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:路徑跟蹤是無(wú)人駕駛技術(shù)的重要組成部分,，是實(shí)現(xiàn)鉸接轉(zhuǎn)向車輛準(zhǔn)確平穩(wěn)自主行駛的關(guān)鍵,，對(duì)提高鉸接轉(zhuǎn)向車輛在農(nóng)業(yè)、林業(yè),、礦山及建筑等行業(yè)的作業(yè)效率和安全性具有重要意義,。車輛模型構(gòu)建、控制算法設(shè)計(jì)和算法驗(yàn)證評(píng)估是路徑跟蹤控制研究的基礎(chǔ),，圍繞這3方面闡述了鉸接轉(zhuǎn)向車輛路徑跟蹤控制研究的進(jìn)展,。首先回顧了鉸接轉(zhuǎn)向車輛的幾何學(xué)模型,、運(yùn)動(dòng)學(xué)模型和動(dòng)力學(xué)模型，并討論了各類模型在路徑跟蹤控制研究中的適用場(chǎng)景及局限性,；在此基礎(chǔ)上,，闡述了鉸接轉(zhuǎn)向車輛路徑跟蹤控制算法的研究現(xiàn)狀，對(duì)比并總結(jié)了每種算法的優(yōu)缺點(diǎn)及適用范圍,，并進(jìn)一步歸納了算法的驗(yàn)證與評(píng)估手段,；最后展望了鉸接轉(zhuǎn)向車輛路徑跟蹤技術(shù)未來(lái)的研究重點(diǎn)及方向：考慮車輛動(dòng)力學(xué)因素及模型參數(shù)動(dòng)態(tài)時(shí)變特性的車輛建模研究；融合各類算法適應(yīng)性并結(jié)合智能算法的多工況自適應(yīng)控制算法設(shè)計(jì),；標(biāo)準(zhǔn)化,、流程化的高保真仿真場(chǎng)景開(kāi)發(fā)及集成準(zhǔn)確性、穩(wěn)定性,、安全性等多性能的評(píng)估方法研究,。

摘要:為了解決機(jī)器人將農(nóng)產(chǎn)品從收獲場(chǎng)所轉(zhuǎn)移到倉(cāng)庫(kù)或運(yùn)輸車輛存在的移動(dòng)軌跡和作業(yè)軌跡相對(duì)獨(dú)立且耗時(shí)長(zhǎng)的問(wèn)題,，本文設(shè)計(jì)一種物料移運(yùn)機(jī)器人,，并提出一種物料移運(yùn)機(jī)器人協(xié)同作業(yè)時(shí)間最優(yōu)軌跡規(guī)劃方法，獲得機(jī)器人作業(yè)系統(tǒng)和行駛系統(tǒng)協(xié)同作業(yè)的時(shí)間最優(yōu)軌跡,。該方法建立機(jī)器人協(xié)同作業(yè)的運(yùn)動(dòng)學(xué)模型和動(dòng)力學(xué)模型,，對(duì)物料移運(yùn)機(jī)器人開(kāi)展時(shí)間最優(yōu)軌跡規(guī)劃，并基于Lyapunov理論設(shè)計(jì)控制律減少跟蹤誤差,，最后通過(guò)Matlab/Simulink和ADAMS聯(lián)合仿真驗(yàn)證方法的有效性,。結(jié)果表明，提出的軌跡規(guī)劃方法可使機(jī)器人在抓放料協(xié)同作業(yè)和避障協(xié)同作業(yè)中取得平滑且時(shí)間最優(yōu)的運(yùn)動(dòng)軌跡,，機(jī)器人各關(guān)節(jié)的位移,、速度、加速度,、力/力矩曲線變化平緩,，兩履帶牽引力滿足機(jī)器人的要求且可快速穩(wěn)定跟蹤時(shí)間最優(yōu)路徑。

摘要:針對(duì)名優(yōu)茶機(jī)械化采摘過(guò)程中側(cè)芽無(wú)法采摘的問(wèn)題，根據(jù)頂芽,、側(cè)芽及茶梗的相關(guān)參數(shù)并結(jié)合茶園環(huán)境設(shè)計(jì)了一種末端執(zhí)行器,，利用分體式刀具的刀齒彎曲變形適應(yīng)茶梗的干擾從而采摘側(cè)芽,。通過(guò)有限元仿真刀具切割側(cè)芽得到采摘成功率的影響因素為刀齒寬度、刀齒長(zhǎng)度及刀具厚度,；采用三因素三水平的中心組合設(shè)計(jì)與響應(yīng)面分析法研究各因素對(duì)采摘成功率的交互影響,；以采摘成功率為響應(yīng)值建立二次回歸模型，確定各因素對(duì)采摘成功率的影響顯著性主次排序?yàn)椋旱洱X長(zhǎng)度,、刀齒寬度,、刀具厚度。以采摘成功率為目標(biāo)對(duì)各試驗(yàn)因素進(jìn)行優(yōu)化,，得到優(yōu)化后的刀齒寬度,、刀具厚度、刀齒長(zhǎng)度分別為2.6,、0.9,、20.0mm。采用優(yōu)化后的參數(shù)進(jìn)行茶園采摘試驗(yàn),，結(jié)果表明,，末端執(zhí)行器能夠有效完成茶葉采摘工作，頂芽,、側(cè)芽采摘成功率分別為93%,、63%,，試驗(yàn)值與預(yù)測(cè)值的相對(duì)誤差小于5%,優(yōu)化模型結(jié)果可靠,。

