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:針對復雜環(huán)境下自走式青飼料收獲機地形適應性差和留茬高度難控制等問題，采用兩點探測-電液控制的方式,，設(shè)計了一套適用于自走式青飼料收獲機的割臺仿形系統(tǒng),，并開展仿形系統(tǒng)相關(guān)試驗。在闡述系統(tǒng)整體架構(gòu)及工作原理的基礎(chǔ)上,，通過理論計算確定了仿形探測機構(gòu),、橫向仿形調(diào)節(jié)機構(gòu)等主要關(guān)鍵部件的結(jié)構(gòu)參數(shù)。建立靜應力分析模型，得出割臺與喂入箱體連接處相關(guān)力學特征,。利用ADAMS仿真軟件創(chuàng)建油缸負載特性模型,，完成仿形系統(tǒng)的設(shè)計與相關(guān)優(yōu)化，確定油缸的最佳作業(yè)參數(shù)范圍,。為驗證仿形系統(tǒng)的功能,，將系統(tǒng)搭載在4QZ-30型自走式青飼料收獲機上進行試驗，以試驗過程中割刀前端距地面高度處于100~150mm內(nèi)的時間所占總試驗時長的比率為試驗指標,，安排道路模擬試驗與仿形樣機測試,，并利用控制系統(tǒng)實時獲取割臺高度及響應時間，結(jié)果表明：仿形探測機構(gòu)探測高度信息可靠,，線性擬合R2為0.9987,；仿形調(diào)節(jié)電液控制系統(tǒng)的響應時間均值在0.16s內(nèi)；仿形系統(tǒng)能夠在行駛速度0~6km/h下,，對坡度0°~6°內(nèi)的地面進行仿形工作,，道路模擬試驗過程中，割刀前端距地面高度處于標準范圍內(nèi)的時間所占總試驗時長的比率β為90.76%,，且3組仿形樣機測試合格率分別為86.67%,、86.67%、93.33%,，提高了自走式青飼料收獲機的地形適應能力,，降低了留茬高度的控制難度,，可為自走式青飼料收獲機的仿形技術(shù)提供參考,。

摘要:針對丘陵山區(qū)馬鈴薯聯(lián)合收獲機短缺,、履帶底盤通過性較差等問題，設(shè)計了一款包括底盤行走裝置,、多級輸送分離裝置的自走式馬鈴薯收獲機,，開展了底盤通過性和機器收獲性能理論分析。首先,，對收獲機底盤坡地行駛,、越障性能進行理論分析，獲得底盤通過性的臨界參數(shù),；其次,，對收獲過程中馬鈴薯運動學進行分析，得到關(guān)鍵工作部件的相關(guān)參數(shù),。與此同時,，運用RecurDyn仿真軟件對整機進行多體動力學仿真分析,，獲得自走式馬鈴薯聯(lián)合收獲機適用于丘陵山區(qū)橫向與縱向坡地及跨越壕溝與直壁的相關(guān)運動參數(shù)。仿真結(jié)果表明：縱向坡地行駛的最大爬坡角度為28°,、橫向坡地行駛的最大坡度角為20°,、整機跨越垂直障礙的最大高度為150mm、最大跨越壕溝寬度為300mm,。田間試驗結(jié)果表明：收獲作業(yè)時傷薯率為1.92%,、破皮率為2.86%。收獲機滿足縱向坡度25°穩(wěn)定行駛要求,，跨越300mm壕溝,，翻越150mm直壁，與仿真結(jié)果保持一致,，驗證了仿真的準確性,，滿足履帶馬鈴薯收獲機行駛通過性的設(shè)計要求。該研究可為丘陵山區(qū)根莖類履帶式收獲機的設(shè)計提供理論基礎(chǔ)與參考,。

摘要:為解決馬鈴薯分段收獲后,，人工撿拾勞動強度大,、效率低、成本高等問題,，設(shè)計了一種自走式馬鈴薯撿拾機撿拾裝置,。針對撿拾裝置喂入部分易壅土，造成馬鈴薯輸送不通暢,，影響整機作業(yè)效率的問題,，設(shè)計了一種具有雙層反轉(zhuǎn)鏈條夾持輸送功能的撿拾裝置。為確定撿拾裝置最佳的作業(yè)參數(shù),，基于離散元軟件EDEM和多體動力學軟件RecurDyn耦合仿真,，運用Box-Benhnken試驗方法，以馬鈴薯流量和傷薯率為試驗指標,，以撿拾裝置前進速度,、撿拾鏟入土深度、撿拾裝置輸送鏈線速度和反轉(zhuǎn)夾持鏈線速度為試驗因素,，對該裝置工作參數(shù)進行四因素三水平試驗,，使用Design-Expert軟件建立二次多項式回歸模型。對回歸模型進行優(yōu)化后，繪制出響應面曲線圖,，得出該裝置最佳工作參數(shù),。田間試驗表明，當撿拾裝置前進速度為0.70m/s,、撿拾鏟入土深度為120mm,、撿拾裝置輸送鏈線速度為1.20m/s、反轉(zhuǎn)鏈線速度為1.20m/s時,，馬鈴薯流量為5.94kg/s,，傷薯率為2.10%，與仿真理論值相比,，誤差分別為3.30%和4.48%,。該研究可為馬鈴薯撿拾裝置設(shè)計提供參考。

摘要:針對我國鮮食玉米收獲過程中剝皮裝備機械工作效率低、剝皮損壞率高等問題,，在現(xiàn)有剝皮裝置結(jié)構(gòu)的基礎(chǔ)上,，設(shè)計了一種“柔性分段輥型+螺旋調(diào)節(jié)架”組合式和橡膠頻率振動板相匹配的柔性剝皮裝置。根據(jù)鮮食玉米物理特性,，對鮮食玉米剝皮過程進行力學與運動學分析,，確定了影響剝皮性能的主要因素，并對該剝皮裝置進行了結(jié)構(gòu)設(shè)計及參數(shù)分析,。運用ANSYS Workbench/LS-DYDA模塊對鮮食玉米果穗剝皮過程進行仿真,，根據(jù)理論分析和仿真結(jié)果設(shè)計了剝皮樣機,，開展了剝皮試驗,。為獲得樣機最佳試驗物料，以果穗長度,、果穗直徑,、果穗含水率作為試驗因素進行單因素試驗，確定長度為260~280mm,、直徑為64~66mm,、含水率為66.5%~69%的果穗作為剝皮機正交試驗物料的樣品。利用Design-Expert軟件設(shè)計三因素三水平正交試驗,，以剝皮輥轉(zhuǎn)速,、剝皮輥傾角和振動板振動頻率作為試驗因素，以苞葉剝凈率、籽粒破損率作為試驗指標,。結(jié)果表明：對苞葉剝凈率和籽粒破損率影響由大到小均為剝皮輥轉(zhuǎn)速,、剝皮輥傾角、振動板振動頻率,；最優(yōu)參數(shù)組合為：剝皮輥轉(zhuǎn)速478.72r/min,、剝皮輥傾角8.05°、振動板振動頻率259.20次/min,，此時苞葉剝凈率為92.41%,，籽粒破損率為1.47%。在該條件下根據(jù)實際工況開展驗證試驗,，得到苞葉剝凈率,、籽粒破損率分別為91.75%、1.55%,，與參數(shù)優(yōu)化基本一致,，滿足鮮食玉米剝皮要求。該研究可為鮮食玉米剝皮裝備的優(yōu)化設(shè)計和選擇提供技術(shù)支持,。

摘要:針對目前杭白菊機械采收漏采率高,、破損率高,、含雜率高，采收機械工作效率低,、行走動力不足,、通過性差、收集不便等問題,，結(jié)合杭白菊的種植模式及采摘要求,，設(shè)計了一款梳齒帶自走式杭白菊收獲機。該收獲機主要由梳齒帶采摘部件,、毛刷組件,、升降裝置、行走裝置,、收集裝置和液壓系統(tǒng)組成,，采用鏈傳動帶動梳齒排循環(huán)轉(zhuǎn)動的方式，利用多排梳齒的梳刷作用實現(xiàn)對杭白菊的連續(xù)采收,，可通過液壓系統(tǒng)調(diào)節(jié)采摘部件的運轉(zhuǎn)速度和工作高度,。通過運動力學分析,，確定了傳送帶、旋轉(zhuǎn)梳齒排等關(guān)鍵部件的結(jié)構(gòu)參數(shù),?；诖耍罱嗽囼灅訖C,，并以收獲機行駛速度,、采摘部件工作轉(zhuǎn)速、梳齒與毛刷間的最小距離為試驗因素,，以杭白菊采摘率,、損傷率和含雜率為試驗指標，在田間進行了三因素三水平正交試驗,，獲得了收獲機最佳工作參數(shù),。當行駛速度為0.1m/s、采摘部件工作轉(zhuǎn)速為60r/min,、梳齒與毛刷間的最小距離為60mm時,，采摘效果最好，采摘率為83.1%,，破損率為15.8%,，含雜率為17.9%。所設(shè)計的梳齒帶自走式杭白菊收獲機運行穩(wěn)定,，滿足杭白菊采摘的農(nóng)藝要求,。

摘要:全喂入切流式花生摘果作業(yè)方式作為花生機械化收獲的主要手段,，存在有效摘果時間短、損失率高的問題,。為此設(shè)計一種多級切流式花生撿拾收獲機摘果輸送裝置,，主要由多級滾筒、前輸送板,、驅(qū)振軸和后輸送板等組成,，將傳統(tǒng)花生撿拾收獲機的摘果裝置與輸送裝置一體化,，采用7級滾筒串聯(lián)與振動輸送組合的結(jié)構(gòu)形式實現(xiàn)摘果與輸送協(xié)同作業(yè),。本文在對關(guān)鍵部件作業(yè)原理分析的基礎(chǔ)上進行結(jié)構(gòu)和參數(shù)設(shè)計；采用離散元軟件EDEM仿真優(yōu)化方法對輸送板的運動參數(shù)（方向角,、振幅,、頻率）進行仿真分析,；以花生主產(chǎn)區(qū)典型品種“大白沙”作為研究對象，通過田間試驗對摘果輸送裝置的作業(yè)性能進行試驗驗證,。結(jié)果表明,，當花生植株喂入量5.6kg/s、二級滾筒轉(zhuǎn)速325r/min,、其他滾筒轉(zhuǎn)速239r/min,、輸送板方向角25°、振幅45mm,、頻率7Hz時,，花生摘凈率98.41%，破損率4.76%,，夾帶損失率1.46%,。各項性能均滿足設(shè)計要求。

