試驗結(jié)果表明，在土壤深度0~20cm內(nèi),，相對于普通子午線輪胎,，超低壓子午線輪胎使土壤緊實度降低11.38%、7.97%,、5.36%,、4.55%，土壤含水率提高11.06%,、10.07%,、7.37%、5.95%,，土壤容重降低3.71%,、3.81%、3.12%,、2.73%,，土壤孔隙度提高11.13%、12.25%,、8.92%,、5.86%。不同處理的土壤綜合評價得分由大到小排序為VF5,、VF10,、CK5、VF15,、CK10,、VF20、CK15,、CK20,，說明在同等條件下,，相對普通子午線輪胎，超低壓子午線輪胎壓實后土壤綜合狀況更好,。說明超低壓子午線輪胎對于降低黑土壓實,、維護(hù)土壤物理環(huán)境具有積極作用，有助于保護(hù)黑土地,、保障國家糧食安全,。

摘要:植保無人機易因藥液劇烈晃動出現(xiàn)操控困難甚至失穩(wěn)。針對這一問題,，并考慮質(zhì)量限制要求,，提出了一種液體晃動抑制裝置——彈性約束浮板。搭建晃動力測量系統(tǒng),，試驗研究了不同液體深度和激勵頻率下浮板的晃動抑制效果，分析了浮板結(jié)構(gòu)和約束屬性對浮板抑制能力的影響,。結(jié)果表明：浮板不受約束時,，晃動抑制能力較弱,；剛性約束在某一液體深度范圍內(nèi)有良好的抑制能力；彈性約束則擴大了具備良好抑制能力的液體深度范圍,。浮板位于液面附近且彈性繩能被浮板牽拉時，即使激勵頻率接近固有頻率,，液體晃動力也僅為原來的1/3~1/2,。位于液面以下較深位置時，浮板晃動抑制能力基本消失,。浮板位置受彈性繩長度影響,，需要根據(jù)液體深度變化范圍合理選擇繩索原長。浮板面積越大,，晃動抑制效果越好,。但在很多工況下，相對較小的浮板也可獲得良好的抑制能力,，從而具有更大的靈活性,。彈性約束浮板使自由液面的衰減加速，顯著提高了振蕩系統(tǒng)的阻尼比,。對于姿態(tài)頻繁變化,、藥液易于大幅晃動的植保無人機，彈性約束浮板具有很好的實用價值,。

摘要:為降低大豆聯(lián)合收獲機割臺損失率,，本文通過分析收獲過程得出撥禾輪作用范圍、莖稈回彈,、撥禾輪高度對割臺損失率的影響規(guī)律,；以最小割臺損失率為目標(biāo)，利用ANSYS-ADAMS聯(lián)合仿真探究收獲不同高度大豆的撥禾輪最優(yōu)參數(shù),。使用ANSYS軟件建立大豆植株柔性模型,，在ADAMS軟件中建立撥禾輪-大豆莖稈剛?cè)狁詈夏Ｐ停ㄟ^單因素預(yù)試驗確定關(guān)鍵參數(shù)的范圍,，以大豆聯(lián)合收獲機撥禾輪高度,、撥禾速比、撥禾輪前移距離和大豆植株高度為試驗因素,，以撥禾輪對大豆莖稈的碰撞力,、撥禾輪作用程度為指標(biāo)開展四因素五水平二次回歸中心組合仿真試驗，建立了試驗因素與試驗指標(biāo)間的數(shù)學(xué)模型,，建立以作用程度最大,、撥禾碰撞力最小為目標(biāo)的優(yōu)化方程，確定大豆聯(lián)合收獲機撥禾輪最優(yōu)撥禾速比,、最優(yōu)前移距離,、最優(yōu)高度與大豆植株高度之間存在線性對應(yīng)關(guān)系，大豆聯(lián)合收獲機拔禾輪參數(shù)對碰撞力與作用程度影響主次順序為：撥禾速比,、撥禾輪高度,、撥禾輪前移距離。開展以撥禾輪高度,、撥禾速比,、撥禾輪前移距離為因素，以撥禾輪對大豆莖稈的碰撞力,、撥禾輪作用程度為指標(biāo)的仿真試驗和以割臺損失率為指標(biāo)的田間試驗,，模型計算與仿真的碰撞力偏差平均為1.18N，撥禾輪作用程度偏差量平均為4.80%,，仿真模型準(zhǔn)確,；在理論最優(yōu)撥禾輪參數(shù)組合下，大豆聯(lián)合收獲機割臺損失率最小,，參數(shù)優(yōu)化結(jié)果準(zhǔn)確,。本研究可為大豆聯(lián)合收獲機撥禾輪參數(shù)優(yōu)化和降低割臺損失提供參考。

摘要:掌握永久基本農(nóng)田非糧生產(chǎn)地塊特征、空間集聚及驅(qū)動因子可為優(yōu)化作物種植空間布局,、完善耕地精細(xì)化管控策略提供參考依據(jù),。基于廣西壯族自治區(qū)第三次全國國土調(diào)查數(shù)據(jù),，分析全區(qū)永久基本農(nóng)田非糧生產(chǎn)現(xiàn)狀,、類型以及地塊特征，采用探索性空間數(shù)據(jù)分析方法,、最小二乘法,、地理加權(quán)回歸模型識別永久基本農(nóng)田非糧生產(chǎn)空間集聚特征、驅(qū)動因子及其作用效應(yīng)的空間差異,。結(jié)果表明：全區(qū)永久基本農(nóng)田非糧生產(chǎn)地塊主要分布在中部,、西部、北部,，非糧生產(chǎn)類型以果樹和喬木為主,，占非糧生產(chǎn)面積的88.85%；非糧生產(chǎn)地塊的耕地質(zhì)量,、灌溉條件低于全區(qū)平均水平，但集中分布在地勢平坦的區(qū)域,，田面坡度小于等于6°的地塊占77.86%,；非糧生產(chǎn)比例在縣級尺度上呈現(xiàn)顯著空間正自相關(guān)性，H-H型主要分布在中部和西南部,，L-L型主要分布在東部和西北部,，H-L型集中分布在西部；田塊規(guī)模,、人均永久基本農(nóng)田面積,、農(nóng)村居民人均可支配收入、各縣到省會城市距離與縣域非糧生產(chǎn)比例呈正相關(guān),，耕地質(zhì)量,、灌溉保證率與縣域非糧生產(chǎn)比例呈負(fù)相關(guān)，不同驅(qū)動因子對非糧生產(chǎn)的影響存在顯著的空間差異性,。未來應(yīng)從優(yōu)化作物布局,、加強質(zhì)量建設(shè)、監(jiān)管屬性特征、完善保護(hù)補償?shù)确矫婕訌娙珔^(qū)永久基本農(nóng)田非糧生產(chǎn)地塊的管控,。

摘要:針對遙感圖像河流數(shù)據(jù)樣本人工標(biāo)注成本高且難以大量獲取,，以及網(wǎng)絡(luò)在河流圖像邊緣細(xì)節(jié)提取的效果不佳問題,，提出一種通過自監(jiān)督對比學(xué)習(xí)方式利用大量無標(biāo)簽遙感河流圖像數(shù)據(jù)進(jìn)行編碼器預(yù)訓(xùn)練，并使用少量標(biāo)簽數(shù)據(jù)對預(yù)訓(xùn)練后的編碼器進(jìn)行微調(diào),，同時在編解碼結(jié)構(gòu)中使用一種新的非均勻采樣方式的語義分割網(wǎng)絡(luò),。自監(jiān)督對比學(xué)習(xí)可以利用大量無標(biāo)簽數(shù)據(jù)進(jìn)行前置任務(wù)模型訓(xùn)練，僅需少量標(biāo)簽數(shù)據(jù)對下游河流提取任務(wù)模型微調(diào)即可,；非均勻采樣方式能夠通過對高頻區(qū)域密集采樣,、對低頻區(qū)域稀疏采樣的方式獲得圖像中不同類別之間清晰的邊界信息和同類別區(qū)域中的細(xì)節(jié)信息，減少模型的冗余度,。在河流數(shù)據(jù)集上的實驗表明,，利用360幅有標(biāo)簽數(shù)據(jù)對預(yù)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行微調(diào)，其像素準(zhǔn)確率,、交并比,、召回率分別達(dá)到90.4%、68.6%和83.2%,，與使用1200幅有標(biāo)簽數(shù)據(jù)訓(xùn)練的有監(jiān)督AFR-LinkNet網(wǎng)絡(luò)性能相當(dāng),；在使用全部數(shù)據(jù)標(biāo)簽進(jìn)行微調(diào)后，網(wǎng)絡(luò)的像素準(zhǔn)確率,、交并比,、召回率分別達(dá)到93.7%、73.2%和88.5%,，相比AFR-LinkNet,、DeepLabv3+、LinkNet,、ResNet50和UNet網(wǎng)絡(luò),，像素準(zhǔn)確率分別提高3.1、7.6,、12.3,、14.9、19.8個百分點,，交并比分別提高3.5,、8.7,、10.5、16.9,、24.0個百分點,，召回率分別提高2.1、4.8,、6.7,、9.4、12.9個百分點,，驗證了模型在河流圖像上精準(zhǔn)提取河流的有效性,。該算法模型對于解決缺少大量有標(biāo)簽數(shù)據(jù)和分析我國寒旱區(qū)河流分布、水災(zāi)害預(yù)警,、水資源合理利用以及農(nóng)業(yè)灌溉發(fā)展等具有重要意義,。