摘要:針對(duì)采摘機(jī)器人對(duì)場(chǎng)景中目標(biāo)分布密集,、果實(shí)相互遮擋的檢測(cè)及定位能力不理想問(wèn)題，提出一種引入高效通道注意力機(jī)制(ECA)和多尺度融合特征金字塔(FPN)改進(jìn)Faster R-CNN果實(shí)檢測(cè)及定位方法,。首先,，利用表達(dá)能力較強(qiáng)的融合FPN的殘差網(wǎng)絡(luò)ResNet50替換原VGG16網(wǎng)絡(luò)，消除了網(wǎng)絡(luò)退化問(wèn)題,，進(jìn)而提取更加抽象和豐富的語(yǔ)義信息，提升模型對(duì)多尺度和小目標(biāo)的檢測(cè)能力,；其次,，引入注意力機(jī)制ECA模塊，使特征提取網(wǎng)絡(luò)聚焦特征圖像的局部高效信息,，減少無(wú)效目標(biāo)的干擾,，提升模型檢測(cè)精度；最后,，采用一種枝葉插圖數(shù)據(jù)增強(qiáng)方法改進(jìn)蘋果數(shù)據(jù)集,，解決圖像數(shù)據(jù)不足問(wèn)題,。基于構(gòu)建的數(shù)據(jù)集,，使用遺傳算法優(yōu)化K-means++聚類生成自適應(yīng)錨框,，提高模型定位準(zhǔn)確性。試驗(yàn)結(jié)果表明,，改進(jìn)模型對(duì)可抓取和不可直接抓取蘋果的精度均值分別為96.16%和86.95%,，平均精度均值為92.79%，較傳統(tǒng)Faster R-CNN提升15.68個(gè)百分點(diǎn),；對(duì)可抓取和不可直接抓取的蘋果定位精度分別為97.14%和88.93%,，較傳統(tǒng)Faster R-CNN分別提高12.53個(gè)百分點(diǎn)和40.49個(gè)百分點(diǎn)；內(nèi)存占用量減少38.20%,，每幀平均計(jì)算時(shí)間縮短40.7%,，改進(jìn)后的模型參數(shù)量小且實(shí)時(shí)性好，能夠更好地應(yīng)用于果實(shí)采摘機(jī)器人視覺(jué)系統(tǒng),。

摘要:針對(duì)云南山地種植的深紋核桃樹(shù)體高大造成現(xiàn)有機(jī)械難于采收,，而人工爬樹(shù)用竹竿擊打采收成本高且傷亡大的問(wèn)題，提出了搭載無(wú)人機(jī)的氣振式核桃采收原理及方法,，基于深紋核桃成熟果實(shí)的果柄連接強(qiáng)度的測(cè)試與分析結(jié)果,，進(jìn)行了核桃脫落的氣振流動(dòng)仿真分析，設(shè)計(jì)了搭載于六旋翼農(nóng)業(yè)植保無(wú)人機(jī)上的氣振式核桃采收機(jī),，分析了氣振式核桃采收機(jī)在發(fā)射氣振時(shí)的反沖穩(wěn)定性,，實(shí)施了氣振式核桃采收機(jī)搭載無(wú)人機(jī)進(jìn)行采收的試驗(yàn)驗(yàn)證，按效率優(yōu)先和采凈率優(yōu)先兩種采收模式,，對(duì)氣振式核桃采收機(jī)的采收效率和采凈率做了預(yù)測(cè)分析,。研究結(jié)果表明，核桃成熟度為80%,、90%和100%時(shí),，使核桃果柄斷裂實(shí)現(xiàn)落果的氣振臨界流速分別為77.5、69.0,、58.5m/s,；氣艙容積為20L且氣壓為1MPa時(shí),氣振式核桃采收機(jī)的氣動(dòng)噴口至核桃掛果位置的最佳距離為0.5m，單次氣振流動(dòng)采收的最大有效面積的仿真值和試驗(yàn)值分別約為0.09m2和0.10m2,，最大有效采收面積隨著到氣動(dòng)噴口距離增大而減小,。

摘要:針對(duì)勺鏈?zhǔn)酱笏獠シN機(jī)取種過(guò)程中常出現(xiàn)的漏種,、重種問(wèn)題,，設(shè)計(jì)了一種多重?cái)_動(dòng)清種式大蒜單粒取種排種器。取種勺在充種階段獲取多粒蒜種,，經(jīng)多重?cái)_動(dòng)清種,，最終取種勺內(nèi)僅余1粒蒜種。本文以金鄉(xiāng)蒜種為研究對(duì)象,，闡述了排種器的工作原理,，確定了排種器的各項(xiàng)參數(shù)和多重?cái)_動(dòng)裝置的最佳安裝位置。通過(guò)DEM〖CD*2〗MBD耦合仿真試驗(yàn),，分析了傾斜角,、取種勺線速度對(duì)充種成功率的影響，以及凹槽形狀對(duì)單粒取種率的影響,。運(yùn)用 Box-Behnken 中心組合試驗(yàn)方法,，以第2弧形突出部分坡度、傾斜角,、取種勺線速度為試驗(yàn)因素,，以單粒取種率和漏種率作為評(píng)價(jià)指標(biāo)，開(kāi)展了三因素三水平正交試驗(yàn),。利用 Design-Expert 8.0.6 數(shù)據(jù)分析軟件,，分析了各因素對(duì)單粒取種率與漏種率的影響，對(duì)試驗(yàn)因素進(jìn)行優(yōu)化,，確定了多重?cái)_動(dòng)裝置最佳結(jié)構(gòu)參數(shù),。設(shè)計(jì)試驗(yàn)臺(tái)對(duì)仿真結(jié)果進(jìn)行驗(yàn)證，傾斜角,、取種勺線速度分別為15°,、0.07m/s的條件下，通過(guò)調(diào)節(jié)多重?cái)_動(dòng)裝置與取種勺凹槽頂端距離適配不同級(jí)別蒜種,，當(dāng)Ⅰ級(jí),、Ⅱ級(jí)、Ⅲ級(jí)蒜種距離分別為0,、6.1,、12.1mm時(shí)，單粒取種成功率分別為92.2%,、97.2%、95.6%,，具有良好的取種性能,。