摘要:黃河三角洲地區(qū)蓮藕種植深度為30~40cm，其采收以人工為主,，采收環(huán)境惡劣,，勞動強度大。為解決蓮藕采收問題,，本文設(shè)計了一種智能,、高效、低損傷的履帶式自走水力采藕機,。對采藕機整機結(jié)構(gòu),、工作原理、各關(guān)鍵機構(gòu)進行了設(shè)計和選型,，并開展了田間試驗進行驗證,。采藕機主要由底盤及履帶式自走機構(gòu)、水力系統(tǒng),、液壓系統(tǒng),、動力系統(tǒng)和控制系統(tǒng)等組成?？倓恿τ刹裼蜋C提供,，行走機構(gòu)為履帶式，具有良好的穩(wěn)定性和靈活的轉(zhuǎn)向性能,，能適應復雜的藕田作業(yè)環(huán)境,；射流沖刷方式為擺動射流,，由提升液壓缸和擺動液壓缸分別帶動噴嘴陣列上升、下降和左右循環(huán)擺動作業(yè),；能進行坡度0°~40°的轉(zhuǎn)場作業(yè),，作業(yè)幅寬為2.3m，能夠?qū)ι徟罕韺右陨嫌倌嗫焖儆行_刷,。在3個不同藕田進行了蓮藕采收試驗,，試驗結(jié)果表明，該機器能適應100cm以下不同水深的藕田,，采藕機蓮藕采凈率大于等于95%,，蓮藕損傷率小于等于5%，作業(yè)油耗率小于等于215g/(kW〖DK〗·h),，作業(yè)時行駛速度和平均工作效率分別為3m/min和0.04hm2/h,，采收效率為人工采藕效率的4~5倍。采藕機工作性能穩(wěn)定,，能夠射流沖刷掉蓮藕表面淤泥且未損傷蓮藕,，滿足蓮藕采收要求。

摘要:針對現(xiàn)有甘蔗割鋪機只能單向收獲作業(yè),、固定切割高度,、無扶蔗機構(gòu)、車架結(jié)構(gòu)不合理,、智能化程度低等問題,，設(shè)計了一種丘陵山地模塊化甘蔗割鋪機。整機通過合理布局和側(cè)掛式輸送形式,，并由可調(diào)鋪放角度的鋪放裝置將甘蔗鋪放至割鋪機后方左右兩側(cè),，實現(xiàn)了雙向式收獲作業(yè)并改善輸送通道易堵塞的問題。結(jié)合甘蔗在扶蔗運動過程中的受力分析,，提出了不等螺距螺旋滾筒設(shè)計,，通過空間坐標變化得到螺旋線方程以及螺旋滾筒直徑與安裝角度；通過甘蔗輸送運動分析確定了輸送鋪放機構(gòu)作業(yè)速度,、甘蔗鋪放角,；通過甘蔗切割機理分析得到了砍蔗機構(gòu)切割形式、切割刀盤直徑與轉(zhuǎn)速等關(guān)鍵參數(shù),。整機作業(yè)幅寬設(shè)計為1100mm,，工作速度為1.8km/h,，生產(chǎn)效率為0.176hm2/h,。樣機田間試驗結(jié)果表明,，當前進速度452.28mm/s、砍蔗機構(gòu)轉(zhuǎn)速562.12r/min,、刀盤傾角12.27°時,，甘蔗割鋪機破頭率最低，為8.398%,，工作總損失率為1.71%,，整機試驗過程中工作狀態(tài)良好，達到整機的設(shè)計要求,。

摘要:麥冬為我國大宗中藥材品種，道地產(chǎn)區(qū)為四川和浙江,，地下部分的塊根為入藥部位,。本文針對麥冬塊根采后人工脫果勞動強度大，缺乏成熟機械化脫果裝置等問題,，設(shè)計了一款川麥冬剪果裝置,。該裝置采用兩組階梯式的往復切割器、輸送夾持帶,、限果導須板和機架結(jié)構(gòu),。結(jié)合麥冬剪果農(nóng)藝要求和植株物理參數(shù)測量計算，確定了整體結(jié)構(gòu)尺寸,、限果導須板間隙,、輸送速度、切割間距,、往復行程等參數(shù),。基于ADAMS軟件對麥冬與脫果刀具之間進行了剛?cè)狁詈戏抡娣治?，以刀刃與麥冬植株接觸力大于峰值切割力為條件,，模擬切割效果；利用ADAMS/view中Flex模塊對麥冬植株進行柔性化處理,，分析在接觸碰撞過程中兩者接觸力與麥冬植株形變的變化規(guī)律,。選取切割速度、切割傾角,、刀具構(gòu)型三因素進行三水平正交試驗,，結(jié)果表明,，影響切斷的因素主次順序為切割傾角、切割速度,、刀具構(gòu)型,；切割速度與刀刃類型呈顯著相關(guān)關(guān)系；當進行高速切割時,，直齒型刀具所產(chǎn)生的峰值切割力大于其他兩種刀具構(gòu)型,。綜合考慮切割穩(wěn)定可靠性、切割力和刀具構(gòu)型最簡化原則,，得到優(yōu)化工作參數(shù)為：切割速度0.41m/s,、切割傾角0.3°、刀具構(gòu)型為三角光刃型,。經(jīng)仿真驗證,，該裝置結(jié)構(gòu)參數(shù)合理，滿足麥冬脫果技術(shù)要求,，可為麥冬脫果機械裝置的優(yōu)化設(shè)計提供理論和試驗依據(jù),。

摘要:主流果蔬采收末端執(zhí)行器根據(jù)采收的果蔬品種和果梗木制纖維材質(zhì)的不同,，結(jié)構(gòu)差異較大,，均存在占據(jù)空間大、結(jié)構(gòu)笨重,、易碰撞果實和易造成損傷等問題,，不利于果梗切割，因此研究一種結(jié)構(gòu)靈活,、占據(jù)空間小,、切割省力的適用于不同果梗木制纖維的超聲切割刀應用于果蔬采收末端執(zhí)行器非常重要。本研究采用理論-有限元-試驗相結(jié)合的方式對超聲切割刀切割果梗的機理進行分析,。首先建立了超聲刀具切割果梗的物理場模型,，通過對切割過程進行時空分析，建立了其位移,、速度,、加速度等數(shù)學模型，分析了切割過程的時空不連續(xù)性,，基于斷裂力學對果梗切割機理進行研究并繪制Matlab響應面圖,，可以發(fā)現(xiàn)超聲切割所需要的力小于常規(guī)切割。利用有限元分析軟件，對超聲刀具進行了模態(tài)分析和諧響應分析,，得到了刀具在不同頻率下的振動模態(tài)和利于切割的最佳頻率,。最后，利用自制試驗臺采用不同切割速度分別對不同直徑的橘子和橙子果梗進行了超聲切割試驗,。試驗結(jié)果表明：切割速度和激振頻率與采收切斷力有關(guān),，在高頻和低頻振動下，隨著果梗直徑增加,，切割時間變化在0.4s內(nèi),，切割效率穩(wěn)定,；試驗中超聲切割的最大切斷力遠小于常規(guī)切割，且小于1N,，超聲切割可以很有效地降低切斷力,，減小切割時的沖擊作用,，相對于常規(guī)切割切斷能力更強，適合將其應用到采收末端執(zhí)行器,，從而獲得更高的采收效率,。

摘要:甘蔗屬于一年生或多年生宿根熱帶和亞熱帶草本植物,，宿根切割質(zhì)量對于甘蔗來年的長勢有重要影響。本文探究甘蔗莖稈的切割機理并基于斷裂力學理論研究甘蔗裂紋的起裂與擴展過程,，為提高宿根切割質(zhì)量提供理論基礎(chǔ),。基于根切器與莖稈的相互作用關(guān)系,，構(gòu)建刀具切割莖稈的力學模型,，探究切割力等影響因素并基于高速攝像技術(shù)觀察莖稈切割過程；發(fā)現(xiàn)影響切割性能（彎矩,、切割力等）的因素主要與甘蔗莖稈及根切器的機械力學特性（直徑,、密度及莖稈傾斜角度等）、根切器的運動參數(shù)（切割頻率,、切割深度） 以及土壤情況等因素有關(guān),。高速攝像試驗結(jié)果表明，多刀切割會增加甘蔗宿根破頭,、拔根的概率,，其由于在一刀切割完成后，莖稈產(chǎn)生凹坑、裂紋等缺陷,，在莖稈自身重力及外載的作用下缺陷發(fā)生擴展,，導致宿根發(fā)生破壞?；跀嗔蚜W理論從莖稈內(nèi)部裂紋入手,，分析裂紋起裂條件和影響斷裂角的因素并探究裂紋參數(shù)對于裂紋尖端應力強度因子以及擴展量的影響。研究結(jié)果表明：裂紋角度及數(shù)量的改變導致裂紋的開裂類型為復合型裂紋,，其中Ⅰ-Ⅱ復合型裂紋為主要開裂類型,；應力強度因子隨裂紋角度的改變有較大的波動以及裂紋開裂方向和擴展量的變化是由于裂紋角度的改變影響了最大主應力與裂紋擴展面之間的夾角；當裂紋角度小于等于75°時,，裂紋將沿原有方向繼續(xù)擴展后發(fā)生彎折,，當裂紋角度大于75°時，裂紋將沿著垂直于原有裂紋的方向發(fā)生擴展,；隨著裂紋數(shù)量的增多,，裂紋間的屏蔽效應增強，導致裂紋尖端材料的應力得到釋放,，裂尖附近的相對位移減小,，裂紋的擴展量逐漸減小。