摘要:為精準(zhǔn),、高效、實時地實現(xiàn)區(qū)域冬小麥產(chǎn)量估算,，以河南省鶴壁市淇縣橋盟鄉(xiāng)石橋村為研究區(qū),，基于分辨率10m的Sentinel-2多時相光學(xué)遙感影像，利用集合卡爾曼濾波（Ensemble Kalman filter,，EnKF）算法同化PROSAIL輻射傳輸模型反演的多期葉面積指數(shù)（Leaf area index,，LAI）到PyWOFOST作物生長模型中實現(xiàn)一定數(shù)量不同長勢單點產(chǎn)量的估測，最后利用建立的機器學(xué)習(xí)模型和面域數(shù)據(jù)反演區(qū)域冬小麥產(chǎn)量,，實現(xiàn)作物生長模型與機器學(xué)習(xí)算法的應(yīng)用耦合及一種新的區(qū)域冬小麥估產(chǎn)模式,。研究基于Sobol參數(shù)敏感性分析法量化對貯藏器官總干重質(zhì)量（Total dry weight of storage organs，TWSO）與LAImax的敏感性參數(shù),，并基于反演的多期LAI和粒子群優(yōu)化（Particle swarm optimization，PSO）算法優(yōu)化與LAImax相關(guān)的TDWI,、TBASE,、CVS、CVL敏感性參數(shù),，將其輸入到PyWOFOST模型中,，利用EnKF算法和時序LAI數(shù)據(jù)調(diào)整對TWSO相關(guān)的AMAXTB1、TDWI,、TSUMEM,、CVO敏感性參數(shù)，實現(xiàn)單點產(chǎn)量的估算；與實測單點產(chǎn)量相比,，該方法估算的R2,、RMSE、MAE,、Bias分別為0.8665,、468.64kg/hm2、385.70kg/hm2和103.08,，為建立隨機森林回歸（Random forest regression,，RFR）區(qū)域估產(chǎn)算法提供準(zhǔn)確的單點產(chǎn)量訓(xùn)練數(shù)據(jù)。針對研究區(qū)（309.32hm2）,，基于不同長勢人工樣點產(chǎn)量數(shù)據(jù)建立的RFR區(qū)域估產(chǎn)算法,，區(qū)域估產(chǎn)精度為99.44%，每公頃算法運行用時1.55s,；應(yīng)用EnKF算法同化多時期面域LAI到PyWOFOST作物生長模型中的區(qū)域估產(chǎn)精度為89.01%,，每公頃算法運行用時約0.47h；耦合PyWOFOST作物生長模型與RFR機器學(xué)習(xí)算法的區(qū)域估產(chǎn)精度達(dá)到95.58%,，每公頃算法運行用時8.85s（訓(xùn)練數(shù)據(jù)的單點產(chǎn)量計算占總時長約81.35%）,，顯著降低機器學(xué)習(xí)算法所需的人工成本和同化變量過程計算的時間及算力成本。研究結(jié)果為準(zhǔn)確,、快速的大區(qū)域作物估產(chǎn)提供理論支持和技術(shù)參考,。

摘要:為進(jìn)一步提升無人機遙感快速監(jiān)測覆膜條件下冬小麥葉面積指數(shù)（Leaf area index,，LAI）的能力，以壟溝覆膜冬小麥為研究對象,，利用無人機搭載五通道多光譜傳感器獲取2021—2022年冬小麥出苗期,、越冬期、返青期,、拔節(jié)期,、抽穗期和灌漿期的遙感影像數(shù)據(jù)，使用監(jiān)督分類剔除背景并計算50種可見光和近紅外植被指數(shù),，采用主成分分析,、相關(guān)系數(shù)法、決策樹排序和遺傳算法進(jìn)行特征降維,，結(jié)合偏最小二乘,、嶺回歸,、支持向量機、隨機森林,、梯度上升和人工神經(jīng)網(wǎng)絡(luò)6種機器學(xué)習(xí)算法建立不同輸入特征變量下的覆膜冬小麥LAI反演模型,，并進(jìn)行精度評價。結(jié)果表明,，剔除覆膜背景使冬小麥冠層反射率更接近真實值,，提高反演精度。采用適宜的特征降維方法結(jié)合機器學(xué)習(xí)算法能夠提高覆膜冬小麥LAI的反演精度和穩(wěn)定性,，對比特征降維前的反演精度,，主成分分析和相關(guān)系數(shù)法無法優(yōu)化反演效果，決策樹排序只適用于基于樹模型的隨機森林和梯度上升算法,，遺傳算法優(yōu)化效果明顯,，遺傳算法-人工神經(jīng)網(wǎng)絡(luò)模型反演效果達(dá)到最優(yōu)（決定系數(shù)為0.80，均方根誤差為1.10,，平均絕對值誤差為0.69,，偏差為1.25%）。研究結(jié)果可為無人機遙感監(jiān)測覆膜冬小麥生長狀況提供理論參考,。

摘要:在小麥育種田間試驗中,，小區(qū)群體株高是最受關(guān)注的重要農(nóng)藝性狀之一,。針對當(dāng)前無人機遙感在小麥育種小區(qū)粒度下獲取株高表型精確度低的問題，提出了兩種方法：基于人工測量真值的近鄰校正法（Nearest neighbor correction method,，NNCM）和基于多光譜+RGB數(shù)據(jù)融合的光譜指數(shù)校正法（Spectral indices correction method,，SICM），近鄰校正法通過獲取小區(qū)群體高程信息,、結(jié)合地埂進(jìn)行高程校正,、再依據(jù)近鄰真值滑動校正得到小區(qū)精確株高；光譜指數(shù)校正法通過計算植被指數(shù)并進(jìn)行指數(shù)優(yōu)選,，從而構(gòu)建株高-植被指數(shù)精確反演模型,。試驗結(jié)果表明，在具有地面真值的6個時期,，傳統(tǒng)無人機作物株高測量方法的相對均方根誤差（Relative root mean square error, RMSE100）分別為11.15%、59.44%,、11.76%,、12.31%,、8.05%、59.76%,；NNCM的RMSE100分別為7.17%,、8.18%、5.70%,、5.62%,、5.65%、7.74%,；SICM的RMSE100分別為7.33%,、8.17%、6.05%,、6.15%,、6.45%、10.50%,；NNCM與SICM核密度分布曲線與地面真值更加接近,，中位數(shù)、四分位數(shù),、最大值,、最小值偏差不超過0.5%，表明提出的2種方法均可以校正無人機測量育種小區(qū)粒度上的株高性狀,。本文所提2種方法具有較高的精確度和較強的魯棒性,，NNCM適用于具有地面隨機采樣真值的場景，SICM則適用于大范圍的農(nóng)田株高檢測,，可依據(jù)不同使用條件選擇相應(yīng)的校正方法,。