摘要:由于棉花秸稈在機(jī)械化收獲和粉碎加工過(guò)程中缺乏準(zhǔn)確的仿真模型參數(shù),，從而造成在機(jī)具設(shè)計(jì)中仿真效果和實(shí)際作業(yè)存在較大的差異，在一定程度上限制了棉花秸稈收獲以及粉碎裝置的設(shè)計(jì)研究,。本文以新疆棉花秸稈作為試驗(yàn)材料,，開(kāi)展仿真分析研究，通過(guò)物理試驗(yàn)測(cè)定棉花秸稈的本征參數(shù)后,，利用EDEM軟件進(jìn)行試驗(yàn)仿真,，對(duì)棉花秸稈進(jìn)行參數(shù)標(biāo)定。采用堆積角試驗(yàn)和彎曲試驗(yàn)方法,，測(cè)量出棉花秸稈堆積角和最大破壞載荷分別為28.62°和143.21N,。應(yīng)用Hertz-Mindlin no slip模型和Hertz-Mindlin with bonding模型進(jìn)行棉花秸稈的堆積角仿真試驗(yàn)和彎曲仿真試驗(yàn)，得到棉花秸稈之間碰撞恢復(fù)系數(shù),、靜摩擦因數(shù),、滾動(dòng)摩擦因數(shù)和棉花秸稈-鋼之間碰撞恢復(fù)系數(shù)、靜摩擦因數(shù),、滾動(dòng)摩擦因數(shù)分別為0.5,、0.41、0.06,、0.5,、0.37、0.08,，以及棉花秸稈法向接觸剛度,、切向接觸剛度、臨界法向應(yīng)力與臨界切向應(yīng)力分別為4.15×1010N/m,、5.60×1010N/m,、40MPa、50MPa,。將以上結(jié)果進(jìn)行粉碎試驗(yàn)驗(yàn)證,，棉花秸稈粉碎后依據(jù)長(zhǎng)度和寬度不同，分為粉末型物料,、破碎型物料,、未破碎型物料，仿真試驗(yàn)質(zhì)量和實(shí)際試驗(yàn)質(zhì)量之間偏差為6.84%、8.29%,、7.37%,，證明了參數(shù)的可行性，可用于棉花秸稈參數(shù)標(biāo)定,。

摘要:針對(duì)馬鈴薯分段收獲中,，人工撿拾勞動(dòng)強(qiáng)度大,、效率低、成本高的問(wèn)題,，設(shè)計(jì)了一種自走式馬鈴薯?yè)焓把b袋機(jī),。該自走式馬鈴薯?yè)焓把b袋機(jī)能一次性完成馬鈴薯?yè)焓啊⑹硗练蛛x,、除秧和裝袋的工作,。闡述了自走式馬鈴薯?yè)焓把b袋機(jī)整體結(jié)構(gòu)，并對(duì)撿拾裝置,、升運(yùn)鏈裝置,、三級(jí)輸送鏈裝置、分揀臺(tái)以及卸料裝置等關(guān)鍵部件進(jìn)行詳細(xì)設(shè)計(jì),；運(yùn)用DEM-MBD耦合的方法對(duì)馬鈴薯在兩級(jí)輸送鏈交接處的運(yùn)動(dòng)過(guò)程及受力情況進(jìn)行分析,；運(yùn)用Box-Behnken試驗(yàn)方法，以漏薯率和傷薯率為評(píng)價(jià)指標(biāo),，以整機(jī)前進(jìn)速度,、撿拾裝置輸送鏈線速度、升運(yùn)鏈線速度,、三級(jí)輸送鏈線速度為試驗(yàn)因素,，對(duì)該機(jī)工作參數(shù)進(jìn)行四因素三水平試驗(yàn)，使用Design-Expert軟件建立二次多項(xiàng)式回歸模型,。對(duì)回歸模型進(jìn)行優(yōu)化后,，繪制響應(yīng)面，并得出該機(jī)最優(yōu)工作參數(shù),。田間試驗(yàn)表明：當(dāng)前進(jìn)速度為0.70m/s,、撿拾裝置輸送鏈線速度為1.10m/s、升運(yùn)鏈線速度為1.20m/s,、三級(jí)輸送鏈線速度為1.30m/s時(shí),，漏薯率為2.82%,，傷薯率為3.61%，滿足馬鈴薯?yè)焓笆斋@作業(yè)要求,。

摘要:針對(duì)馬鈴薯聯(lián)合收獲后含雜率高,、后續(xù)二次清選傷薯破皮嚴(yán)重等問(wèn)題,，對(duì)氣篩式馬鈴薯清選裝置進(jìn)行了優(yōu)化設(shè)計(jì)，在低損傷的同時(shí)保持一定的清選除雜功能,，在闡述總體結(jié)構(gòu)及工作原理基礎(chǔ)上,，結(jié)合馬鈴薯運(yùn)動(dòng)學(xué)模型和碰撞特性分析，得到影響除雜率和薯塊損傷的主要因素,，通過(guò)EDEM-Fluent耦合構(gòu)建仿真模型,，以風(fēng)機(jī)出風(fēng)口氣流速度、擺抖篩擺抖形式,、擺抖頻率,、篩面傾角為試驗(yàn)因素，以馬鈴薯清選率和潔凈率作為評(píng)價(jià)指標(biāo),，對(duì)清選過(guò)程進(jìn)行了多組仿真,，并依據(jù)仿真結(jié)果進(jìn)行驗(yàn)證與優(yōu)化。研究結(jié)果表明,，清選裝置風(fēng)機(jī)出風(fēng)口氣流速度對(duì)馬鈴薯氣力清選的可行性起著決定性作用,，擺抖篩擺抖形式、擺抖頻率和篩面傾角對(duì)清選效果影響大,，影響由大到小為風(fēng)機(jī)出風(fēng)口氣流速度,、擺抖篩篩面傾角、擺抖篩擺抖頻率,，且擺抖篩前后簡(jiǎn)諧擺抖優(yōu)于上下擺抖,。最優(yōu)工作參數(shù)組合：擺抖篩前后簡(jiǎn)諧擺抖、擺抖篩篩面傾角為25°,、擺抖頻率為10Hz,、風(fēng)機(jī)出風(fēng)口氣流速度為60m/s，此時(shí)仿真試驗(yàn)馬鈴薯清選率為93.1%,，潔凈率為98.7%,，臺(tái)架試驗(yàn)馬鈴薯清選率為91.6%,，潔凈率為99.2%。研究結(jié)果可為馬鈴薯清選裝置設(shè)計(jì)與優(yōu)化提供理論依據(jù),。