摘要:大型高地隙噴霧機的作業(yè)工況復雜，不同路況對懸架的性能要求不盡相同,，傳統(tǒng)懸架系統(tǒng)已無法滿足噴霧機多工況作業(yè)的不同減振需求,。為有效提高大型噴霧機各工況下的減振性能并有效降低能耗，提出了一種基于路況識別的多工況主動懸架控制系統(tǒng),。首先,，分析噴霧機典型作業(yè)工況，建立路面特征與懸架模型的映射關(guān)系,；然后,，搭建噴霧機油氣懸架的上下層控制系統(tǒng)，采用變步長螢火蟲算法優(yōu)化控制系統(tǒng)中各工況下的阻尼系數(shù),；最終將搭載該控制算法的噴霧機進行田間動態(tài)性能試驗,。試驗結(jié)果表明，相比傳統(tǒng)懸架,，主動懸架在水泥及田間路面的行駛平順性分別提升11.0%和22.8%,，操控穩(wěn)定性分別提升24.5%和3.4%。本研究所提出的控制系統(tǒng)可以有效解決不同工況下駕駛平順性和操縱穩(wěn)定性的矛盾關(guān)系，滿足噴霧機各工況的特定減振需求,。

摘要:甘蔗入土切割可以有效降低根切破頭率,，由于西南丘陵山地蔗田凹凸不平,，現(xiàn)有甘蔗收獲機難以控制刀盤進行入土切割作業(yè)，導致甘蔗機收產(chǎn)生大量根切破頭,。針對以上問題,，本文利用自行研制的甘蔗入土切割試驗臺，基于角度傳感器,、切割壓力傳感器,，設(shè)計了一種多傳感器數(shù)據(jù)融合的入土切割控制系統(tǒng),開發(fā)了基于PID算法的刀盤高度控制策略,，運用Matlab/Simulink構(gòu)建系統(tǒng)仿真模型,。仿真結(jié)果表明，入土切割控制系統(tǒng)的穩(wěn)定時間為0.67s,，超調(diào)量為8.6％,。為驗證入土切割控制系統(tǒng)的作業(yè)效果，以前進速度,、地面波長和地面振幅為試驗因素模擬蔗田路面,，進行了臺架試驗。試驗結(jié)果表明,，當前進速度為1km/h,、地面波長為1m、地面振幅為4cm時,，最小平均入土切割深度誤差為3.26mm,。當前進速度為3km/h、地面波長為1m,、地面振幅為12cm時,，最大平均入土切割深度誤差為8.87mm，刀盤可以保持入土切割,。研究可為入土切割控制系統(tǒng)的開發(fā)提供數(shù)據(jù)支撐和理論依據(jù),。

摘要:為解決天然橡膠夜間割膠作業(yè)勞動強度大,、割膠工短缺,、割膠效率低等問題，設(shè)計一種固定式天然橡膠自動割膠機,，采用行走電機與絲桿電機分別驅(qū)動割膠刀繞樹轉(zhuǎn)動以及沿豎直方向運動,，2種運動復合形成割膠刀螺旋線作業(yè)軌跡，實現(xiàn)割膠機根據(jù)橡膠樹生長狀況調(diào)節(jié)螺旋線升角,，保證排膠順暢,。采用絲桿電機與旋轉(zhuǎn)編碼盤配合，實現(xiàn)割膠機耗皮量的調(diào)整,，通過仿形雙彈簧實現(xiàn)割刀割深均勻穩(wěn)定,，適應不同割膠需求，降低橡膠樹損傷,。以螺旋線升角,、割刀運行速度、耗皮量為試驗因素,，以割膠機能耗,、耗皮量變異系數(shù)為試驗指標，進行三因素三水平正交試驗,。試驗結(jié)果表明：螺旋線升角為25°,、割刀運行速度為0.6m/min、耗皮量為0.8mm時,，試驗結(jié)果最優(yōu),，平均耗電量為0.48W·h，耗皮量變異系數(shù)為7.61%,，割深變異系數(shù)為4.78%,，試驗結(jié)果滿足要求。

摘要:針對我國梨樹授粉用工量大,、作業(yè)效率低等問題，基于液體授粉技術(shù),，以水平棚架式栽培的梨樹為研究對象,，開展多旋翼無人機液體授粉試驗，探究多旋翼無人機單位面積液體噴施量,、飛行高度及授粉方式等對霧滴沉積分布及授粉效果的影響,。試驗結(jié)果表明多旋翼無人機液體噴霧授粉作業(yè)性能穩(wěn)定,，霧滴沉積分布組內(nèi)變異系數(shù)不超過20%；霧滴覆蓋率及霧滴覆蓋密度均與噴施量呈正相關(guān),，當液體噴施量為6mL/m2時,，飛行高度的變化對霧滴沉積分布影響顯著，飛行高度為4m時,，霧滴覆蓋率及覆蓋密度分別為7.06%,、84.77個/cm2，花朵坐果率為49.70%,，花序坐果率為85.83%,，較自然授粉分別提高91%及43%。當花粉液體噴施量為4.5,、6mL/m2時,，無人機液體授粉與自然授粉花序坐果率差異顯著，且無人機液體授粉與背負式噴霧器授粉花序坐果率無顯著差異,，花序坐果率可達80%以上,。研究結(jié)果表明，無人機液體授粉作業(yè)時霧滴覆蓋率及覆蓋密度越高,，對提升花朵坐果率,、花序坐果率作用越顯著，當無人機飛行高度為4m,、花粉液體噴施量為4.5mL/m2時為較優(yōu)的無人機液體授粉參數(shù)組合,。

摘要:針對向生豬飼料中添加顆粒藥物時藥物分布不均導致的藥物利用率低的問題，設(shè)計了一種精準配比料藥一體化飼喂器,，以計量式斜槽輪為排料裝置,，并對排料斜槽輪、排藥斜槽輪,、飼料分流刀等關(guān)鍵部件進行了設(shè)計和仿真,，實現(xiàn)給定質(zhì)量比范圍內(nèi)的實時精準加藥。用離散元分析軟件EDEM進行排料穩(wěn)定性分析,，得出轉(zhuǎn)速為40~60r/min時排料槽輪的穩(wěn)定性較好,，根據(jù)（100~250）∶1的料藥質(zhì)量配比確定排藥槽輪轉(zhuǎn)速為10~20r/min。用力鏈分析飼料顆粒和藥物顆粒在斜槽輪排料裝置工作時的受力情況,，可知飼料顆粒和藥物顆粒所受的外力小于破碎力,，兩種顆粒在整個運動過程中所受的外力不會造成顆粒破碎,。通過樣機試驗測得在給定轉(zhuǎn)速范圍內(nèi)，可實現(xiàn)的料藥質(zhì)量配比范圍為（93.4~251.8）∶1,，給定的料藥質(zhì)量配比在此范圍內(nèi),；進行料藥配比混合臺架試驗，試驗結(jié)果表明精準配比料藥一體化飼喂器能實現(xiàn)向飼料中實時精準加藥,，解決了小粒徑小流量的藥物顆粒在大粒徑大流量的飼料顆粒中分布不均勻問題,。

摘要:現(xiàn)有牧草種子收獲機在收獲牧草種子時,，其收獲總損失率與破碎率較高，雜質(zhì)清選效果差,，沉降不充分,。為了解決上述問題，在現(xiàn)有沉降箱的基礎(chǔ)上進行理論及結(jié)構(gòu)分析,，結(jié)合具體需求及整機結(jié)構(gòu)外形來改進沉降箱清選結(jié)構(gòu),，設(shè)計了一種圓弧減速擋板，減小了種子受到的沖擊力,，調(diào)整了擋板的大小以及位置,，使得更多的種子經(jīng)過沉降進行清選，提升牧草種子收獲的質(zhì)量合格率,。通過計算流體動力學仿真對沉降分離裝置的內(nèi)部流場進行了仿真模擬,，選擇雷諾應力模型和DPM模型分別對氣相和固相進行模擬得到氣流場分布圖和顆粒場的運動軌跡圖。結(jié)果表明設(shè)計的圓弧減速擋板對比折線降速擋板的結(jié)構(gòu)提升了種子沉降率,并減小了種子破碎率,，并且在入口風速提高時,，提高了箱底種子捕獲率。通過牧草種子收獲機收割苜蓿實地試驗,，分別對比了無擋板以及折線減速擋板的收獲合格率,。結(jié)果表明，采用圓弧減速擋板的沉降箱收獲種子時沉降損失率為0.19%,破碎率為0.9%,，均達到相關(guān)行業(yè)標準,，證明了該裝置的有效性。

摘要:多功能飼草揉絲機在實際應用中存在容易堵塞以及拋扔距離不滿足使用要求等問題,，這些問題均與機內(nèi)物料-氣流耦合運動特性有關(guān),。為了探究揉絲機內(nèi)物料與氣流耦合運動規(guī)律,，采用計算流體力學（Computational fluid dynamics, CFD）以及離散元（Discrete element method, DEM）耦合方法，建立物料揉絲過程中氣流與散碎物料耦合作用模型,，并對物料與氣流之間的耦合運動規(guī)律進行數(shù)值模擬,，通過氣流速度測試與物料拋扔距離試驗驗證耦合模型與數(shù)值計算的準確性。研究表明：出料口4個測點的氣流速度仿真值與實測值相對誤差均在81%以內(nèi),；額定轉(zhuǎn)速范圍內(nèi)3種轉(zhuǎn)速下物料平均拋扔距離數(shù)值計算結(jié)果與實測值相對誤差均小于5%,，驗證了物料-氣流耦合模型與數(shù)值計算結(jié)果的準確性。飼草物料破碎后沿著揉碎室內(nèi)壁面做環(huán)流運動,，并沿著出料管遠離進料口一側(cè)被拋出機外,。揉絲機穩(wěn)定運轉(zhuǎn)后室內(nèi)顆粒運動的最大速度始終在某一平均速度上下波動，速度均值體現(xiàn)了物料顆粒在錘片打擊力作用下獲得動能的大小,。顆粒物料獲得動能越大,，裝置越不易堵塞，物料的平均拋扔距離越遠,。研究結(jié)果可為揉絲機內(nèi)物料-氣流耦合運動特性優(yōu)化,、避免堵塞以及增加物料拋扔距離提供基礎(chǔ)依據(jù)。