摘要:為準(zhǔn)確估算森林采伐生物量實現(xiàn)森林碳匯的精準(zhǔn)計量,，針對采用單一時相可見光無人機影像估算高郁閉度森林采伐生物量較困難的問題，基于伐區(qū)采伐前后多時相可見光無人機影像,，研究森林采伐生物量高精度的估算方法,。以福建省閩侯白沙國有林場一個針葉林采伐小班為試驗區(qū)，采集分辨率優(yōu)于10cm的采伐前后多時相可見光無人機影像,，采用動態(tài)窗口局部最大值法得到高精度的采伐株數(shù)與單木樹高信息,，再基于采伐后無人機影像，運用YOLO v5方法檢測并提取伐樁直徑信息,，根據(jù)胸徑-伐樁直徑模型來估算采伐木胸徑信息,，再利用樹高和胸徑二元生物量公式估算采伐生物量,，以實測數(shù)據(jù)進(jìn)行驗證。根據(jù)動態(tài)窗口局部最大值法獲取株數(shù)與平均樹高精度分別為96.35%,、99.01%,，運用YOLO v5方法對伐樁目標(biāo)檢測的總體精度為77.05%，根據(jù)伐樁直徑估算的平均胸徑精度為90.14%,，最后得到森林采伐生物量精度為83.08%,，結(jié)果表明這一新方法具備較大的應(yīng)用潛力。采用采伐前后多時相無人機可見光遙感,，可實現(xiàn)森林采伐生物量的有效估算,，有助于降低人工調(diào)查成本，為政府及有關(guān)部門進(jìn)行碳匯精準(zhǔn)計量提供有效的技術(shù)支持,。

摘要:對獼猴桃產(chǎn)量的準(zhǔn)確預(yù)估有利于合理安排后續(xù)采摘與運輸工序,，因此開發(fā)智能化的產(chǎn)量實時預(yù)估工具非常重要,。針對大棚培育的獼猴桃矮化密植、分布范圍廣等特點,，本研究利用果園履帶小車采集視頻,，結(jié)合人工標(biāo)注，建立獼猴桃檢測和跟蹤的數(shù)據(jù)集,?？紤]到自制數(shù)據(jù)集中獼猴桃占比小及密集分布的特點，本文提出使用YOLO v7模型加上Soft-NMS來檢測每一幀圖像內(nèi)的獼猴桃,。在卡爾曼濾波器預(yù)測的結(jié)果上,，引入VGG16網(wǎng)絡(luò)對獼猴桃進(jìn)行特征提取，并結(jié)合匈牙利算法完成幀間目標(biāo)的匹配,。最后采用基于YOLO v7+DeepSort跟蹤算法的ID計數(shù)方法對獼猴桃進(jìn)行產(chǎn)量估計,。實驗結(jié)果表明，改進(jìn)的YOLO v7模型在獼猴桃檢測數(shù)據(jù)集上表現(xiàn)良好,，檢測的F1值為90.09%,。獼猴桃跟蹤數(shù)據(jù)集中使用的跟蹤算法平均準(zhǔn)確率為89.87%，每個目標(biāo)正確匹配的精確率為82.34%,，大型視頻跟蹤速度為20.19f/s,。在環(huán)境影響較小的條件下，ID計數(shù)準(zhǔn)確率為97.49%。該方法可為獼猴桃果園智能化管理中的估產(chǎn),、采收規(guī)劃等提供技術(shù)支撐,。

摘要:農(nóng)田尺度下作物葉面積指數(shù)（Leaf area index，LAI）的精準(zhǔn)監(jiān)測,，對于研究群體結(jié)構(gòu)對產(chǎn)量和管理措施的響應(yīng)具有重要意義,。目前普遍采用無人機光譜特征反演作物的LAI指數(shù)，作為長勢和冠層結(jié)構(gòu)診斷的重要依據(jù),，其估測精度的準(zhǔn)確性是否可以提高仍有待研究,。作物表面特征，如灰度和顏色,，在不同生育階段會發(fā)生變化,。為此，本研究考慮到LAI的影響因素,，設(shè)置不同的種植密度和氮素水平營造差異化的冠層結(jié)構(gòu),，利用搭載多光譜傳感器的無人機獲取主要生育時期棉花的冠層圖像得到植被指數(shù)（Vegetation indexs,VIs），基于二階概率統(tǒng)計濾波(Co-occurrence measures)方法獲取均值(MEA),、方差（VAR）,、協(xié)同性（HOM）、對比度（CON）,、相異性（DIS）,、信息熵（ENT）、二階矩（SEM）和相關(guān)性（COR）等8個紋理特征值（Texture features, TFs）,。最后,，采用支持向量機回歸（SVR）、偏最小二乘法（PLSR）,、深度神經(jīng)網(wǎng)絡(luò)（DNN）分別建立基于光譜特征,、紋理特征以及二者結(jié)合的棉花LAI的估算模型，并比較差異,。試驗結(jié)果表明：VI（nir/green）,、VI（nir/red）、GNDVI,、OSAVI和均值與LAI具有較高的相關(guān)性,；采用SVR建立的LAI估測精度最高（R2=0.78，RMSE為0.22,，RRMSE為0.10）,；在3種估算模型中,，植被指數(shù)與紋理特征相結(jié)合的SVR模型，較VIs,、TFs模型精度分別提高7.89%和32.26%,。因此，融合無人機光譜信息和圖像紋理的LAI估算模型為密植作物棉花冠層結(jié)構(gòu)的診斷提供了一種可行,、準(zhǔn)確的方法,。

摘要:為解決果園視覺導(dǎo)航機器人行間自主行進(jìn)和調(diào)頭問題,，提出了基于Mask R-CNN的導(dǎo)航線提取方法和基于隨機采樣一致性（Random sample consensus, RANSAC）算法的樹行線提取方法。首先,，基于Mask R-CNN模型對道路與樹干進(jìn)行識別,，提取道路分割掩碼和樹干邊界框坐標(biāo);其次，在生成行間導(dǎo)航線的基礎(chǔ)上,，采用改進(jìn)RANSAC算法提取前排樹行線,；然后，計算樹干邊界框坐標(biāo)點到前排行線的距離,，篩選后排樹干坐標(biāo)點,，采用最小二乘法擬合生成后排樹行線；最后,，通過分析前后排樹行信息判斷調(diào)頭方向,，結(jié)合本文提出的行末端距離計算與調(diào)頭路徑規(guī)劃方法，規(guī)劃車輛的調(diào)頭路線,。實驗結(jié)果表明：在不同光照,、雜草、天氣環(huán)境下的6種果園場景中,，模型的平均分割精度和邊界框檢測精度都為97.0%,，導(dǎo)航目標(biāo)點提取的平均偏差不超過5.3%，樹行線檢測準(zhǔn)確率不低于87%,，調(diào)頭后車輛距道路中心的平均偏差為7.8cm,，可為果園環(huán)境下的視覺自主導(dǎo)航提供有效參考。

摘要:棉鈴作為棉花重要的產(chǎn)量與品質(zhì)器官，單株鈴數(shù)、鈴長,、鈴寬等相關(guān)表型性狀一直是棉花育種的重要研究內(nèi)容,。為解決由于葉片遮擋導(dǎo)致傳統(tǒng)靜態(tài)圖像檢測方法無法獲取全部棉鈴數(shù)量的問題，提出了一種以改進(jìn)Faster R-CNN,、Deep Sort和撞線匹配機制為主要算法框架的棉鈴跟蹤計數(shù)方法,，以實現(xiàn)在動態(tài)視頻輸入情況下對盆栽棉花棉鈴的數(shù)量統(tǒng)計。采用基于特征金字塔的Faster R-CNN目標(biāo)檢測網(wǎng)絡(luò),，融合導(dǎo)向錨框,、Soft NMS等網(wǎng)絡(luò)優(yōu)化方法，實現(xiàn)對視頻中棉鈴目標(biāo)更精確的定位,；使用Deep Sort跟蹤器通過卡爾曼濾波和深度特征匹配實現(xiàn)前后幀同一目標(biāo)的相互關(guān)聯(lián)，并為目標(biāo)進(jìn)行ID匹配,；針對跟蹤過程ID跳變問題設(shè)計了掩模撞線機制以實現(xiàn)動態(tài)旋轉(zhuǎn)視頻棉鈴數(shù)量統(tǒng)計,。試驗結(jié)果表明：改進(jìn)Faster R-CNN目標(biāo)檢測結(jié)果最優(yōu)，平均測量精度mAP75和F1值分別為0.97和0.96,，較改進(jìn)前分別提高0.02和0.01,；改進(jìn)Faster R-CNN和Deep Sort跟蹤結(jié)果最優(yōu)，多目標(biāo)跟蹤精度為0.91,，較Tracktor和Sort算法分別提高0.02和0.15,；單株鈴數(shù)計數(shù)結(jié)果決定系數(shù)、均方誤差,、平均絕對誤差和平均絕對百分比誤差分別為0.96,、1.19、0.81和5.92%,，與人工值具有較高一致性,，開發(fā)的棉鈴跟蹤軟件可以實現(xiàn)對棉鈴的有效跟蹤和計數(shù)。