摘要:為了降低茶葉抖篩機(jī)的誤篩率，從顆粒動(dòng)力學(xué)角度研究了篩面傾角,、振動(dòng)幅度,、振動(dòng)頻率對(duì)茶葉顆粒在抖篩機(jī)篩網(wǎng)上運(yùn)動(dòng)特性的影響。結(jié)合離散元方法對(duì)茶葉顆粒在篩面的運(yùn)動(dòng)進(jìn)行數(shù)值模擬,，通過(guò)分析茶葉顆粒的篩分過(guò)程,，明晰了抖篩過(guò)程中篩上茶葉顆粒的運(yùn)移機(jī)理。結(jié)果表明：茶葉顆粒主要集中在篩網(wǎng)中間,，頻率太大或者太小都會(huì)造成茶葉顆粒在篩網(wǎng)上的橫向偏析,；茶葉顆粒在篩網(wǎng)上的平均速度、旋轉(zhuǎn)動(dòng)能與振幅,、頻率呈正相關(guān),，篩面傾角對(duì)茶葉顆粒在篩網(wǎng)上的平均速度、旋轉(zhuǎn)動(dòng)能影響較小,，茶葉顆粒沿X軸方向和Z軸方向速度對(duì)茶葉顆粒在篩網(wǎng)上的平均速度貢獻(xiàn)最大,；遷移系數(shù)的變化幅度隨著篩面傾角、振動(dòng)幅度,、振動(dòng)頻率的增加而呈現(xiàn)逐漸增加的趨勢(shì),，對(duì)茶葉抖篩過(guò)程顆粒遷移能力影響由大到小為：振動(dòng)幅度、振動(dòng)頻率,、篩面傾角,；當(dāng)振動(dòng)幅度為22.5mm、篩面傾角為3°,、振動(dòng)頻率為4.166Hz時(shí),，茶葉抖篩試驗(yàn)誤篩率最小，茶葉抖篩試驗(yàn)誤篩率結(jié)果與仿真試驗(yàn)結(jié)果相差在5個(gè)百分點(diǎn)以內(nèi),，表明DEM模擬具有較高的準(zhǔn)確性,。

摘要:針對(duì)雪茄煙葉在旺長(zhǎng)期及成熟期因植株高大及葉片生長(zhǎng)致使煙田壟間空間小,，且雪茄煙葉生產(chǎn)對(duì)煙葉色澤及完整度要求高,，田間管理要求不能損傷煙葉，導(dǎo)致生產(chǎn)中雪茄煙葉植株中下層煙葉植保困難的問(wèn)題,，結(jié)合煙葉植株生長(zhǎng)特征,，設(shè)計(jì)了一種遙控自走式雪茄植株中下層煙葉植保噴霧機(jī)，該裝置主要包括噴霧系統(tǒng),、履帶底盤及控制系統(tǒng),，可實(shí)現(xiàn)裝置在煙田壟間遙控行走、中下層煙葉噴霧及路況可視等功能,。為獲取煙株生長(zhǎng)特征,，運(yùn)用三維激光掃描儀對(duì)其進(jìn)行掃描并建立了植株葉片田間空間分布模型；根據(jù)煙葉田間分布特征,，確定裝置總體結(jié)構(gòu)和工作方式；結(jié)合煙葉形態(tài)特征和植保農(nóng)藝要求,，對(duì)噴霧系統(tǒng)進(jìn)行了結(jié)構(gòu)設(shè)計(jì)及分析,，確定了參數(shù)范圍；根據(jù)田間作業(yè)需求,，對(duì)履帶底盤進(jìn)行了動(dòng)力學(xué)分析,，對(duì)控制系統(tǒng)進(jìn)行了設(shè)計(jì)。開(kāi)展了場(chǎng)地試驗(yàn),，利用Box-Behnken優(yōu)化了噴霧系統(tǒng)參數(shù),，當(dāng)噴霧壓力為0.65MPa、噴嘴夾角為20.4°,、噴嘴孔徑為0.4mm時(shí),，經(jīng)垂直霧滴分布測(cè)量?jī)x模擬雪茄煙葉葉片層垂直方向的藥液附著性能試驗(yàn)表明，霧滴沉積量垂直分布滿足雪茄煙葉植保要求,。田間試驗(yàn)結(jié)果表明,，雪茄植株中下層煙葉正面藥液覆蓋率為52%~83%，背面藥液覆蓋率為22%~45%,，可實(shí)現(xiàn)雪茄植株中下層煙葉藥液的有效噴施,。

摘要:雜草的有效控制是降低直播稻穩(wěn)產(chǎn)風(fēng)險(xiǎn)的重要措施,，播前土壤火焰處理是以非化學(xué)方法在進(jìn)行播種前抑制雜草種子萌發(fā)的有效手段。為明確土壤火焰處理中溫度場(chǎng)對(duì)雜草種子發(fā)芽率的影響規(guī)律,，采用數(shù)值模擬方法對(duì)燃料分流部件中集管結(jié)構(gòu)參數(shù)進(jìn)行了研究,，數(shù)值模擬和驗(yàn)證試驗(yàn)結(jié)果表明,，當(dāng)集管內(nèi)徑d為20mm、氣體輸入流量為1.0~3.5m3/h時(shí),，最大流量偏差系數(shù)Δη在3.0%以內(nèi),，支管間氣體流量分配較均勻?；跀?shù)值模擬結(jié)果設(shè)計(jì)了火焰燃燒裝置,，研究6種輸入流量（1.0~3.5m3/h）的液化石油氣燃料對(duì)火焰高度和火焰溫度分布的影響，以拖拉機(jī)行進(jìn)速度,、燃料輸入流量和土壤深度作為試驗(yàn)因素,，進(jìn)行了全因素試驗(yàn)，采用稻田間常見(jiàn)的雜草種子研究溫度場(chǎng)對(duì)雜草種子發(fā)芽率的影響規(guī)律,。試驗(yàn)結(jié)果表明,，在常溫常壓工作環(huán)境下，火焰高度和火焰溫度最高值均隨著燃料輸入流量的增大而增大,；當(dāng)拖拉機(jī)行進(jìn)速度為2.36km/h,，燃料輸入流量為2.5、3.0,、3.5m3/h時(shí),，土壤溫度最高值可分別達(dá)到92.83、116.58,、156.83℃,；相比未經(jīng)火焰處理的對(duì)照組，當(dāng)土壤溫度達(dá)到92.83℃時(shí),，在α=0.05的顯著性水平下,，千金子、異型莎草種子發(fā)芽率顯著降低,，但馬唐,、鱧腸種子發(fā)芽率受影響不顯著，當(dāng)土壤溫度達(dá)到116.58℃和156.83℃時(shí),，4種雜草種子發(fā)芽率均顯著降低,；當(dāng)土壤溫度達(dá)到156.83℃時(shí)，馬唐,、鱧腸,、千金子和異型莎草4種雜草種子發(fā)芽率分別降低94.82%、87.81%,、86.54%和84.05%,。田間試驗(yàn)結(jié)果表明，土壤火焰處理對(duì)稗草,、馬唐,、鱧腸和異型莎草有顯著的抑制萌發(fā)作用,，其相對(duì)除草率Y≥80.00%。