摘要:針對采棉頭故障診斷和故障預警缺失的問題，提出基于粒子群優(yōu)化算法（PSO）優(yōu)化堆疊降噪自編碼器（SDAE）的采棉頭故障診斷方法,。將采棉滾筒轉(zhuǎn)速與采棉頭輸入轉(zhuǎn)速比和采棉頭液壓驅(qū)動壓力作為輸入,，利用PSO算法對SDAE網(wǎng)絡(luò)的超參數(shù)進行自適應選取，確定網(wǎng)絡(luò)結(jié)構(gòu),，然后將預處理后的數(shù)據(jù)輸入PSO-SDAE網(wǎng)絡(luò)進行深度特征提取,，經(jīng)過前向傳播和反向微調(diào)，得到采棉頭故障診斷模型,。通過采棉頭堵塞故障模擬試驗對算法進行驗證，試驗結(jié)果表明：PSO-SDAE網(wǎng)絡(luò)診斷方法在特征有效提取,、故障診斷準確率方面均優(yōu)于SDAE網(wǎng)絡(luò),、支持向量機（SVM）、反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）以及深度置信網(wǎng)絡(luò)（DBN）,，可用于采棉頭故障診斷和故障預警,。

摘要:針對國產(chǎn)圓包式采棉機棉包纏膜技術(shù)理論研究不足,，存在送膜不暢,、包邊效果不好等問題，設(shè)計了一種點剎遞進式棉包纏膜系統(tǒng),，主要由送膜機構(gòu),、點剎拉緊機構(gòu)和控制單元組成。通過研究棉包點剎拉緊纏膜機理,，理論分析了送膜的必要條件,、導向器上膜成功的有效區(qū)域、以及棉包端部包邊形成的邊界條件,，確定了影響點剎遞進式棉包纏膜系統(tǒng)作業(yè)性能的主要因素為打包帶速度,、點剎周期、制動時間與進膜時間比值（制動比）,，以平均棉包包邊寬度,、平均棉包密度為試驗指標開展了三因素三水平二次回歸響應面試驗，建立了回歸模型,，分析各因素對棉包纏膜系統(tǒng)作業(yè)性能的影響,，得到了點剎遞進式棉包纏膜系統(tǒng)最佳工作參數(shù)為：打包帶速度156r/min，點剎周期1200ms,，制動比為1.2,，以此參數(shù)組合進行驗證試驗，得到棉包的平均包邊寬度為160mm,，平均棉包密度193kg/m3,，試驗結(jié)果與理論優(yōu)化值相差不超過5%。

摘要:沿海泵站使用的大型軸流泵系統(tǒng)（LAPS）往往需要配備溢流孔以提高過渡過程的品質(zhì)，但由于LAPS過渡過程中增設(shè)溢流孔的機理尚不明確,，因此在設(shè)計和應用上存在很多困難,。本文設(shè)計了6種不同直徑的溢流孔，在Flomaster軟件二次開發(fā)的基礎(chǔ)上,，用瞬態(tài)模擬方法研究了不同直徑的溢流孔對LAPS的同步啟動,、異步啟動、同步停機和異步停機過渡過程的影響,。結(jié)果表明：在異步啟動過程中,，當溢流孔直徑達到2m時,，最大沖擊揚程為1.67Hr，最大沖擊功率為1.34Pr,，進一步增加溢流孔直徑對降低LAPS的最大沖擊揚程和功率無明顯增益,。在異步停機過程中，溢流孔可以有效延緩LAPS流量的衰減,，降低瞬時水頭和功率,，然而，當溢流孔直徑達到2m時,，最大沖擊揚程為1.18Hr,，最大沖擊功率為1.1Pr，進一步增加溢流孔直徑對降低LAPS異步停機過程中的最大沖擊水頭和功率沒有明顯的作用,。溢流孔直徑越大,，對于提高過渡過程質(zhì)量的效果越好，但是當溢流孔直徑增大到一定程度后,，繼續(xù)增加溢流孔直徑效果沒有明顯提高,。

摘要:針對傳統(tǒng)水力設(shè)計難以滿足井下渦輪發(fā)電機的性能要求,，提出了一種以葉片載荷為設(shè)計變量,，輸出功率為目標函數(shù)的反問題優(yōu)化設(shè)計方法?；诰聹u輪發(fā)電機葉片載荷分布規(guī)律,，采用“三段式”對其進行參數(shù)化，依據(jù)初始模型葉片載荷分布形式,，對NC處載荷進行線性增減,，每次變化為0.2倍，設(shè)計6種不同葉片載荷分布方案,，采用反問題方法設(shè)計葉輪模型,，計算6種方案的輸出功率，得出最高輸出功率為方案Ⅱ,，值為118.867W,，初始模型輸出功率為93.2796W，最低為方案Ⅳ,，輸出功率為80.77W；其中方案Ⅱ的前加載點處載荷相較于初始模型增加0.2倍,；對葉片載荷進行分析,，得出了井下渦輪發(fā)電機輸出功率隨前加載點處載荷先增加后減小,。基于葉片載荷與性能之間的關(guān)系以及本文所設(shè)計的葉片優(yōu)化模型,，經(jīng)過不斷計算迭代得到了適用于井下渦輪發(fā)電機高性能的目標葉片載荷分布方案,，目標葉片載荷前加載點處的載荷相較于初始模型增加0.28倍；依據(jù)該方案進行反問題設(shè)計,，對目標葉片載荷與模擬載荷進行比較,，二者較為接近；經(jīng)過數(shù)值計算得到同等條件下,，經(jīng)過葉片載荷分布反問題設(shè)計模型的輸出功率為129.8W,，相較于前6種方案中最高輸出功率增長10.933W，提升9.26%,；葉片壓力最高值的位置處于前加載點附近,，前加載點一直處于高壓區(qū)，證明了基于葉片載荷分布對井下渦輪發(fā)電機的反問題優(yōu)化設(shè)計方法和理論的可行性,。

摘要:針對無人機采集影像時不同地物最佳分辨率難以確定的問題,，運用大疆M600Pro型無人機獲取棉花蕾期可見光影像,，結(jié)合地面調(diào)查采樣數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)（Artificial neural networks,，ANN）,、支持向量機（Support vector machines，SVM）和隨機森林（Random forest,，RF）3種監(jiān)督分類算法進行田間地物識別,。分析不同分辨率（1.00、2.50,、5.00,、7.50、10.00cm）下對地物的識別精度,，并結(jié)合算法運行時間,，從分辨率、算法精度和運行時間上找到適合南疆田間尺度棉花田塊地物識別的最佳分辨率和最優(yōu)算法,。試驗結(jié)果表明：當空間分辨率為1.00cm時,，SVM對地物的識別精度最高，總體精度與Kappa系數(shù)分別為99.857%和0.997。隨著空間分辨率的降低,，總體精度和Kappa系數(shù)呈下降趨勢,。當分辨率為2.50cm和5.00cm時，采用RF算法,，運行時間最短,，土地、棉花和滴灌帶可獲得較好的識別精度,，總體精度與Kappa系數(shù)分別可達99.252%和0.986以上,。當空間分辨率大于5.00cm時，總體精度和Kappa系數(shù)下降,，滴灌帶制圖精度（Producer's accuracy,，PA）和用戶精度（User's accuracy，UA）下降最大,?？臻g分辨率小于5.00cm的圖像能夠很好地識別蕾期棉花地的典型地物，可為進行田間地物類型及其分布狀況的識別提供指導,。

摘要:為提高蘋果種植區(qū)域的提取精度,，提出了一種基于Sentinel-2和MODIS融合影像的CBAM-DeepLab V3+模型。影響蘋果種植區(qū)域提取精度的主要因素包括遙感影像的質(zhì)量以及語義分割模型的性能,。從影像質(zhì)量角度來看,，采用基于時序的時空融合算法ESTARFM，通過融合Sentinel-2和MODIS的遙感影像數(shù)據(jù),，實現(xiàn)更高空間分辨率和時間分辨率數(shù)據(jù)的獲取,。與此同時，將訓練樣本從原始的800幅擴充至2400幅,，為后續(xù)語義分割模型提供更為充足的樣本容量,。在語義分割模型優(yōu)化方面，為了進一步提高蘋果種植面積的提取精度,，以DeepLab V3+網(wǎng)絡(luò)結(jié)構(gòu)模型為基礎(chǔ),，引入基于通道和空間的CBAM注意力機制，進而發(fā)展出CBAM-DeepLab V3+模型,。與原始DeepLab V3+模型相比,，加入CBAM注意力機制的CBAM-DeepLab V3+模型在擬合速度較慢、邊緣目標分割不精確,、大尺度目標分割內(nèi)部不一致和存在孔洞等缺陷方面實現(xiàn)了突破,，這些改進提高了模型的訓練與預測性能,。本研究采用原始Sentinel-2影像及時空融合后的影像數(shù)據(jù)集，結(jié)合煙臺市牟平區(qū)王格莊鎮(zhèn)的數(shù)據(jù)集和觀水鎮(zhèn)蘋果數(shù)據(jù)集對U-Net,、FCN以及DeepLab V3+模型和CBAM-DeepLab V3+模型進行對比,，研究發(fā)現(xiàn)在蘋果種植面積提取方面，CBAM-DeepLab V3+優(yōu)化模型所取得的MIoU為84.6%,，蘋果種植面積提取準確率達90.4%。U-Net,、FCN和DeepLab V3+模型的MIoU分別為79.2%,、75%、81.2%,。此外,，該模型預測的煙臺市牟平區(qū)王格莊鎮(zhèn)蘋果種植面積為3433.33hm2，與煙臺市國民經(jīng)濟和社會發(fā)展統(tǒng)計公報公布的3666.66hm2相比,，誤差為233.33hm2,，預測準確率高達93.64%。