摘要:莖稈微觀結(jié)構(gòu)與其力學(xué)性能密切相關(guān),，影響作物的抗倒伏性能。但作物莖稈微觀表型參數(shù)難以通過人工方式獲取,，因此急需自動化的測量方法,。本研究以玉米為材料，通過光學(xué)顯微鏡獲得玉米莖稈橫截面切片圖像,，基于深度學(xué)習(xí)架構(gòu)融合ResNet和Unet構(gòu)建語義分割Res-Unet網(wǎng)絡(luò)模型,，對截面表皮、周皮和髓區(qū)3個功能區(qū)域進(jìn)行分割；針對維管束數(shù)量多,、面積小,、密度大的特點，以EfficientDet作為基礎(chǔ)網(wǎng)絡(luò)架構(gòu),，根據(jù)維管束尺寸小的特性,，減少雙向特征圖金字塔（BiFPN）的層數(shù)，達(dá)到提高推理速度,、減少顯存占用量的目的,，同時添加掩膜分割分支，構(gòu)造新的網(wǎng)絡(luò)Eiff-BiFPN實現(xiàn)對維管束的分割,。實驗結(jié)果表明,，功能區(qū)域分割的平均DICE達(dá)到88.17%；維管束分割的AP50和AP50:70分別達(dá)到88.78%和72.80%,。根據(jù)分割結(jié)果,，可以獲得玉米莖稈截面尺寸、各功能區(qū)域尺寸和維管束數(shù)量,、面積等微觀結(jié)構(gòu)參數(shù),。本文方法具有精確性、實時性和可用性,，可用于玉米莖稈微觀結(jié)構(gòu)參數(shù)的自動化測定,，為作物抗倒伏研究提供技術(shù)基礎(chǔ)。

摘要:為實現(xiàn)蘋果果徑與果形快速準(zhǔn)確自動化分級，提出了基于改進(jìn)型SSD卷積神經(jīng)網(wǎng)絡(luò)的蘋果定位與分級算法,。深度圖像與兩通道圖像融合提高蘋果分級效率,，即對從頂部獲取的蘋果RGB圖像進(jìn)行通道分離，并提取分離通道中影響蘋果識別精度最大的兩個通道與基于ZED雙目立體相機從蘋果頂部獲取的蘋果部分深度圖像進(jìn)行融合,，在融合圖像中計算蘋果的縱徑相關(guān)信息,，實現(xiàn)了基于頂部融合圖像的多個蘋果果形分級和信息輸出；使用深度可分離卷積模塊替換原SSD網(wǎng)絡(luò)主干特征提取網(wǎng)絡(luò)中部分標(biāo)準(zhǔn)卷積,，實現(xiàn)了網(wǎng)絡(luò)的輕量化,。經(jīng)過訓(xùn)練的算法在驗證集下的識別召回率、精確率,、mAP和F1值分別為93.68%,、94.89%,、98.37%和94.25%。通過對比分析了4種輸入層識別精確率的差異,，實驗結(jié)果表明輸入層的圖像通道組合為DGB時對蘋果的識別與分級mAP最高,。在使用相同輸入層的情況下，比較原SSD,、Faster R-CNN與YOLO v5算法在不同果實數(shù)目下對蘋果的實際識別定位與分級效果,，并以mAP為評估值，實驗結(jié)果表明改進(jìn)型SSD在密集蘋果的mAP與原SSD相當(dāng),，比Faster R-CNN高1.33個百分點,，比YOLO v5高14.23個百分點。并且在不同硬件條件下驗證了該算法定位分級效率的優(yōu)勢,，單幅圖像在GPU下的檢測時間為5.71ms,，在CPU下的檢測時間為15.96ms，檢測視頻的幀率達(dá)到175.17f/s和62.64f/s,。該研究可為自動化分級設(shè)備在高速環(huán)境下精準(zhǔn)定位并分級蘋果提供理論基礎(chǔ),。

摘要:為實現(xiàn)自然環(huán)境下蘋果幼果的快速準(zhǔn)確檢測,，針對幼果期蘋果果色與葉片顏色高度相似、體積微小,、分布密集,，識別難度大的問題，提出了一種融合高效通道注意力(Efficient channel attention, ECA)機制的改進(jìn)YOLO v7模型(YOLO v7-ECA),。在模型的3條重參數(shù)化路徑中插入ECA機制,，可在不降低通道維數(shù)的前提下實現(xiàn)相鄰?fù)ǖ谰植靠缤ǖ澜换ィ行娬{(diào)蘋果幼果重要信息,、抑制冗余無用特征,，提高模型效率。采集自然環(huán)境下蘋果幼果圖像2557幅作為訓(xùn)練樣本,、547幅作為驗證樣本,、550幅作為測試樣本，輸入模型進(jìn)行訓(xùn)練測試,。結(jié)果表明,，YOLO v7-ECA網(wǎng)絡(luò)模型準(zhǔn)確率為97.2%、召回率為93.6%,、平均精度均值（Mean average precision, mAP）為98.2%,、F1值為95.37%,。與Faster R-CNN、SSD,、Scaled-YOLO v4,、YOLO v5、YOLO v6,、YOLO v7網(wǎng)絡(luò)模型相比,，其mAP分別提高15.5、4.6,、1.6,、1.8、3.0,、1.8個百分點,，準(zhǔn)確率分別提高49.7、0.9,、18.5,、1.2、0.9,、1.0個百分點,，F(xiàn)1值分別提高33.53、2.81,、9.16,、1.26、2.38,、1.43個百分點,，召回率相較于Faster R-CNN、SSD,、YOLO v5,、YOLO v6、YOLO v7網(wǎng)絡(luò)模型分別提高5.0,、4.5,、1.3、3.7,、1.8個百分點,；單幅圖像檢測時間為28.9ms，可實現(xiàn)蘋果幼果的高效檢測,。針對幼果目標(biāo)模糊,、存在陰影和嚴(yán)重遮擋的情況，本研究采用550幅測試圖像進(jìn)行模型魯棒性檢驗,。在加噪模糊情況下,，YOLO v7-ECA的mAP為91.1%,，F(xiàn)1值為89.8%，與Faster R-CNN,、SSD,、Scaled-YOLO v4、YOLO v5,、YOLO v6,、YOLO v7網(wǎng)絡(luò)模型相比其mAP分別提高26.3、21.0,、5.4,、8.0、11.5,、8.9個百分點,，F(xiàn)1值分別提高27.19、7.08,、8.50,、4.20、3.94,、4.67個百分點,；在陰影情況下，YOLO v7-ECA的mAP為97.5%,，F(xiàn)1值為95.36%,，與Faster R-CNN、SSD,、Scaled-YOLO v4、YOLO v5,、YOLO v6,、YOLO v7網(wǎng)絡(luò)模型相比其mAP分別提高14.8、8.8,、2.1,、2.4、5.4,、2.5個百分點,，F(xiàn)1值分別提高21.51、2.60,、10.49,、1.53、3.23,、2.56個百分點,；在嚴(yán)重遮擋情況下,，YOLO v7-ECA的mAP為98.6%，F(xiàn)1值為94.8%,，與Faster R-CNN,、SSD、Scaled-YOLO v4,、YOLO v5,、YOLO v6、YOLO v7網(wǎng)絡(luò)模型相比其mAP分別提高21.7,、13.7,、2.3、2.4,、4.8,、2.2個百分點，F(xiàn)1值分別提高28.29,、3.50,、6.45、0.96,、1.36,、1.36個百分點。該網(wǎng)絡(luò)模型可在保證網(wǎng)絡(luò)模型精度的同時擁有較快的檢測速度,，且對場景模糊,、陰影和嚴(yán)重遮擋等影響具有較好的魯棒性。該研究可為幼果實時檢測系統(tǒng)提供有效借鑒,。

摘要:利用深度學(xué)習(xí)實現(xiàn)視覺檢測技術(shù)對自然環(huán)境下樹上木瓜成熟度的識別,，從而監(jiān)測木瓜生長期成熟度有重要意義,。針對目前木瓜的成熟度主要以人工判斷為主，缺乏對木瓜成熟度快速,、準(zhǔn)確的自動檢測方法問題,，本研究基于輕量化YOLO v5-Lite模型，對自然環(huán)境下木瓜成熟度檢測方法進(jìn)行研究,，通過采集的1386幅木瓜圖像,，訓(xùn)練得到最優(yōu)權(quán)值模型。實驗結(jié)果表明,，該模型對木瓜檢測mAP為92.4%,，與目前主流的輕量化目標(biāo)檢測算法YOLO v5s,、YOLO v4-tiny以及兩階段檢測算法Faster R-CNN相比，其mAP分別提高1.1,、5.1,、4.7個百分點；此外,，在保證檢測精度的前提下,，檢測時間為7ms，且模型內(nèi)存占用量僅為11.3MB,。同時,，該模型對不同拍攝距離、不同遮擋情況,、不同光照情況下的果實均能實現(xiàn)準(zhǔn)確識別,，能夠快速有效地識別出復(fù)雜背景下木瓜果實的成熟度，具有較強的魯棒性,，可以為木瓜果園的產(chǎn)量估計和采摘機器的定位檢測提供技術(shù)支持,。