摘要:為在田間管理中對(duì)作物產(chǎn)量進(jìn)行估測(cè)，通過(guò)兩年大田試驗(yàn)收集了大豆生殖生長(zhǎng)期的高光譜數(shù)據(jù)及產(chǎn)量數(shù)據(jù),，基于各生育期一階微分光譜反射率計(jì)算了7個(gè)光譜指數(shù)：比值指數(shù)（Ratio index,，RI）、差值指數(shù)（Difference index,，DI）,、歸一化光譜指數(shù)（Normalized difference vegetation index，NDVI）,、土壤調(diào)整光譜指數(shù)（Soil-adjusted iegetation index,，SAVI）、三角光譜指數(shù)（Triangular vegetation index,，TVI）、改進(jìn)紅邊歸一光譜指數(shù)（Modified normalized difference index,，mNDI）和改進(jìn)紅邊比值光譜指數(shù)（Modified simple ratio,，mSR），使用相關(guān)矩陣法將光譜指數(shù)與大豆產(chǎn)量數(shù)據(jù)進(jìn)行相關(guān)性分析并提取最佳波長(zhǎng)組合,，隨后將計(jì)算結(jié)果作為與大豆產(chǎn)量相關(guān)的最佳光譜指數(shù),，最后將各生育期篩選出的與大豆產(chǎn)量相關(guān)系數(shù)最高的5個(gè)光譜指數(shù)作為模型輸入變量，利用支持向量機(jī)（Support vector machine,，SVM）,、隨機(jī)森林（Random forest，RF）和反向神經(jīng)網(wǎng)絡(luò)（Back propagation neural network,，BPNN）構(gòu)建大豆產(chǎn)量估算模型并進(jìn)行驗(yàn)證,。結(jié)果表明，各生育期（全花期（R2）,、全莢期（R4）和鼓粒期（R6））計(jì)算的光譜指數(shù)與產(chǎn)量的相關(guān)系數(shù)均高于0.6,，相關(guān)性較好，其中全莢期的光譜指數(shù)FDmSR與大豆產(chǎn)量的相關(guān)系數(shù)最高,，達(dá)到0.717,；大豆產(chǎn)量最優(yōu)估算模型的方法是輸入變量為全莢期構(gòu)建的一階微分光譜指數(shù)和RF組合的建模方法，模型驗(yàn)證集R2為0.85,，RMSE和MRE分別為272.80kg/hm2和5.12%,。本研究成果可為基于高光譜遙感技術(shù)的作物產(chǎn)量估測(cè)提供理論依據(jù)和應(yīng)用參考,。

摘要:冬小麥?zhǔn)俏覈?guó)的主要糧食作物之一,。為進(jìn)一步準(zhǔn)確地估測(cè)冬小麥產(chǎn)量，以陜西省關(guān)中平原為研究區(qū)域,，選取冬小麥主要生育期與水分脅迫和光合作用等密切相關(guān)的條件植被溫度指數(shù)（VTCI）,、葉面積指數(shù)（LAI）和光合有效輻射吸收比率（FPAR）作為遙感特征參數(shù)，采用改進(jìn)的粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)（IPSO-WNN）以改善梯度下降方法易陷入局部最優(yōu)的缺陷,，并構(gòu)建冬小麥產(chǎn)量估測(cè)模型,。結(jié)果表明，IPSO-WNN模型的決定系數(shù)R2為0.66,，平均絕對(duì)百分比誤差（MAPE）為7.59%,，相比于BPNN（R2=0.46，MAPE為11.80%）與WNN（R2=0.52,，MAPE為9.80%）,，IPSO-WNN能夠進(jìn)一步提高模型的精度、增強(qiáng)模型的魯棒性,。采用靈敏度分析的方法探究對(duì)冬小麥產(chǎn)量影響較大的輸入?yún)?shù),，結(jié)果發(fā)現(xiàn)，抽穗-灌漿期的FPAR對(duì)冬小麥產(chǎn)量影響最大,，其次拔節(jié)期的VTCI,、抽穗-灌漿期和乳熟期的LAI以及返青期和拔節(jié)期的FPAR對(duì)冬小麥產(chǎn)量的影響較大。通過(guò)IPSO-WNN輸出獲取冬小麥綜合監(jiān)測(cè)指數(shù)I,，構(gòu)建I與統(tǒng)計(jì)單產(chǎn)之間的估產(chǎn)模型以估測(cè)關(guān)中平原冬小麥單產(chǎn),，結(jié)果顯示，估測(cè)單產(chǎn)與統(tǒng)計(jì)單產(chǎn)之間的R2為0.63,，均方根誤差（RMSE）為505.50kg/hm2,，相比于前人的研究較好地解決了估產(chǎn)模型存在的“低產(chǎn)高估”的問(wèn)題，因此,，本文基于IPSO-WNN構(gòu)建的估產(chǎn)模型能夠較準(zhǔn)確地估測(cè)關(guān)中平原冬小麥產(chǎn)量,。