摘要:針對果蔬識別中識別效率低,、成本高等問題，本文提出了基于殘差塊和注意力機制的果蔬識別模型,，并成功部署于果蔬智能識別設(shè)備,。果蔬自動識別裝置由Raspberry Pi、STM32F103ZET6,、攝像頭,、稱量傳感器、處理器,、顯示屏,、微型打印機、扎口機以及電源等部分組成,。中央控制器與顯示屏進行交互實時顯示各種參數(shù),，通過攝像頭與稱量傳感器采集待測物體圖像與待測物體質(zhì)量，由部署于Raspberry Pi的果蔬自動識別模型對果蔬進行精準識別,，同時協(xié)同單片機STM32F103ZET6將果蔬相關(guān)信息打印并控制扎口機進行封口打包,。本文以YOLO v5網(wǎng)絡(luò)為基礎(chǔ)，通過增加殘差塊與注意力機制構(gòu)建果蔬自動識別模型RB+CBAM-YOLO v5,。以自制的數(shù)據(jù)集訓練網(wǎng)絡(luò),，將6種網(wǎng)絡(luò)進行對比試驗，并選擇最優(yōu)網(wǎng)絡(luò)進行設(shè)備端檢測試驗。試驗結(jié)果表明,，RB+CBAM-YOLO v5的精確率,、召回率與mAP0.5分別為83.55%、96.08%,、96.20%,，較YOLO v5提升4.47、1.10,、0.90個百分點,。將RB+CBAM-YOLO v5模型部署于嵌入式設(shè)備Raspberry Pi中，設(shè)備可實現(xiàn)精準識別,、自動稱量,、打印憑條以及快速打包等功能，可滿足果蔬識別以及無人售賣裝置的需求,。

摘要:針對田間莧菜識別存在準確率低,、樣本數(shù)量少等問題，通過引入擴展感受野和提取上下文信息的ASPP注意力機制改進YOLO v5莧菜識別模型,，在低數(shù)據(jù)集下改進后的模型能夠顯著提高F1值和mAP,。實驗結(jié)果表明，在低數(shù)據(jù)集下引入ASPP注意力機制后莧菜識別模型F1值提高13個百分點,、mAP提高18.6個百分點,。采用橫向錄制的方式莧菜被檢測到的概率提高15.4個百分點。因此,，本研究為莧菜或其他雜草在低數(shù)據(jù)集下的識別提供了有效的方法,，為農(nóng)業(yè)領(lǐng)域的雜草識別和管理研究提供了參考。

摘要:秸稈覆蓋率是保護性耕作重要的評價指標之一。針對田間秸稈形態(tài)各異,、細碎秸稈難以識別的難題,，基于機器視覺技術(shù)，提出了一種基于K-means和彩色空間距離灰度化方法相結(jié)合的田間秸稈覆蓋率檢測算法,。采用彩色空間距離方法對秸稈圖像進行預處理,，基于K-means算法實現(xiàn)秸稈和土壤背景的分類識別,，使用數(shù)學形態(tài)學腐蝕和膨脹方法對識別后的圖像進行處理，降低細碎秸稈對覆蓋率的影響,，最后計算秸稈圖像的覆蓋率,。2022年10月，通過田間試驗對北京小湯山國家精準農(nóng)業(yè)研究示范基地采集的220幅玉米秸稈圖像進行了算法驗證,。試驗結(jié)果表明,，對低秸稈覆蓋率(0~30%)圖像，識別準確率達到90%,；對中等秸稈覆蓋率(30%~60%)圖像,，識別準確率達到88%；對高秸稈覆蓋率(60%以上)圖像,，識別準確率達到86%；整體秸稈覆蓋率分等定級準確度達到98.18%,。本研究設(shè)計的基于K-means和彩色空間距離灰度化方法相結(jié)合的田間秸稈覆蓋率檢測算法為保護性耕作評價提供了快速檢測方法和手段,。

摘要:為解決傳統(tǒng)水稻質(zhì)量分級依靠人工分揀,，工作量大、錯誤率高,、分級標準不嚴格等問題,，本文提出一種基于ECA改進的雙流卷積神經(jīng)網(wǎng)絡(luò)模型對水稻單粒質(zhì)量分級進行研究。首先,，獲取每組水稻單籽粒（本文以7顆水稻單籽粒為1組）正視和俯視圖像,，對于5種簡單的監(jiān)督模型（樸素貝葉斯、決策樹,、隨機森林,、最鄰近結(jié)點算法、支持向量機）,、基于遺傳算法和投票機制優(yōu)化的模型（GA-SVM）,、集成模型（RF+GA-SVM），通過圖像預處理輪廓檢測分離出單籽粒圖像,，利用顏色矩,、LBP（Local binary pattern）和Canny算子提取籽粒顏色、紋理和邊緣特征,，并采用PCA（Principal component analysis）降維后進行訓練,；而對于單流卷積神經(jīng)網(wǎng)絡(luò)模型,、雙流卷積神經(jīng)網(wǎng)絡(luò)模型（FV-CNN）以及本文提出并構(gòu)建的基于ECA改進的雙流卷積神經(jīng)網(wǎng)絡(luò)模型（EA-FV-CNN），則使用預處理后的圖像進行訓練,。將上述多種模型進行對比分析,，發(fā)現(xiàn)基于ECA改進的雙流卷積神經(jīng)網(wǎng)絡(luò)模型性能最好，其在單粒質(zhì)量三分級,、四分級和五分級準確率分別達94.0%,、92.3%和71.0%。實驗結(jié)果表明,，使用基于ECA改進的雙流卷積神經(jīng)網(wǎng)絡(luò)模型能夠提高水稻單粒質(zhì)量的分級精度,，彌補傳統(tǒng)方法的不足，規(guī)范籽粒篩選分級標準,。

摘要:針對高架栽培模式下的大棚草莓,，借鑒人體姿態(tài)檢測算法,，建立了改進YOLO v8-Pose模型對紅熟期草莓進行識別與果柄關(guān)鍵點檢測。通過對比YOLO v5-Pose,、YOLO v7-Pose,、YOLO v8-Pose模型，確定使用YOLO v8-Pose模型作為對紅熟期草莓識別與關(guān)鍵點預測的模型,。以YOLO v8-Pose為基礎(chǔ),，對其網(wǎng)絡(luò)結(jié)構(gòu)添加Slim-neck模塊與CBAM注意力機制模塊，提高模型對小目標物體的特征提取能力,，以適應草莓數(shù)據(jù)集的特點,。改進YOLO v8-Pose能夠有效檢測紅熟期草莓并準確標記出果柄關(guān)鍵點，P,、R,、mAP-kp分別為98.14%、94.54%,、97.91%,，比YOLO v8-Pose分別提高5.41、5.31,、8.29個百分點,。模型內(nèi)存占用量為22MB，比YOLO v8-Pose的占用量小 6MB,。此外,，針對果園非結(jié)構(gòu)化的特征,，探究了光線、遮擋與拍攝角度對模型預測的影響,。對比改進前后的模型在復雜環(huán)境下對紅熟期草莓的識別與果柄預測情況,，改進YOLO v8-Pose在受遮擋、光線和角度影響情況下的mAP-kp分別為94.52%,、95.48%,、94.63%，較YOLO v8-Pose分別提高8.9,、10.75,、5.17個百分點。改進YOLO v8-Pose可在保證網(wǎng)絡(luò)模型精度的同時對遮擋,、光線和拍攝角度等影響均具有較好的魯棒性,，能夠?qū)崿F(xiàn)對復雜環(huán)境下紅熟期草莓識別與果柄關(guān)鍵點預測。

摘要:棉花是我國的重要經(jīng)濟作物,，棉花產(chǎn)量預測有助于經(jīng)濟調(diào)控和調(diào)節(jié)種植模式,，提高生產(chǎn)收益。目前,，傳統(tǒng)人工測產(chǎn)方法存在勞動強度大,，測量精度底等問題。為解決這一問題,，選用噴灑脫葉劑后的棉花圖像為研究對象,，并構(gòu)建相關(guān)數(shù)據(jù)集，同時以單位面積中的棉花株數(shù),、棉鈴數(shù)和單鈴籽棉質(zhì)量的計算公式和改進的YOLO v5算法模型為核心算法,，設(shè)計基于Android移動端的棉花產(chǎn)量預測系統(tǒng)。通過選擇手機拍照或選擇調(diào)用相冊兩種方式獲取圖像信息,，對目標圖像進行數(shù)據(jù)分析處理,，實現(xiàn)棉花的產(chǎn)量預測。以圖像中棉花的檢測框檢測出棉花棉鈴,，根據(jù)不同的土壤類型,，自動計算出每公頃的棉花產(chǎn)量，與實際產(chǎn)量對比顯示,，實際產(chǎn)量和預測產(chǎn)量的籽棉和皮棉平均誤差為122.01kg/hm2和57.98kg/hm2,，且模型在手機端的精度較高,，準確率P和召回率R為90.95%和73.16%，與原YOLO v5模型相比,，提升19.58,、16.84個百分點，在3種類型的手機上進行對比檢測后,，系統(tǒng)運行時間平穩(wěn),，產(chǎn)量預測結(jié)果相差不大。結(jié)果表明,，設(shè)計的棉花產(chǎn)量預測系統(tǒng)在田間測產(chǎn)結(jié)果和算法運行性能較為良好,，可以為棉花產(chǎn)量的預測提供技術(shù)參考。