摘要:針對基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)識別蘋果園害蟲易受背景干擾及重要特征表達(dá)能力不強問題,，提出一種基于改進(jìn)Mask R-CNN的蘋果園害蟲識別方法。首先,，基于Haar特征方法對多點采集得到的蘋果園害蟲圖像進(jìn)行迭代初分割,，提取害蟲單體圖像樣本，并對該樣本進(jìn)行多途徑擴增,，得到用于深度學(xué)習(xí)的擴增樣本數(shù)據(jù)集,。其次，對Mask R-CNN中的特征提取網(wǎng)絡(luò)進(jìn)行優(yōu)化,，采用嵌入注意力機制模塊CBAM的ResNeXt網(wǎng)絡(luò)作為改進(jìn)模型的Backbone，增加模型對害蟲空間及語義信息的提取,，有效避免背景對模型性能的影響,；同時引入Boundary損失函數(shù)，避免害蟲掩膜邊緣缺失及定位不準(zhǔn)確問題,。最后,，以原始Mask R-CNN模型作為對照模型，平均精度均值作為評價指標(biāo)進(jìn)行試驗,。結(jié)果表明,，改進(jìn)Mask R-CNN模型平均精度均值達(dá)到96.52%,，相比于原始Mask R-CNN模型，提高4.21個百分點,，改進(jìn)Mask R-CNN可精準(zhǔn)有效識別蘋果園害蟲,，為蘋果園病蟲害綠色防控提供技術(shù)支持。

摘要:為提高蘋果生產(chǎn)領(lǐng)域?qū)嶓w識別的準(zhǔn)確性,，提出一種新的Transformer優(yōu)化模型。首先,，為解決蘋果生產(chǎn)數(shù)據(jù)集的缺失,，基于蘋果栽培領(lǐng)域園藝專家的知識經(jīng)驗，創(chuàng)建以蘋果病蟲害為主的產(chǎn)業(yè)數(shù)據(jù)集,。通過字向量與詞向量的拼接,，提高文本語義表征的準(zhǔn)確性；隨后,，為防止位置信息缺失,，引入具有方向和距離感知的注意力機制，平均集成BiLSTM的上下文長距離依賴特征,；最后,，結(jié)合條件隨機場(Conditional random fields, CRF)約束上下文標(biāo)注結(jié)果，最終得到Transformer優(yōu)化模型,。實驗結(jié)果表明,，所提方法在蘋果病蟲命名實體識別中的F1值可達(dá)92.66%，可為農(nóng)業(yè)命名實體的準(zhǔn)確智能識別提供技術(shù)手段,。

摘要:針對非限制條件下奶牛的個體識別，提出了一種基于深度特征與傳統(tǒng)特征融合的奶牛識別方法,。首先利用Mask R-CNN識別站立和躺臥姿態(tài)下的奶牛,。其次，用兩種方法提取奶牛的特征概率向量：用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network, CNN)提取Softmax層概率向量形式的深度特征,；人工提取并利用近鄰成分分析(Neighbourhood component analysis,，NCA)選擇傳統(tǒng)特征，并將其輸入支持向量機(Support vector machine, SVM)模型，輸出概率向量,。最后對兩種特征進(jìn)行融合,，并基于融合后的特征采用SVM對奶牛進(jìn)行分類。對58頭奶牛站立和躺臥姿態(tài)的數(shù)據(jù)集進(jìn)行了個體識別實驗,，結(jié)果表明,，對于站立和躺臥姿態(tài)下的奶牛，與單獨使用深度特征相比,，特征融合方法準(zhǔn)確率分別提高約3個百分點和2個百分點,；與單獨使用傳統(tǒng)特征相比，特征融合方法準(zhǔn)確率分別提高約5個百分點和10個百分點,。站立和躺臥姿態(tài)下的奶牛個體識別率分別達(dá)到98.66%和94.06%,。本文研究結(jié)果可為智能奶牛行為分析、疾病檢測等提供有效的技術(shù)支持,。

摘要:為準(zhǔn)確實時跟蹤羊只目標(biāo),，進(jìn)行疾病異常預(yù)警，實現(xiàn)奶山羊精細(xì)化養(yǎng)殖,，本文基于DiMP跟蹤模型,，利用奶山羊跟蹤對象單一且圖像樣本豐富的特點，結(jié)合遷移學(xué)習(xí)和類特定融合方法,，設(shè)計了一種類特定的奶山羊目標(biāo)跟蹤模型,，能夠有效克服DiMP算法在跟蹤類特定目標(biāo)時定位精度不足的缺點。利用構(gòu)建的奶山羊視頻跟蹤數(shù)據(jù)訓(xùn)練集對跟蹤算法進(jìn)行遷移訓(xùn)練,，加快模型收斂速度,，使評估網(wǎng)絡(luò)預(yù)測出的邊界框更貼合奶山羊真實框的位置和尺寸。在線跟蹤階段,，針對目標(biāo)模板僅采用第1幀特征制作整個序列的調(diào)制向量,，導(dǎo)致該調(diào)制向量相對整個跟蹤階段特征不具代表性，與后續(xù)幀差異大的缺點,，使用訓(xùn)練集制作包含奶山羊各種姿態(tài)的類調(diào)制向量,，以指數(shù)消融方式更新奶山羊類調(diào)制向量與第1幀調(diào)制向量間的比重，增強邊界框回歸任務(wù)中的奶山羊特征與背景的判別性,。提出的算法在測試集上的AUC(Area under curve)和精準(zhǔn)度(Precision)分別為76.20%和60.19%,，比DiMP方法分別提升6.17,、14.18個百分點,，跟蹤速度為30f/s,，滿足實時跟蹤的要求。實驗結(jié)果表明,，提出的類特定奶山羊目標(biāo)跟蹤方法可用于監(jiān)測復(fù)雜場景下奶山羊的運動,，為奶山羊精細(xì)化管理提供了技術(shù)支持。

摘要:奶牛體況評分是評價奶牛產(chǎn)能與體態(tài)健康的重要指標(biāo),。目前,，隨著現(xiàn)代化牧場的發(fā)展，智能檢測技術(shù)已被應(yīng)用于奶牛精準(zhǔn)養(yǎng)殖中,。針對目前檢測算法的參數(shù)量多,、計算量大等問題，以YOLO v5s為基礎(chǔ),，提出了一種改進(jìn)的輕量級奶牛體況評分模型（YOLO-MCE）,。首先，通過2D攝像機在奶牛擠奶通道處采集奶牛尾部圖像并構(gòu)建奶牛BCS數(shù)據(jù)集,。其次,，在MobileNetV3網(wǎng)絡(luò)中融入坐標(biāo)注意力機制（Coordinate attention，CA）構(gòu)建M3CA網(wǎng)絡(luò),。將YOLO v5s的主干網(wǎng)絡(luò)替換為M3CA網(wǎng)絡(luò),，在降低模型復(fù)雜度的同時，使得網(wǎng)絡(luò)特征提取時更關(guān)注于牛尾區(qū)域的位置和空間信息,，從而提高了運動模糊場景下的檢測精度,。YOLO v5s預(yù)測層采用EIoU Loss損失函數(shù)，優(yōu)化了目標(biāo)邊界框回歸收斂速度,，生成定位精準(zhǔn)的預(yù)測邊界框,，進(jìn)而提高了模型檢測精度。試驗結(jié)果表明,，改進(jìn)的YOLO v5s模型的檢測精度為93.4%,，召回率為85.5%，[email protected]為91.4%,，計算量為2.0×109,，模型內(nèi)存占用量僅為2.28MB。相較原始YOLO v5s模型,，其計算量降低87.3%,，模型內(nèi)存占用量減少83.4%，在保證模型復(fù)雜度較低與實時性較高的情況下，實現(xiàn)了奶牛體況的高效評分,。此外,，改進(jìn)的YOLO v5s模型的整體性能優(yōu)于Faster R-CNN、SDD和YOLO v3目標(biāo)檢測模型,。本研究為奶牛體況評分商業(yè)化提供理論基礎(chǔ)和研究思路,，為奶牛養(yǎng)殖業(yè)提供了智能化解決方案。