摘要:為充分挖掘時(shí)間序列遙感參數(shù)的時(shí)序信息和趨勢(shì)信息，并進(jìn)一步提升冬小麥估產(chǎn)精度，以陜西省關(guān)中平原為研究區(qū)域,，選取與冬小麥長(zhǎng)勢(shì)密切相關(guān)的生育時(shí)期尺度的條件植被溫度指數(shù)（VTCI）,、葉面積指數(shù)（LAI）和光合有效輻射吸收比率（FPAR）作為遙感參數(shù)，構(gòu)建耦合變分模態(tài)分解（VMD）與門控循環(huán)單元（GRU）神經(jīng)網(wǎng)絡(luò)的估產(chǎn)模型,。應(yīng)用VMD算法將各個(gè)時(shí)間序列遙感參數(shù)分解為多組平穩(wěn)的本征模態(tài)函數(shù)（IMF）分量,，選取與原始時(shí)間序列遙感參數(shù)高度相關(guān)的IMF分量進(jìn)行特征重構(gòu)，并將重構(gòu)特征作為GRU網(wǎng)絡(luò)的輸入,，以構(gòu)建冬小麥組合估產(chǎn)模型,。結(jié)果表明，VMD-GRU組合估產(chǎn)模型決定系數(shù)為0.63,，均方根誤差為448.80kg/hm2,，平均相對(duì)誤差為8.14%，相關(guān)性達(dá)到極顯著水平（P<0.01）,，其精度優(yōu)于單一估產(chǎn)模型精度,，表明該組合估產(chǎn)模型能夠提取非平穩(wěn)時(shí)間序列數(shù)據(jù)的多尺度、多層次特征,，并充分挖掘冬小麥各生育時(shí)期遙感參數(shù)間的內(nèi)在聯(lián)系,，獲得準(zhǔn)確單產(chǎn)估測(cè)結(jié)果的同時(shí)提升了估產(chǎn)模型的可解釋性。

摘要:目前Sentinel-1/2協(xié)同反演植被土壤含鹽量的研究大多是基于Sentinel-2光譜信息和Sentinel-1后向散射系數(shù)，沒(méi)有考慮Sentinel-2光譜信息容易受土壤亮度等信息影響,，Sentinel-1后向散射系數(shù)容易受土壤粗糙度和水分影響。為進(jìn)一步提高Sentinel-1/2協(xié)同反演植被土壤含鹽量的精度,，用水云模型對(duì)雷達(dá)衛(wèi)星后向散射系數(shù)進(jìn)行校正,，消除植被影響；然后協(xié)同Sentinel-2紋理特征,，基于VIP,、OOB、PCA 3種變量篩選和RF,、ELM,、Cubist 3種機(jī)器學(xué)習(xí)回歸模型構(gòu)建植被土壤含鹽量反演模型。研究結(jié)果表明：經(jīng)過(guò)水云模型去除植被影響后的雷達(dá)后向散射系數(shù)及其極化組合指數(shù)與土壤含鹽量的相關(guān)性有一定程度的提高,。不同變量選擇方法與不同機(jī)器學(xué)習(xí)方法耦合模型在反演土壤含鹽量中,，OOB變量篩選方法與RF、ELM和Cubist 3種機(jī)器學(xué)習(xí)方法的耦合模型精度最佳,，建模集和驗(yàn)證集的R2都在0.750以上,，且驗(yàn)證集的RMSE和MAE均最?。黄渲蠴OB-Cubist耦合模型精度最高,，且R2v/R2c為0.955,，具有良好的魯棒性。研究可為機(jī)器學(xué)習(xí)協(xié)同物理模型,、光學(xué)衛(wèi)星協(xié)同雷達(dá)衛(wèi)星在土壤含鹽量反演中的進(jìn)一步應(yīng)用提供思路,。

摘要:針對(duì)土壤Cd高光譜遙感定量反演中的機(jī)理性不足及數(shù)據(jù)冗余問(wèn)題,，提出一種基于有機(jī)質(zhì)特征譜段的反演方法,。該方法首先提取土壤光譜中對(duì)重金屬Cd具有吸附作用的有機(jī)質(zhì)特征譜段，進(jìn)而通過(guò)競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣法（Competitive adaptive reweighted sampling,，CARS）優(yōu)選特征譜段,，采用偏最小二乘回歸法（Partial least squares regression，PLSR）建立重金屬Cd的反演模型,，并利用郴州礦區(qū)土壤實(shí)驗(yàn)室光譜數(shù)據(jù)和哈密黃山南礦區(qū)野外光譜數(shù)據(jù)進(jìn)行方法驗(yàn)證,。研究表明：有機(jī)質(zhì)特征譜段提取在降低數(shù)據(jù)冗余的同時(shí)提高了重金屬Cd的反演精度，CARS算法相對(duì)于相關(guān)系數(shù)法（Correlation coefficient,，CC）和遺傳算法(Genetic algorithm,，GA)特征選擇具有更高的反演精度，基于有機(jī)質(zhì)特征譜段的CARS-PLSR算法在土壤實(shí)驗(yàn)室光譜和野外實(shí)測(cè)光譜所得驗(yàn)證精度R2分別為0.94和0.80,，表明該算法對(duì)于實(shí)驗(yàn)室和野外光譜均具有一定適用性,。研究可為土壤重金屬含量高光譜反演的特征波段選擇和算法優(yōu)選提供參考。