摘要:為了滿足田間作物長勢快速檢測與指導變量管理的需求，以玉米為例設(shè)計了基于多光譜成像的田間作物植株葉綠素檢測系統(tǒng),，包括可見光(RGB)和近紅外(Near-infrared, NIR)圖像采集模塊,、主控處理器模塊、模型加速模塊,、顯示及電源模塊,，用于實現(xiàn)玉米植株智能識別與葉綠素指標一體化檢測。首先,，采集玉米苗期和拔節(jié)期冠層圖像數(shù)據(jù)集,，比較了植株冠層實例分割與株心目標檢測兩種深度學習模型，構(gòu)建了基于MobileDet+SSDLite(Single-shot multibox detector lite)輕量化網(wǎng)絡(luò)的玉米植株定位檢測模型,，實現(xiàn)玉米植株識別,。其次，提取被識別的植株株心RGB-NIR圖像,，開展RGB和NIR圖像匹配與分割,，提取R、G,、B和NIR灰度值計算植被指數(shù),，使用SPXY算法(Sample set portioning based on joint X-Y distances)和連續(xù)投影算法(Successive projections algorithm，SPA)分別對數(shù)據(jù)集進行樣本劃分及特征變量篩選,，選擇高斯過程回歸(Gaussian process regression,，GPR)算法建立葉綠素指標檢測模型。結(jié)果顯示,，玉米株心目標檢測模型在遮擋重疊的復雜環(huán)境下識別率達到88.7%,，在不交叉重疊時識別精度達到90%以上,；葉綠素含量指標檢測模型建模集的模型決定系數(shù)R2為0.62，測試集模型決定系數(shù)R2為0.61,。對開發(fā)系統(tǒng)進行田間測試,，結(jié)果顯示，系統(tǒng)檢測速率可達14.6f/s,，平均精度為92.9%,。研究結(jié)果能夠有效解決大田環(huán)境下玉米營養(yǎng)狀態(tài)的檢測問題，滿足大田環(huán)境實時檢測需求,，為作物生產(chǎn)智慧感知提供解決思路和技術(shù)支持,。

摘要:為了滿足田間作物長勢快速檢測與指導變量管理的需求,，基于作物葉綠素光譜響應特征波長篩選與優(yōu)化，開發(fā)了一款便攜式作物葉綠素檢測儀,。首先,，采用高光譜儀采集玉米冠層325~1075nm反射光譜，并采樣萃取葉片葉綠素含量真值,，開展葉綠素敏感響應波長篩選,。經(jīng)蒙特卡洛無信息變量消除（MC-UVE）算法在10~100個特征波長范圍內(nèi)進行變量篩選，表明采用50個特征波長時具有最優(yōu)的葉綠素含量檢測能力,。其次，選擇AS7265x型光譜傳感器,，以半峰寬20nm的12個區(qū)間覆蓋篩選的50個波長,，設(shè)計的葉綠素檢測儀包括傳感器、主控制器,、顯示和控制等模塊,，實現(xiàn)作物冠層反射光數(shù)據(jù)采集、處理,、顯示和存儲功能,。開展傳感器反射率標定與田間應用測試，基于傳感器獲取的反射率構(gòu)建葉綠素含量偏最小二乘檢測模型驗證集決定系數(shù)為0.628,；進一步組合歸一化紅邊植被指數(shù)（NDRE：730,、900nm）和綠光歸一化差值植被指數(shù)（GNDVI：535、900nm）,，檢測模型精度提高到0.69,，模型嵌入系統(tǒng)最終實現(xiàn)了田間葉綠素含量快速檢測,，為作物長勢高效分析提供了技術(shù)支持。

摘要:農(nóng)用電化學原位監(jiān)測Ag/AgCl參比電極存在氯離子泄漏風險，探討通過新型液態(tài)金屬納米纖維復合氈改進柔性參比電極穩(wěn)定性,，利用響應面分析方法(RSM)確定材料制備工藝對參比電極穩(wěn)定性的影響趨勢,，獲取優(yōu)化方案并進行可行性驗證。試驗結(jié)果表明,，液態(tài)金屬納米纖維復合氈制備主影響因素包括紡絲收集距離,、紡絲混液質(zhì)量配比和拉伸次數(shù)，影響程度依次降低,；收集距離和拉伸次數(shù)對參比電極穩(wěn)定性的耦合作用顯著,；當制備參數(shù)方案為質(zhì)量比為1∶5、收集距離為19cm,、拉伸次數(shù)為1150次時,，參比電極穩(wěn)定性最優(yōu)，平均相對誤差不大于4.4%,；自制柔性Ag/AgCl參比電極,，將其應用于土柱硝態(tài)氮和pH值監(jiān)測原位測量，16d的連續(xù)監(jiān)測過程中硝態(tài)氮與pH值測試數(shù)據(jù)與離線商用電極測量值的絕對誤差,、相對誤差和均方根誤差分別小于5.55mg/L,、7.2%、1.98mg/L和0.21,、2.8%,、0.17，參比電極持續(xù)提供穩(wěn)定參考基準,，保障了兩工作電極與外檢數(shù)據(jù)間良好的一致性,，證明了自制Ag/AgCl參比電極在土壤農(nóng)化分析中的可行性。

摘要:為實現(xiàn)不同深度下作物根系的實時監(jiān)測與圖像采集，設(shè)計開發(fā)了作物根系生長監(jiān)測微根管裝置，圖像采集后可以通過上位機軟件進行實時顯示與存儲,。裝置由監(jiān)測管與控制箱組成,，監(jiān)測管使用亞克力材料制作透明外殼，同時在管內(nèi)通過絲杠和導桿架設(shè)滑動軌道,，利用步進電機實現(xiàn)攝像頭在導軌上的運動控制,；控制箱以STM32單片機為核心控制板，并根據(jù)實際需求選取了相應外設(shè)模塊,。以番茄根系為研究對象進行持續(xù)98d的圖像采集,，借助軟件RhizoVision Explore對根系圖像進行分析，試驗結(jié)果表明,，前70d番茄根系整體生長速度較快,，后28d逐漸趨于穩(wěn)定，在深度6~10cm處分布較為密集,，根長密度在深度10cm處于第91天達到最大值（1.22cm/cm3）,，分析結(jié)果與番茄根系生長規(guī)律一致，表明本根系生長監(jiān)測微根管裝置能在不影響根系持續(xù)生長的情況下完成對作物根系的長期在線監(jiān)測,，滿足作物根系監(jiān)測要求,。

摘要:針對現(xiàn)有檢測方式難以大面積準確檢測果園單株獼猴桃病蟲害信息,，且僅憑地面或者遙感數(shù)據(jù)獲取信息不全的問題,，通過搭建地面數(shù)據(jù)采集設(shè)備，配合無人機采集遙感圖像,，從空地兩個角度獲取了更全面的獼猴桃冠層葉片病蟲害信息,。選取Pytorch深度學習框架，使用YOLO v5s算法進行病蟲害葉片的目標檢測,。計算單株果樹被害率時,，通過圖像處理統(tǒng)計被害葉片與冠層葉片的像素數(shù)來代替數(shù)量統(tǒng)計。在冠層像素數(shù)計算過程中,，對比K-means聚類分析與大津法閾值分割算法，后者用時更少,，操作更加簡單,。最終得到每株果樹冠層不同部分的病害率和蟲害率，結(jié)果表明,，該檢測模型精確率為99.54%,，召回率為99.24%，驗證集目標檢測和分類損失值均值分別為0.08469和0.00083。同時,，分別選取無人機和地面病害和蟲害數(shù)據(jù)20個,，將檢測模型獲得的病蟲害葉片數(shù)量的預測值與人工標注的真實值進行比較，遙感和地面的病害與蟲害檢測模型的平均絕對值誤差分別為3.5,、2.5,、0.9和0.45。地面數(shù)據(jù)檢測效果好于遙感數(shù)據(jù)檢測效果,。本研究可為建立獼猴桃果園病蟲害檢測系統(tǒng)提供依據(jù),，同時為獼猴桃果園的精細化管理提供指導。

摘要:農(nóng)作物病蟲害對農(nóng)業(yè)產(chǎn)量和品質(zhì)影響巨大。數(shù)字圖像處理技術(shù)在農(nóng)作物病蟲害識別中發(fā)揮重要作用,。深度學習在該領(lǐng)域取得顯著突破,，效果優(yōu)于傳統(tǒng)方法。深度學習方法的特征提取能力更強,，能準確捕捉細微特征,，提高檢測精度和可靠性。深度學習為農(nóng)業(yè)提供了有力支持,。本研究綜述了基于深度學習的農(nóng)作物病蟲害檢測研究,，從分類網(wǎng)絡(luò)、檢測網(wǎng)絡(luò)和分割網(wǎng)絡(luò)3方面進行了概述,，并對每種方法的優(yōu)缺點進行了總結(jié),，同時比較了現(xiàn)有研究的性能。在此基礎(chǔ)上,，進一步探討了基于深度學習的農(nóng)作物病蟲害檢測算法在實際應用中面臨的難題,，并提出了相應的解決方案和研究思路。最后,，對基于深度學習的農(nóng)作物病蟲害檢測技術(shù)的未來趨勢進行了分析和展望,。

摘要:為快速,、全面的監(jiān)測大田小麥病害,，并結(jié)合小麥發(fā)病特征實現(xiàn)對小麥不同生長部位的病害進行識別，設(shè)計了一款便攜式小麥白粉病病害檢測裝置,，其由雙相機采集模塊和主控模塊組成,，配合病害檢測軟件系統(tǒng)實現(xiàn)對小麥多部位的白粉病害采集與檢測。為保證模型在檢測裝置部署的可行性,，提出了一種基于YOLO v7-tiny模型輕量化改進的白粉病目標檢測模型（YOLO v7tiny-ShuffleNet v1,，YT-SFNet）。為驗證該輕量化模型的準確率和檢測速度,，與YOLO v7-tiny模型進行訓練對比,，結(jié)果表明YT-SFNet模型相較于YOLO v7-tiny在平均精度上提高了0.57個百分點；在檢測時間和模型內(nèi)存占用量上分別下降了2.4ms和3.2MB,。 最后將輕量化模型和軟件系統(tǒng)移植至裝置主控模塊,，制作測試集對裝置的檢測準確率和檢測速度進行了性能測試。其對于測試集的識別準確率為86.2%,，檢測速度上有較好的穩(wěn)定性,，且單幅病害圖像從處理、檢測及顯示保存的全過程平均耗時為0.5079s,。