摘要:雞群計數(shù)是雞場資產(chǎn)評估中一項非常重要的工作,。目前雞場采用的人工計數(shù)方法，存在效率低下且計數(shù)準(zhǔn)確度不穩(wěn)定的問題,。針對此問題,，本文提出了一種基于改進(jìn)YOLO v5s的蛋雞個體識別與計數(shù)的方法。該方法為了消除真實復(fù)雜環(huán)境下產(chǎn)蛋箱,、食槽等設(shè)施對蛋雞個體識別帶來的干擾,，在YOLO v5s模型的Neck部分引入了SimAM注意力機制；為了擴大模型感受野,，解決蛋雞個體較小,、識別困難的問題，將YOLO v5s模型的SPPF(空間金字塔池化模塊)改為了SPPCSPC模塊,；為了盡可能多地提取蛋雞有效特征,，通過在YOLO v5s的Neck結(jié)構(gòu)添加自適應(yīng)特征融合模塊ASFF，將不同尺度的蛋雞成像特征信息進(jìn)行融合的方法,，進(jìn)一步提升了模型的檢測精度,。在此基礎(chǔ)上，通過調(diào)用模型檢測接口,，在接口內(nèi)部添加計數(shù)函數(shù),、統(tǒng)計目標(biāo)數(shù)量的方法，實現(xiàn)了蛋雞個體的計數(shù)和雞舍飼養(yǎng)密度的計算,。將改進(jìn)后的模型通過PyQt工具包進(jìn)行封裝,、打包，開發(fā)了蛋雞個體識別與自動計數(shù)系統(tǒng),。實驗結(jié)果表明,，改進(jìn)的YOLO v5s模型的精準(zhǔn)率、召回率,、平均精度均值分別為89.91%,、79.24%,、87.53%，較YOLO v5s模型分別提高2.37,、2.55,、2.20個百分點。本模型在120~247只蛋雞雞舍的計數(shù)平均準(zhǔn)確率為94.77%,，較YOLO v5s模型提升2.49個百分點。研發(fā)的蛋雞計數(shù)系統(tǒng)在河北省某養(yǎng)殖基地得到了實際應(yīng)用,，為養(yǎng)殖場的蛋雞數(shù)量清點提供了一種可靠且有效的方法,。

摘要:土壤水分是研究土壤-植物-大氣循環(huán)系統(tǒng)中能量與物質(zhì)交換的關(guān)鍵,，通過尺度轉(zhuǎn)換方法將無人機遙感數(shù)據(jù)上推以修正衛(wèi)星數(shù)據(jù)，可有效改善衛(wèi)星遙感反演模型精度,。本文以河套灌區(qū)為研究對象,，分別采用重采樣和TsHARP升尺度法，引入多元線性回歸(MLR),、BP神經(jīng)網(wǎng)絡(luò)(BPNN)和支持向量機（SVM）算法構(gòu)建不同土壤深度下無人機-衛(wèi)星升尺度土壤含水率反演模型,。研究結(jié)果表明：重采樣升尺度法在不同土壤深度下模型整體精度由高到低依次為SVM、MLR,、BPNN,，其中在土壤深度0~60cm下采用SVM模型最優(yōu)，R2達(dá)到0.571,，RMSE為0.022%,；TsHARP升尺度法在不同土壤深度下模型整體精度由高到低依次為BPNN、SVM,、MLR,，其中在土壤深度0~60cm下采用BPNN模型最優(yōu)，R2達(dá)到0.829,，RMSE為0.015%,。與升尺度修正前對應(yīng)土壤深度模型對比，兩種升尺度方法均能明顯提高衛(wèi)星遙感對土壤含水率的反演精度,，但TsHARP升尺度法整體優(yōu)于重采樣法,；重采樣法的R2由0.413提升至0.571，RMSE由0.026%降至0.022%（降幅15.4%）,；TsHARP升尺度法的R2由0.428提升至0.829,，RMSE由0.025%降至0.015%（降幅40.0%）,。本研究可為大尺度范圍灌區(qū)土壤水分高精度監(jiān)測提供理論和技術(shù)支撐。

摘要:為了保障山區(qū)輸水管網(wǎng)運行安全，設(shè)計導(dǎo)流式輸水管網(wǎng)消能裝置,。裝置由上殼體,、消能空腔和下殼體組成，設(shè)置入口端和出口端,，消能空腔內(nèi)設(shè)有均勻間隔的消能板和導(dǎo)流孔,。采用Fluent數(shù)值模擬和驗證試驗對試驗方法進(jìn)行驗證，設(shè)置3種入口流速,、3種導(dǎo)流孔徑比例和有無導(dǎo)流片開展全因素試驗,，并對2種導(dǎo)流孔直徑進(jìn)行消能率對比試驗。結(jié)果表明：在保證過流能力下,，入口流速和導(dǎo)流孔徑均對消能率起主導(dǎo)作用,，入口流速越大，即流量越大,，消能率越好,。消能率與導(dǎo)流孔徑負(fù)相關(guān)，導(dǎo)流孔徑越小越有利于消能,。當(dāng)基礎(chǔ)孔徑相同時,，為同時滿足過流能力且確保消能達(dá)到較好效果，建議選擇導(dǎo)流孔徑比例保持不變布置方式,。入口流速為1.0m/s時,，局部水頭損失占總水頭損失的96.3%，所以當(dāng)計算總水頭損失時,，可以忽略沿程水頭損失,。當(dāng)入口流速小于4.0m/s時，選擇不安裝導(dǎo)流片,，達(dá)到4.0m/s時,，有無導(dǎo)流片消能率基本持平，大于5.0m/s后,，選用安裝導(dǎo)流片消能效果更優(yōu),。

摘要:參考作物蒸發(fā)量（Reference crop evapotranspiration,，ET0）的預(yù)測對作物需水量計算與田間水分管理具有重大意義,，可為農(nóng)業(yè)節(jié)水和水資源高效利用提供重要的科學(xué)依據(jù)?；谌皆?個氣象站1961—2010年逐日氣象資料,，采用Penman-Monteith（P-M）公式計算ET0，對歷史期（1961—2010年）ET0及相關(guān)氣象要素的時空特征進(jìn)行分析,；依據(jù)美國國家環(huán)境預(yù)報中心再分析數(shù)據(jù)以及大氣環(huán)流模型（GCM）中加拿大CanESM2模式的預(yù)報因子日序列的輸出數(shù)據(jù),，采用統(tǒng)計降尺度模型（SDSM）對未來RCP4.5和RCP8.5兩種排放情景下的ET0進(jìn)行預(yù)測。結(jié)果表明：歷史期ET0呈上升趨勢,，多年年平均氣溫與ET0趨勢相同，而年平均風(fēng)速,、相對濕度和凈輻射整體呈下降趨勢,，空間分布上多年年平均ET0總體表現(xiàn)為中部高于周邊、西部高于東部的趨勢,；模擬精度檢驗方面,，基于CanESM2模式下historical情景模擬的ET0模擬值與P-M公式的ET0計算值進(jìn)行檢驗，兩者對應(yīng)率定期+驗證期（1961—2005年）的納什效率系數(shù)（NSE）為0.46~0.61,，決定系數(shù)R2為0.53~0.61,，說明SDSM模擬效果較好。未來2011—2100年年內(nèi)ET0變化中,，兩種情景下2011—2040年,、2041—2070年、2071—2100年3個未來時段月平均日值的變化趨勢與歷史期基本一致,，均似開口向下的拋物線狀,，且表現(xiàn)為不同程度的上升趨勢；未來2011—2100年年際ET0變化中,，未來ET0較歷史期為上升趨勢,，RCP4.5情景下3個未來時段較歷史期分別增加11.11%、18.70%,、20.24%,，其中2011—2040年時段多年ET0為較明顯上升趨勢，2041—2070年,、2071—2100年時段總體為較緩下降趨勢,；RCP8.5情景下3個時段較歷史期分別增加13.01%、24.05%,、34.46%,，3個時段內(nèi)多年ET0均為上升趨勢,。研究區(qū)未來ET0的升高可能導(dǎo)致水資源短缺問題進(jìn)一步加劇，研究結(jié)果可為研究區(qū)水資源優(yōu)化管理和灌溉制度制定提供科學(xué)參考,。