摘要:針對(duì)智慧農(nóng)業(yè)中葉綠素的精準(zhǔn)預(yù)測(cè)問(wèn)題，本文提出了基于雙分支網(wǎng)絡(luò)的玉米葉片葉綠素含量高光譜與多光譜協(xié)同反演的方法,。使用欠完備自編碼器進(jìn)行數(shù)據(jù)降維,，捕捉數(shù)據(jù)中最為顯著的特征，使降維后的數(shù)據(jù)可以代替原始數(shù)據(jù)進(jìn)行訓(xùn)練,，從而加快訓(xùn)練效率,，使用雙分支卷積網(wǎng)絡(luò)將多光譜數(shù)據(jù)用于填充高光譜數(shù)據(jù)信息，充分利用高光譜數(shù)據(jù)的空間細(xì)節(jié)信息,，再結(jié)合1DCNN建立玉米葉片葉綠素含量預(yù)測(cè)模型,。結(jié)果表明，與傳統(tǒng)降維算法相比較，欠完備自編碼器處理后預(yù)測(cè)結(jié)果最佳,，決定系數(shù)R2為0.988,，均方根誤差（RMSE）為0.273，表明使用欠完備自編碼器進(jìn)行降維可以有效提高數(shù)據(jù)反演精度,；與單一的高光譜數(shù)據(jù)反演模型和多光譜數(shù)據(jù)反演模型相比,，雙分支卷積網(wǎng)絡(luò)預(yù)測(cè)模型均取得較優(yōu)的預(yù)測(cè)結(jié)果，R2在0.932以上,，RMSE均在1.765以下,，表明基于雙分支卷積網(wǎng)絡(luò)的高光譜與多光譜圖像協(xié)同反演模型可以有效地利用數(shù)據(jù)的特征；對(duì)于其他數(shù)據(jù)結(jié)合本文提及的雙分支卷積網(wǎng)絡(luò)模型進(jìn)行反演,，其R2均在0.905以上,，RMSE均在2.149以下，表明該預(yù)測(cè)模型具有一定的普適性,。

摘要:針對(duì)現(xiàn)有的機(jī)載數(shù)據(jù)單木分割方法對(duì)林型的普適度不高,，尤其在高郁閉度闊葉林地帶提取精度偏低的問(wèn)題，選用海南省?？谑袩釒ч熑~林地帶的光譜影像和LiDAR數(shù)據(jù),，先采用基于距離閾值的單木分割方法，利用高分光譜影像分割得到的樹(shù)冠邊緣,，對(duì)初始探測(cè)樹(shù)頂點(diǎn)進(jìn)行位置約束,。獲得單木頂點(diǎn)的精確定位后，采用基于種子點(diǎn)的單木分割方法分割,，完成了闊葉林的單木提取,。結(jié)果顯示，與已有的基于單木間相對(duì)間距單木分割方法相比,，本研究通過(guò)選取最佳分割尺度結(jié)合光譜影像進(jìn)行精確定位，改善了原有單一尺度分割方法導(dǎo)致的過(guò)分割現(xiàn)象,，將單木識(shí)別精確率由0.67提升至0.92,。該方法在使用遙感對(duì)森林單木進(jìn)行分割工作中，可以更好地識(shí)別單木,，對(duì)不同林型適用度較高,，可以為后續(xù)的單木信息提取工作提供數(shù)據(jù)基礎(chǔ)。

摘要:針對(duì)已有雜草識(shí)別模型對(duì)復(fù)雜農(nóng)田環(huán)境下多種目標(biāo)雜草的識(shí)別率低,、模型內(nèi)存占用量大,、參數(shù)多、識(shí)別速度慢等問(wèn)題,，提出了基于YOLO v5的輕量化雜草識(shí)別方法,。利用帶色彩恢復(fù)的多尺度視網(wǎng)膜(Multi-scale retinex with color restoration，MSRCR)增強(qiáng)算法對(duì)部分圖像數(shù)據(jù)進(jìn)行預(yù)處理,，提高邊緣細(xì)節(jié)模糊的圖像清晰度,，降低圖像中的陰影干擾。使用輕量級(jí)網(wǎng)絡(luò)PP-LCNet重置了識(shí)別模型中的特征提取網(wǎng)絡(luò),，減少模型參數(shù)量,。采用Ghost卷積模塊輕量化特征融合網(wǎng)絡(luò)，進(jìn)一步降低計(jì)算量,。為了彌補(bǔ)輕量化造成的模型性能損耗,，在特征融合網(wǎng)絡(luò)末端添加基于標(biāo)準(zhǔn)化的注意力模塊(Normalization-based attention module，NAM),，增強(qiáng)模型對(duì)雜草和玉米幼苗的特征提取能力,。此外，通過(guò)優(yōu)化主干網(wǎng)絡(luò)注意力機(jī)制的激活函數(shù)來(lái)提高模型的非線性擬合能力,。在自建數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),，實(shí)驗(yàn)結(jié)果顯示，與當(dāng)前主流目標(biāo)檢測(cè)算法YOLO v5s以及成熟的輕量化目標(biāo)檢測(cè)算法MobileNet v3-YOLO v5s,、ShuffleNet v2-YOLO v5s比較,，輕量化后雜草識(shí)別模型內(nèi)存占用量為6.23MB，分別縮小54.5%,、12%和18%,；平均精度均值(Mean average precision，mAP)為97.8%,，分別提高1.3,、5.1、4.4個(gè)百分點(diǎn),。單幅圖像檢測(cè)時(shí)間為118.1ms,，達(dá)到了輕量化要求。在保持較高模型識(shí)別精度的同時(shí)大幅降低了模型復(fù)雜度,，可為采用資源有限的移動(dòng)端設(shè)備進(jìn)行農(nóng)田雜草識(shí)別提供技術(shù)支持,。

摘要:針對(duì)傳統(tǒng)農(nóng)業(yè)機(jī)器人抓取過(guò)程中視覺(jué)識(shí)別番茄果實(shí)尺寸和姿態(tài)存在枝葉遮擋的問(wèn)題，提出了一種基于視觸覺(jué)感知的番茄尺寸和姿態(tài)解析方法,。在果實(shí)抓取過(guò)程中通過(guò)視觸覺(jué)傳感器得到果實(shí)外輪廓接觸局部點(diǎn)云信息,，然后通過(guò)相機(jī)參數(shù)標(biāo)定以及各手指關(guān)節(jié)變換矩陣，將不同傳感器坐標(biāo)系下的點(diǎn)云信息變換到同一基坐標(biāo)系下,，進(jìn)而通過(guò)點(diǎn)云改進(jìn)PCA算法和ICP算法解析抓取果實(shí)的尺寸和姿態(tài)信息,。為了評(píng)估所提出解析方法的性能，在實(shí)驗(yàn)室環(huán)境下進(jìn)行了番茄尺寸和姿態(tài)檢測(cè)試驗(yàn),。通過(guò)游標(biāo)卡尺測(cè)量和深度相機(jī)掃描分別獲得番茄果實(shí)尺寸和姿態(tài)的真實(shí)值,，并與本文方法解析結(jié)果進(jìn)行對(duì)比。檢測(cè)試驗(yàn)結(jié)果表明,，本文方法獲得的番茄橫向尺寸和縱向尺寸平均相對(duì)誤差分別為8.66%和11.08%,，番茄果軸與視場(chǎng)投影面的水平夾角和垂直偏轉(zhuǎn)角平均相對(duì)誤差分別為10.03%和14.02%。本文方法解析的番茄果實(shí)尺寸與姿態(tài)信息,，可應(yīng)用于番茄果實(shí)抓取過(guò)程中的姿態(tài)調(diào)控,，從而提高番茄果實(shí)抓取采摘的可靠性。