摘要:施肥量動態(tài)高精度測量是實施變量施肥的前提,。針對目前測量肥料質(zhì)量流量方法在田間應用時仍存在測量不準確和無法適應工作環(huán)境等問題,，開發(fā)了一種基于微波法的顆粒肥料質(zhì)量流量測量系統(tǒng)，提出了一種流量質(zhì)量測量模型和測量方法,。以農(nóng)用顆粒狀肥料史丹利15-15-15和撒可富15-15-15為實驗對象,，控制微波傳感器距離和肥料的排肥速度，對數(shù)據(jù)采用卡爾曼濾波進行平滑處理,。實驗數(shù)據(jù)分析表明：顆粒肥料回波信號的主導頻率僅與電動排肥裝置和傳感器的距離有關(guān),，而功率譜密度僅與肥料顆粒數(shù)有關(guān)；通過最小二乘法建立兩種復合肥的實際質(zhì)量流量和傳感器輸出值的響應關(guān)系,，兩種復合肥響應關(guān)系的決定系數(shù)R2均不小于0.9858,，并對響應關(guān)系進行了驗證。撒可富15-15-15的測量范圍為1.1198~2.0659g/min,，最大測量誤差為6.35%,；史丹利15-15-15的測量范圍為1.0719~1.8779g/min，最大測量誤差為4.85%,，其測量性能符合作業(yè)需要。

摘要:腐殖質(zhì)（HS）是有機肥養(yǎng)分質(zhì)量的重要指標。在堆肥過程中,，生物炭和棉稈木醋液的添加會導致堆體內(nèi)部環(huán)境發(fā)生變化,，但HS的化學性質(zhì)變化尚不明確。本研究利用火焰原子吸收儀檢測了重金屬（HMs）（例如Pb,、Cr,、Cd、Ni）的形態(tài),，運用傅里葉變換紅外光譜(FTIR)方法和三維激發(fā)發(fā)射矩陣熒光光譜(3D-EEM)方法以多個角度表征HS與HMs的絡(luò)合物,。同時，采用數(shù)理統(tǒng)計,、相關(guān)性分析和冗余分析（Redundancy analyses,，RDA）比較了試驗組的腐熟指標（溫度、pH值）,、腐殖化能力（HS,、富里酸（FA）、胡敏酸（HA）,、胡敏酸與富里酸之比（H/F））,、官能團等。研究結(jié)果顯示,，木醋液處理能使堆肥腐殖化程度相對較高,，且位于波數(shù)876~835cm-1的峰值明顯增強表明芳香結(jié)構(gòu)在不斷累積，H/F最終均達到2.3以上,。T1處理組生物炭處理的HS含量位于T4和T3處理組之間,，H/F最終達到3.67。T1處理組對Cr鈍化過程,，交換態(tài)最終鈍化比例至2%,。T4處理組在Pb鈍化過程中，最終殘渣態(tài)的比例高達68%,。Cd受T4處理組影響較大,，最終表現(xiàn)為氧化態(tài)分別向交換態(tài)、還原態(tài),、殘渣態(tài)轉(zhuǎn)移2%,、10%和11%。然而,，無論是添加生物炭還是木醋液,，對Ni的鈍化在堆制過程中均未顯示出明顯趨勢,，交換態(tài)、還原態(tài),、氧化態(tài)和殘渣態(tài)比例分別穩(wěn)定在1%~2%,、5%~7%、26%~35%和56%~68%,，說明本次試驗HS對Ni的影響較小,。FTIR進一步證實了HS作為富含芳香族和羧基的核心農(nóng)藝功能物質(zhì)的基本特性。在堆肥過程中,，HS的芳香性逐漸增加,，從而增強了與Pb、Cr,、Cd離子的絡(luò)合能力,。此外，研究確定了質(zhì)量分數(shù)1.75%的木醋液在豬糞基料堆制過程中整體表現(xiàn)較佳,。綜上所述,，木醋液和生物炭存在以下吸附機制：木醋液的特殊功能基團與HMs離子發(fā)生絡(luò)合作用；生物炭與HMs主要依賴吸附作用,；Ni在堆肥中的作用機制可能更傾向于與硝酸根離子結(jié)合,。

摘要:廢水中高濃度的鹽會抑制微藻的生長,，通過添加外源植物激素吲哚乙酸(IAA)來促進微藻在鹽脅迫下的生長，同時考察不同微藻和鹽離子種類對高鹽廢水培養(yǎng)微藻生長特性與氮磷去除的影響,。結(jié)果表明,，流加模式下培養(yǎng)28d，小球藻,、鏈帶藻,、四尾柵藻的最高生物量分別為0.55、0.66,、0.75g/L,，總氮和氨氮去除率分別為70.7%、88.5%,、79.7%和90.7%,、92.6%、92.4%,，總磷去除率均達到90%以上,。四尾柵藻在模擬高鹽廢水培養(yǎng)24d后,，高質(zhì)量濃度IAA(20mg/L)對其生長效果最好，生物量最高可達0.403g/L,，低質(zhì)量濃度IAA(≤2mg/L)對其無明顯促進作用甚至抑制生長,；高質(zhì)量濃度IAA(20mg/L)的總氮和氨氮的去除效果最好，去除率分別為20%和44.1%,；總磷去除率為97.2%，其余5組總磷去除率均維持在15%左右,。此外,，不同種鹽條件下四尾柵藻生物量分別為0.667g/L(空白組)、0.750g/L(Cl-組),、0.898g/L(NH+4組)和1.037g/L(NH+4+Cl-組),，各組氮磷去除效果無明顯差別，總氮和氨氮去除率分別在30%和50%左右,，總磷去除率90%以上,。以上研究表明高濃度IAA在鹽脅迫條件下對四尾柵藻生長有明顯的促進作用，且NH+4和Cl-混合鹽離子組獲得的四尾柵藻生物量最高,。

摘要:為促進中國農(nóng)村可再生能源轉(zhuǎn)型與綠色低碳發(fā)展,，實現(xiàn)低碳村鎮(zhèn)的新時期建設(shè)目標，以湖北省新星村為研究案例,，基于農(nóng)村用能需求及可再生能源資源稟賦分析,，提出了一種風、光,、生物質(zhì)互補的可再生能源熱電聯(lián)供系統(tǒng),。以最低成本與最低平均電價為系統(tǒng)目標函數(shù)，以熱電覆蓋率及生物質(zhì)利用率為系統(tǒng)評價指標,，構(gòu)建了基于HOMER Pro仿真系統(tǒng)的農(nóng)村可再生能源熱電聯(lián)供模型,，通過仿真分析與容量優(yōu)化獲得了新星村可再生能源系統(tǒng)的構(gòu)建方案，即由功率674kW的光伏,、功率200kW的風力發(fā)電機和功率500kW的CHP熱電聯(lián)供機組及外部熱源構(gòu)成最佳系統(tǒng)框架,，此時最低系統(tǒng)成本與電價分別為2.30×107元/a和0.986元/(kW·h)。進一步敏感性分析結(jié)果表明,，電力負荷提高會導致系統(tǒng)成本及電價上升,，名義折現(xiàn)率提高會降低成本但導致電價上漲,，生物質(zhì)日輸入量對經(jīng)濟指標無影響。減排評估結(jié)果表明,，相較于傳統(tǒng)供能方式,，系統(tǒng)年減排量達410.77t，相當于新星村傳統(tǒng)供能方式下年排放量的28.19%,，減排效益明顯,。該可再生能源供能系統(tǒng)整體經(jīng)濟性與實用性良好，可為農(nóng)村地區(qū)能源轉(zhuǎn)型與低碳村鎮(zhèn)的建設(shè)提供參考,。

摘要:針對大豆異常籽粒識別模型參數(shù)量過大,、計算成本高,、準確率較低等問題，提出了一種改進的輕量級神經(jīng)網(wǎng)絡(luò)MobileNetV3模型,，將其層數(shù)減少,，加快模型的訓練和推理速度，增加全連接層和Softmax層以增加模型的非線性判別能力以及利于多分類任務的輸出,，使用全局平均池化代替全局最大池化減少信息丟失,，通過添加Dropout層以及去掉MobileNetV3中SE Block注意力機制來增加模型的泛化能力。試驗結(jié)果表明：將大豆籽粒圖像數(shù)據(jù)經(jīng)過傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)AlexNet,、VGG16與輕量級神經(jīng)網(wǎng)絡(luò)MobilenetV3訓練測試結(jié)果進行對比,，AlexNet算法最終平均精度均值（Mean average precision，mAP）為87.3%,、VGG16算法為87.7%,，二者mAP相差較小，但兩者在訓練過程中模型內(nèi)存占用量及訓練時間相差較大,，其中AlexNet模型內(nèi)存占用量為7070kB,，訓練時間為5420.59s，而VGG16模型內(nèi)存占用量為19674kB,，訓練時間為8282.68s,，整體來看AlexNet相對更好。通過對輕量級神經(jīng)網(wǎng)絡(luò)MobileNetV3模型的識別訓練,，最終模型內(nèi)存占用量為32153kB,，訓練時間為6298.29s，mAP達到90.6%，相比兩個傳統(tǒng)算法更高,，更適合大豆異常籽粒的分類識別,。為了提高訓練精度及速度，通過對MobileNetV3網(wǎng)絡(luò)模型結(jié)構(gòu)調(diào)整改進,，最終優(yōu)化改進后的Opt-MobileNetV3網(wǎng)絡(luò)模型mAP達到95.7%,，相較傳統(tǒng)MobileNetV3神經(jīng)網(wǎng)絡(luò)mAP提高5.1個百分點，模型內(nèi)存占用量為9317kB,，減小22836kB,，同時訓練時間節(jié)省696.57s。優(yōu)化后的模型實現(xiàn)了模型減小,、準確率提高,、訓練速度加快，可完成大豆異常籽粒識別任務,。