摘要:為探究不同參考作物騰發(fā)量（ET0）算法及相應(yīng)標(biāo)準(zhǔn)化降水蒸散指數(shù)（SPEI）在四川省的適用性，針對四川省3個區(qū)域（川西高原,、川西南山地和川中盆地）,，利用34個氣象站點1967—2016年的氣象資料，以Penman-Monteith（PM）法計算的ET0為標(biāo)準(zhǔn),，對FAO-24Radiation（FAO-Ra）,、Priestley-Taylor（PT）、Makkink（MK）,、Hargreaves-Samani（HS）,、Blaney-Criddle（BC）、World Meteorological Organization（WMO）,、Rohwer（Ro）7種方法的ET0計算結(jié)果進(jìn)行比較,，并選取其中綜合表現(xiàn)較好的3種方法進(jìn)行相應(yīng)的SPEI計算。通過時間序列分析,、誤差分析,、K-S檢驗及小波分析等方法，探討各區(qū)域不同ET0算法下的SPEI適用性,。結(jié)果表明：7種方法在不同區(qū)域計算精度差異顯著,，在川西高原及川西南山地，PT法均方根誤差（RMSE）均在99.11mm以下,，大部分氣象站點的相對誤差（RE）介于-3.8%~14.2%之間,，適用性最好；MK,、Ro法在3個區(qū)域的表現(xiàn)均較為穩(wěn)定,。基于PM,、MK,、Ro、PT 4種方法計算得到的SPEI在同一區(qū)域變化趨勢一致,，在有實際旱情的年份,，其最小值均低于0，能夠識別歷史干旱事件,。SPEI_PT和SPEI_PM具有最相似的周期振蕩變化,，SPEI_Ro和SPEI_PM的周期差距最大,。1個月時間尺度的SPEI相關(guān)性比3、12個月時間尺度好,，在1個月時間尺度下,，SPEI_MK與SPEI_PM有更好的相關(guān)性，相關(guān)系數(shù)達(dá)到0.99,，RMSE僅為0.15,。在數(shù)據(jù)缺失條件下，SPEI_MK可以作為SPEI_PM的替代,，該方法可為四川省的干旱監(jiān)測和防控提供理論依據(jù),。

摘要:為探究秸稈還田配施穩(wěn)定性氮肥對關(guān)中地區(qū)麥玉輪作體系作物生長及水氮利用的綜合影響,，并確定合理的高產(chǎn)高效施肥管理措施，設(shè)置兩種秸稈還田模式（秸稈不還田,、秸稈全量還田）和兩種施氮措施（常規(guī)尿素和減量施用穩(wěn)定性氮肥）,，以無秸稈還田且不施肥作為對照,，共5個處理,，研究分析作物產(chǎn)量、地上部生物量,、土壤氨揮發(fā)累積量,、土壤含水率、土壤硝態(tài)氮殘留量及水氮利用效率,。結(jié)果表明：秸稈還田配施氮肥會分別顯著提高夏玉米和冬小麥產(chǎn)量28.03%~39.63%和90.10%~112.52%,、地上部生物量27.88%~34.00%和78.96%~107.64%；施用穩(wěn)定性氮肥較施用常規(guī)尿素分別降低夏玉米季和冬小麥季全生育期土壤氨揮發(fā)累積量50.18%~59.32%和68.21%~73.43%,；秸稈還田會顯著提高夏玉米季0~10cm土壤含水率6.29%~21.38%,，顯著提高冬小麥季0~10cm土壤含水率6.80%~25.06%；相同施肥措施下,，秸稈還田會顯著降低夏玉米與冬小麥?zhǔn)斋@期0~100cm土壤NO-3N殘留量7.34%~10.78%和6.57%~11.24%,，在相同秸稈還田模式下，施用穩(wěn)定性氮肥較施用尿素會顯著降低夏玉米與冬小麥?zhǔn)斋@期0~100cm土壤NO-3N殘留量28.96%~31.63%和4.16%~9.54%,；在相同施肥措施下,，秸稈還田顯著提高夏玉米季和冬小麥季水分利用效率、氮肥偏生產(chǎn)力和氮肥農(nóng)學(xué)效率4.55%~7.85%,、5.79%~12.08%,、25.22%~41.43%和7.36%~9.73%,、2.25%~14.38%、4.33%~30.35%,，在相同秸稈還田模式下,，施用穩(wěn)定性氮肥顯著提高夏玉米和冬小麥氮肥偏生產(chǎn)力、氮肥農(nóng)學(xué)效率,、氮素吸收效率,、氮肥回收效率43.75%~52.29%、42.01%~60.39%,、62.07%~66.67%,、52.50%~72.73%和21.93%~36.41%、11.37%~39.14%,、50.67%~53.85%,、60.00%~64.15%。因此,，秸稈還田配施減量穩(wěn)定性氮肥會顯著提高麥玉輪作體系水氮利用效率,、減少氮素?fù)]發(fā)損失及氮素淋失風(fēng)險，綜合考慮認(rèn)為,，秸稈還田配施180kg/hm2穩(wěn)定性氮肥和秸稈還田配施150kg/hm2穩(wěn)定性氮肥是關(guān)中地區(qū)夏玉米和冬小麥實現(xiàn)高產(chǎn)高效的合理施肥措施,。

摘要:為探究不同數(shù)據(jù)同化算法在時空尺度上監(jiān)測土壤含鹽量的可行性,，以內(nèi)蒙古河套灌區(qū)沙壕渠灌域為研究區(qū)域，采用高分一號衛(wèi)星遙感圖像作為數(shù)據(jù)源,，通過EnKF算法和PF算法的同化觀測算子和模型算子得到時空范圍中的土壤含鹽量變化情況,。其中觀測算子分為兩步，首先通過PLS-VIP準(zhǔn)則來篩選光譜指數(shù)作為自變量,，再使用ELM模型建立基于不同時間不同深度的遙感監(jiān)測土壤含鹽量模型,；模型算子為基于Hydrus-1D模型的數(shù)學(xué)模擬監(jiān)測土壤含鹽量模型。結(jié)果表明,，基于ELM模型的土壤含鹽量模型中,，深度0~20cm、20~40cm和40~60cm的平均IOA均在0.74以上,，平均ME在0.14%以下,，表明反演模型具有良好的精度；基于Hydrus-1D的數(shù)學(xué)模擬監(jiān)測土壤含鹽量模型中，3個深度平均IOA在0.79~0.89之間,，平均ME在0.128%~0.137%之間,，能夠較好地反映土壤鹽分在時間序列中的運移情況；EnKF算法3個深度IOA在0.820以上,，ME在0.141%~0.157%之間,，NMB在0.141~0.252之間，PF算法3個深度IOA在0.89以上,，ME在0.090%~0.142%之間,，NMB在0.075~0.097之間，精度優(yōu)于EnKF算法,，能夠很好地反映土壤含鹽量在時間和空間上的分布情況,。本文基于EnKF和PF算法進(jìn)行Hydrus-1D模型和ELM模型的同化方案研究，提高了土壤含鹽量的監(jiān)測精度,，可為后續(xù)在長時間大范圍的時空尺度上監(jiān)測土壤含鹽量提供依據(jù),，也可為精準(zhǔn)農(nóng)業(yè)防治土壤鹽漬化的研究提供參考。