摘要:針對茶葉風選裝備存在結(jié)構(gòu)簡單、風選效果差及風選試驗對象單一等問題,，為提高茶葉風選效果及茶葉品質(zhì),，設(shè)計了一款綠茶風選裝備并開展不同工序下茶葉的風選性能試驗。首先,，根據(jù)風選裝備的工作原理,，設(shè)計了綠茶風選裝備，并確定了風選室,、風機,、傳動裝置以及物料傳遞裝置的相關(guān)設(shè)計參數(shù)；然后,，基于流體力學仿真方法研究風選室內(nèi)部流場的流線,、速度及壓力情況，基于離散元仿真方法模擬不同時刻茶葉顆粒群的風選狀態(tài),，探究不同風速對茶葉風選效果的影響,，得出風機風速為6~6.5m/s時流線穩(wěn)定，且風選效果較好,；最后,，對風選裝備進行了性能測試、風選效果等試驗,，探究了不同運行頻率對風選效果,、不同風選順序?qū)Τ善凡杵焚|(zhì)的影響,。試驗結(jié)果表明，綠茶風選裝備4種風機變頻器頻率下風速變異系數(shù)均小于8%,，風機變頻器最佳運行頻率為35Hz,；單位有效寬度生產(chǎn)率大于7kg/(cm·h)，千瓦小時產(chǎn)量大于420kg/(kW·h),，綠茶風選裝備性能測試的各項指標符合國家規(guī)程要求,；茶鮮葉及殺青葉由B級提升為A-和A級，茶葉復選率均高于90%,，風選效果顯著,，茶葉品質(zhì)得到提升；各試驗組中,，主出茶口整體優(yōu)于其余出茶口,，殺青分級中主出茶口茶葉品質(zhì)最佳，茶葉感官評審得分最高,。

摘要:針對成品卷煙外表面缺陷種類多、分類細,、人工質(zhì)檢無法對卷煙外觀的細粒度缺陷進行系統(tǒng)性檢測的問題,，設(shè)計一種成品卷煙外觀檢測設(shè)備，自動完成成品卷煙的外觀全矢量成像和缺陷檢測,。利用黑箱法對檢測設(shè)備的技術(shù)系統(tǒng)進行分析,，并設(shè)計了成品卷煙檢測設(shè)備，該設(shè)備主要包括儲供裝置,、單元離散裝置,、外觀成像裝置、分揀裝置和缺陷檢測模型,；對影響卷煙運行穩(wěn)定性,、卷煙無損率、成像質(zhì)量的關(guān)鍵因素進行試驗,，在單元離散裝置上對卷煙運行穩(wěn)定性因素進行正交試驗,，結(jié)果表明，當滑板提升速度為0.3m/s,、過渡板傾斜角為40°,、輥子速度為0.045m/s時,，煙支輸送無斜率可達100%,，無偏移率可達99.5%，在分揀裝置上對造成卷煙損傷的關(guān)鍵因素進行正交試驗，結(jié)果表明,，當氣缸伸縮速度為20mm/s,、彈簧剛度為3N/mm時,，煙支損傷率為0,，對影響成像質(zhì)量的關(guān)鍵光照因素進行試驗，結(jié)果表明,，光源照射角為10°,、光源與煙支高差為30mm時，圖像直方圖的像素點與其亮度分布包絡(luò)線平緩,，圖像清晰,；最后，在設(shè)備上完成54mm×100規(guī)格煙支的檢測試驗,，利用改進HourglassNet-YOLO v4網(wǎng)絡(luò)模型對成像進行缺陷檢測,，結(jié)果表明，煙支缺陷檢出準確率達到98%,，缺陷分類準確率達到95.4%,。試驗結(jié)果表明，該設(shè)備運行穩(wěn)定,，能夠滿足成品卷煙外觀檢測需求。

摘要:為進一步提升農(nóng)業(yè)機器人底盤田間適應性和行駛穩(wěn)定性，面向我國山東地區(qū)小麥表型信息獲取作業(yè)場景,，設(shè)計了一種四輪獨立驅(qū)動轉(zhuǎn)向的農(nóng)業(yè)機器人底盤,。根據(jù)小麥種植農(nóng)藝需求和行駛地形環(huán)境，確定了底盤總體布局方案和主要技術(shù)參數(shù),。分別開展了底盤驅(qū)動部件,、轉(zhuǎn)向部件以及擺臂平衡部件設(shè)計，并進行了參數(shù)校核和元件選型,。建立了關(guān)鍵部件ANSYS有限元模型,，分別進行了擺臂平衡機構(gòu)的應力形變分析和車架振動模態(tài)模擬，仿真結(jié)果表明,，擺臂平衡機構(gòu)的強度和剛度均能滿足設(shè)計要求,，車架能夠有效避免因地形激勵產(chǎn)生的共振。建立底盤ADAMS動力學仿真模型，分別進行縱向,、橫向穩(wěn)定性分析和單側(cè)凸起,、凹坑越障性分析，仿真結(jié)果表明,，底盤橫縱向穩(wěn)定性能夠滿足設(shè)計要求,，擺臂平衡機構(gòu)能夠有效補償單側(cè)障礙造成的質(zhì)心高度變化，提高了底盤的行駛穩(wěn)定性,。田間試驗表明,，機器人底盤具有良好的行駛性能，硬質(zhì)地面直線行駛平均偏駛率為0.51%,，田間地面平均偏駛率為1.13%,。原地轉(zhuǎn)向中心點偏移量為3.1mm，阿克曼轉(zhuǎn)向最小轉(zhuǎn)向半徑為1.125mm,?？v向翻傾角為34°，橫向翻傾角為28°,。單側(cè)越障最大高度為160mm,，單側(cè)跨坑最大深度為160mm。

摘要:針對丘陵山地中拖拉機的側(cè)滑估計,，提出了一種融合機器視覺與全球衛(wèi)星導航定位系統(tǒng)（Global navigation satellite system,，GNSS）的多傳感器信息融合算法。首先提出了簡化的拖拉機運動學模型,，再闡述基于GNSS與機器視覺技術(shù)的側(cè)滑量估計方法,。并通過CarSim和Simulink的聯(lián)合仿真驗證側(cè)滑估計方法的可行性。引入卡爾曼濾波和權(quán)重函數(shù)對傳感器數(shù)據(jù)進行融合和動態(tài)調(diào)節(jié),。搭建模擬丘陵山地實驗平臺,，在不同的地面傾角、GNSS遮擋條件以及路面條件下進行了實驗,。實驗結(jié)果表明,，在干燥路面且GNSS遮擋條件下，拖拉機在9°,、18°路面條件下行駛時最終融合后的總側(cè)滑量分別為0.322m和0.432m,，相對誤差分別為7.86%和6.00%,，即在GNSS信號遮擋的情況下依然能夠準確地估計出拖拉機的側(cè)滑量。研究可為拖拉機的精確橫向控制提供新的方法和實驗基礎(chǔ),。

摘要:拖拉機田間作業(yè)工況參數(shù)實時,、同步,、適宜頻率的采集對于可靠性分析與優(yōu)化具有重要意義。本文設(shè)計了基于NI-C DAQ控制器的拖拉機作業(yè)工況參數(shù)檢測系統(tǒng),，對所需傳感器進行了選型,、設(shè)計及安裝，并結(jié)合LabVIEW平臺開發(fā)了檢測軟件和遠程監(jiān)控平臺,。該系統(tǒng)由傳感器,、數(shù)據(jù)采集控制器和數(shù)據(jù)采集監(jiān)測平臺組成，可實現(xiàn)對發(fā)動機,、車輪/橋,、懸掛系統(tǒng)和機具等多種機構(gòu)的參數(shù)測取。此外,，該系統(tǒng)可通過便攜式觸摸屏遠程控制和實時監(jiān)測,。為了驗證檢測系統(tǒng)的準確性和穩(wěn)定性，開展了信號誤差測試和典型參數(shù)田間試驗,。信號誤差測試結(jié)果表明,，各類信號的采集誤差、丟包率以及初始誤差均能滿足參數(shù)檢測系統(tǒng)的要求,。在田間測試中,，拖拉機車輪速度和實際速度測量值的最大相對誤差為3.1%,；懸掛系統(tǒng)水平牽引力的計算值與測量值的最大相對誤差為4.5%,；根據(jù)測取的車輪加速度，辨識田間作業(yè)地面類型的準確率為96%,；根據(jù)懸掛位置擬合耕作深度的決定系數(shù)R2為0.99156,。最后，開展了檢測系統(tǒng)田間作業(yè)24h連續(xù)運行試驗,，該系統(tǒng)能始終保持運行穩(wěn)定與數(shù)據(jù)準確,。開發(fā)的拖拉機作業(yè)工況信息檢測系統(tǒng)相比于同類系統(tǒng)，采集的參數(shù)更多,，操作更為方便,，可為可靠性分析與優(yōu)化提供有效的數(shù)據(jù)測取依據(jù),。

摘要:針對農(nóng)用拖拉機排放污染嚴重的問題,，特別是限制氮氧化物（NOx）和碳煙（Soot）的排放，以中國一拖集團某型號農(nóng)用柴油機為研究對象,，采用系統(tǒng)建模仿真,、臺架試驗驗證和仿真分析結(jié)合的方法對發(fā)動機排放優(yōu)化進行了研究。首先構(gòu)建了農(nóng)用拖拉機燃燒室三維模型并導入CONVERGE進行燃燒排放模擬與仿真,，通過對模型缸內(nèi)壓力,、熱釋放率試驗值與仿真值的對比，證明該模型具有較高精確度,，能夠較好地描述發(fā)動機內(nèi)部燃燒排放過程,。之后以燃燒室的縮口率、凸臺深度,、燃燒室深度為輸入,，以發(fā)動機NOx和Soot排放量為輸出建立人工神經(jīng)網(wǎng)絡(luò)作為代理模型。計算決定系數(shù)R2和平均相對誤差（MRE）來驗證人工神經(jīng)網(wǎng)絡(luò)的精確度,。然后在此基礎(chǔ)上提出一種改進的粒子群優(yōu)化算法,，從而獲得燃燒室縮口率、凸臺深度,、燃燒室深度的最佳參數(shù)組合,，形成新的燃燒室結(jié)構(gòu)并導入CONVERGE軟件中進行排放模擬計算并與原燃燒室的排放量進行對比。結(jié)果表明采用新的燃燒室結(jié)構(gòu)后能夠降低發(fā)動機NOx和Soot排放,，可為相關(guān)農(nóng)用拖拉機燃燒室系統(tǒng)設(shè)計和開發(fā)提供參考和思路,。