摘要:種植結(jié)構(gòu)與土壤鹽分的協(xié)同程度與發(fā)展關(guān)系關(guān)乎灌區(qū)水土生態(tài)質(zhì)量與農(nóng)業(yè)可持續(xù)發(fā)展,，聯(lián)動灌區(qū)種植結(jié)構(gòu)提取與土壤鹽分空間分析對于灌區(qū)生態(tài)環(huán)境評價與治理、保障耕地和糧食安全等具有重要意義,。本文以內(nèi)蒙古河套灌區(qū)永濟灌域為研究區(qū),，利用2021—2022年生育期Landsat 8 OLI遙感數(shù)據(jù)與地面種植結(jié)構(gòu)調(diào)查數(shù)據(jù)，分別構(gòu)建決策樹,、支持向量機,、隨機森林分類模型,，通過對比分析遴選出灌域適用的最優(yōu)模型,，準(zhǔn)確獲取灌域種植結(jié)構(gòu)分布結(jié)果，同時進(jìn)一步結(jié)合灌域土壤鹽分實測數(shù)據(jù)及其空間異質(zhì)特征,，對種植結(jié)構(gòu)與土壤鹽分的協(xié)同關(guān)系進(jìn)行深入探討與分析,。結(jié)果表明，3種模型的分類精度由大到小為隨機森林,、決策樹,、支持向量機，2021,、2022年隨機森林分類模型的總體精度,、Kappa系數(shù)分別為92.81%、0.91，91.64%,、0.89,，為3種模型中精度最高，故選定隨機森林模型作為最優(yōu)模型,；灌域內(nèi)土壤鹽分呈現(xiàn)“北部重,，中、南部輕”的空間分布特征,，2021,、2022年土壤鹽分的半方差函數(shù)適用于Gaussian模型，土壤鹽分空間自相關(guān)在“中—強”等級變化,；受土壤鹽分制約,，葵花以北部地帶種植為主，玉米,、小麥,、小麥套種玉米（套種）和瓜菜等其他作物主要分布在中、南部地帶,，作物的耐鹽能力由大到小為葵花,、玉米、套種,、小麥,；2021、2022年研究區(qū)作物種植結(jié)構(gòu)與土壤鹽分耦合協(xié)調(diào)度D分別為0.784,、0.787,，為高度耦合協(xié)調(diào)，因此觀測期內(nèi)研究區(qū)作物種植結(jié)構(gòu)與土壤鹽分空間分布均衡,、發(fā)展協(xié)調(diào),。研究結(jié)果一定程度上可以為灌區(qū)優(yōu)化作物種植結(jié)構(gòu)、改善土壤環(huán)境等提供參考依據(jù),。

摘要:針對秸稈致密成型機田間作業(yè)時因秸稈含水率較低而導(dǎo)致秸稈顆粒裂紋較大,、品質(zhì)差,、成型率低等問題，構(gòu)建了含水率控制模型,，提出了一種基于SSA-Smith-LADRC的致密成型機秸稈含水率控制系統(tǒng),。該系統(tǒng)采用Smith預(yù)估器解決時滯問題,，同時采用麻雀搜索算法（SSA）優(yōu)化線性自抗擾控制器（LADRC）參數(shù)，達(dá)到含水率的精準(zhǔn)調(diào)控,。仿真試驗表明：SSA-Smith-LADRC控制無超調(diào),，調(diào)整時間為1.53s，含水率控制系統(tǒng)穩(wěn)定后,，受干擾恢復(fù)的時間為0.62s,，再次恢復(fù)穩(wěn)態(tài)后，無振蕩現(xiàn)象,。場地試驗表明：系統(tǒng)無超調(diào),，最大誤差為2.0%，平均誤差為1.5%,。田間試驗表明:正常作業(yè)不進(jìn)行秸稈含水率調(diào)控時,，秸稈顆粒成型率較低，為62.4%,；人工經(jīng)驗控制秸稈含水率時,，含水率誤差變化較大，平均誤差為9.83%,，成型率為82.1%,；含水率控制系統(tǒng)調(diào)控時，含水率變化的平均誤差為2.82%,，成型率為93.4%,；SSA-Smith-LADRC相比于Smith-PID，調(diào)整時間縮短4.05s,，超調(diào)量縮小86.5%,，最大誤差縮小42.0%，最小誤差縮小50.8%,，均方差縮小60.2%,。本文提出的含水率調(diào)控系統(tǒng)，可有效跟蹤秸稈含水率變化,，提高秸稈顆粒成型率,。

摘要:過氧乙酸復(fù)合馬來酸（Peracetic acid and maleic acid, PAM）能有效將玉米秸稈中木質(zhì)素和半纖維素脫除分離得到纖維素,，同時將半纖維素降解為木糖，然而PAM預(yù)處理中半纖維素的降解機制尚不清楚,。以單獨過氧乙酸（Peracetic acid, PA）預(yù)處理為對照,，考察了90～120℃ PAM預(yù)處理玉米秸稈中半纖維素的水解動力學(xué)，采用雙相水解動力學(xué)模型擬合分析了玉米秸稈中半纖維素的水解反應(yīng)動力學(xué)參數(shù)。結(jié)果表明,，半纖維素的水解由快速水解和慢速水解兩個階段構(gòu)成,，慢速水解部分的比例隨著反應(yīng)溫度的升高而下降。與PA預(yù)處理對比發(fā)現(xiàn)PAM預(yù)處理可以將木聚糖快速反應(yīng)和慢速反應(yīng)的活化能分別降低至71.4kJ/mol和79.1kJ/mol,，并且顯著提高木聚糖的水解反應(yīng)速率,。研究結(jié)果證實了該模型可以有效模擬木聚糖的水解過程，揭示了PAM預(yù)處理促進(jìn)半纖維素水解作用的動力學(xué)機制,。

摘要:對葡萄酒發(fā)酵和陳釀過程中質(zhì)量進(jìn)行有效監(jiān)控,，是葡萄酒品質(zhì)的重要保證,。通過監(jiān)測葡萄酒發(fā)酵和陳釀過程中酚類物質(zhì)和顏色的演變規(guī)律，以及紫外-可見吸收光譜特征,，建立基于紫外-可見吸收光譜的酚類物質(zhì)和顏色參數(shù)的偏最小二乘回歸（Partial least squares regression, PLSR）模型,。結(jié)果顯示總酚、總單寧和總黃烷醇質(zhì)量濃度在發(fā)酵過程中不斷增加,，在陳釀過程中逐漸減小,。而總黃酮醇在發(fā)酵過程中先增加而后減小，在陳釀過程中逐漸減小,。浸漬過程和發(fā)酵初期是顏色形成的關(guān)鍵時期,，在陳釀過程中顏色逐漸老化?；谧贤?可見光譜的酚類物質(zhì)和顏色參數(shù)預(yù)測模型的校正集決定系數(shù)R2cal及驗證集決定系數(shù)R2val均不小于0.84,，殘余預(yù)測偏差 (Residual predictive deviation，RPD) 均不小于2.54,，模型可以達(dá)到預(yù)測的目的,。因此，紫外-可見光譜結(jié)合化學(xué)計量學(xué)是快速監(jiān)測紅葡萄酒發(fā)酵和陳釀過程中酚類化合物及色澤演變的一種簡單經(jīng)濟且高效可行的手段,。

摘要:鑒于采樣的完全隨機性，傳統(tǒng)PRM算法往往較難適用于具有狹窄通道工作環(huán)境下的機器人路徑規(guī)劃,。為此,，本文提出了一種融合全局目標(biāo)導(dǎo)向采樣、局部節(jié)點增強的改進(jìn)概率路圖法（Improved PRM）,，并將其應(yīng)用于平面柵格地圖場景及六自由度機器人的路徑規(guī)劃,。首先將全局目標(biāo)導(dǎo)向采樣與隨機采樣有機結(jié)合,，通過混合采樣的方式來提高全局采樣點落在狹窄通道內(nèi)的概率，實現(xiàn)啟發(fā)式地圖增強,；其次,，經(jīng)由節(jié)點權(quán)重思想對位于狹窄通道中的節(jié)點進(jìn)行提取，并利用基于高斯分布的局部節(jié)點增強策略在狹窄通道中擴展新節(jié)點,，增強地圖連通性,，以提高路徑規(guī)劃的成功率；最后,，采用冗余節(jié)點剔除策略對算法規(guī)劃的初始路徑進(jìn)行優(yōu)化,。Improved PRM算法在平面柵格地圖中的仿真結(jié)果表明，該算法對于機器人路徑規(guī)劃的成功率可達(dá)89.3%以上,，且綜合評價指數(shù)及路徑質(zhì)量評價指數(shù)均高于其他算法,；在六自由度機器人的仿真實驗中，Improved PRM算法得到的平均路徑代價比傳統(tǒng)PRM算法降低約42.7%,，成功通過狹窄通道概率也比傳統(tǒng)PRM提高68個百分點,。因此，相比文中所提其他算法,，在具有狹窄通道的工作環(huán)境中,，改進(jìn)概率路圖法在提高路徑規(guī)劃成功率、減少路徑節(jié)點,、保證路徑質(zhì)量等方面具有優(yōu)勢,。

摘要:為了減少有限元和離散元耦合領(lǐng)域問題的計算時間,，本文建立了有限元-離散元耦合異步長并行計算方法,。整個計算模型分為有限元和離散元兩類計算區(qū)域，根據(jù)每個子域單元特性選擇合適的積分時間步長,。每個子分區(qū)均采用顯式時間積分格式進(jìn)行求解,，采用重疊邊界法處理邊界耦合問題，不涉及子循環(huán)過程的插值和截斷過程,。數(shù)值算例表明該方法在保證高精度的同時有效降低了計算時間,。