摘要:食用菌菌絲體表型特征是食用菌種質(zhì)資源評(píng)價(jià)和科學(xué)育種的重要依據(jù),。針對(duì)傳統(tǒng)閾值分割方法提取菌絲體區(qū)域易受到光照不均,、菌絲體不規(guī)則生長(zhǎng)和培養(yǎng)皿內(nèi)產(chǎn)生代謝物等因素干擾的問(wèn)題，制作食用菌菌絲體圖像數(shù)據(jù)集,，并提出一種基于深度學(xué)習(xí)的食用菌菌絲體表型參數(shù)自動(dòng)測(cè)量方法,。將U-Net網(wǎng)絡(luò)編碼器部分替換為VGG16的前13個(gè)卷積層，引入預(yù)訓(xùn)練權(quán)重,，構(gòu)建適用于菌絲體分割的VGG-UNet模型,。測(cè)試集上對(duì)比實(shí)驗(yàn)表明，該模型的平均交并比達(dá)到98.18%,，比原始U-Net模型高0.93個(gè)百分點(diǎn),。經(jīng)該模型獲取菌絲體分割圖像后，利用OpenCV相關(guān)函數(shù)計(jì)算菌絲體的半徑,、周長(zhǎng),、面積、覆蓋度,、圓整度這5個(gè)表型參數(shù),。將人工測(cè)量方法與本文方法進(jìn)行線性回歸分析，得出菌絲體半徑,、周長(zhǎng),、面積和覆蓋度的決定系數(shù)分別為0.9795、0.9915,、0.9750和0.9750,，均方根誤差分別為2.20mm、4.73mm,、176.74mm2和3.16%,。經(jīng)測(cè)試，本文方法能準(zhǔn)確地完成食用菌菌絲體表型參數(shù)自動(dòng)測(cè)量任務(wù),，為食用菌表型分析研究提供理論基礎(chǔ),。

摘要:為實(shí)現(xiàn)葡萄早期病害的快速準(zhǔn)確識(shí)別,，針對(duì)葡萄病害的相似表型癥狀識(shí)別率低及小病斑檢測(cè)困難的問(wèn)題，以葡萄黑腐病和黑麻疹病為研究對(duì)象,，提出了一種基于自適應(yīng)鑒別器增強(qiáng)的樣式生成對(duì)抗網(wǎng)絡(luò)與改進(jìn)的YOLO v7相結(jié)合的葡萄黑腐病和黑麻疹病的病斑檢測(cè)方法,。通過(guò)自適應(yīng)鑒別器增強(qiáng)的樣式生成對(duì)抗網(wǎng)絡(luò)和拉普拉斯濾波器的方差擴(kuò)充葡萄病害數(shù)據(jù)。采用MSRCP算法進(jìn)行圖像增強(qiáng),改善光照環(huán)境凸顯病斑特征,。以YOLO v7網(wǎng)絡(luò)框架為基礎(chǔ),，將BiFormer注意力機(jī)制嵌入特征提取網(wǎng)絡(luò)，強(qiáng)化目標(biāo)區(qū)域的關(guān)鍵特征,；采用BiFPN代替PA-FPN,，更好地實(shí)現(xiàn)低層細(xì)節(jié)特征與高層語(yǔ)義信息融合，以同時(shí)降低計(jì)算復(fù)雜度,；在YOLO v7的檢測(cè)頭部分嵌入SPD模塊,，以提高模型對(duì)低分辨率圖像的檢測(cè)性能；并采用CIoU與NWD損失函數(shù)組合對(duì)損失函數(shù)重新定義,，實(shí)現(xiàn)對(duì)小目標(biāo)快速,、準(zhǔn)確識(shí)別。實(shí)驗(yàn)結(jié)果表明,，該方法病斑檢測(cè)精確率達(dá)到94.1%,，相比原始算法提升5.7個(gè)百分點(diǎn)，與Faster R-CNN,、YOLO v3-SPP和YOLO v5x等模型相比分別提高3.3,、3.8、4.4個(gè)百分點(diǎn),，能夠?qū)崿F(xiàn)葡萄早期病害快速準(zhǔn)確識(shí)別,，對(duì)于保障葡萄產(chǎn)業(yè)發(fā)展具有重要意義,。

摘要:為實(shí)現(xiàn)水稻病害的輕量化識(shí)別與檢測(cè)，使用ECA注意力機(jī)制改進(jìn)MobileNetV3Small模型,，并使用共享參數(shù)遷移學(xué)習(xí)對(duì)水稻病害進(jìn)行智能化輕量級(jí)識(shí)別和檢測(cè),。在PlantVillage數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，將預(yù)訓(xùn)練得到的共享參數(shù)遷移到對(duì)水稻病害識(shí)別模型上微調(diào)優(yōu)化,。在開(kāi)源水稻病害數(shù)據(jù)集上進(jìn)行試驗(yàn)測(cè)試,，試驗(yàn)結(jié)果表明，在非遷移學(xué)習(xí)下,，識(shí)別準(zhǔn)確率達(dá)到97.47%,，在遷移學(xué)習(xí)下識(shí)別準(zhǔn)確率達(dá)到99.92%，同時(shí)參數(shù)量減少26.69%,。其次,，通過(guò)Grad-CAM進(jìn)行可視化，本文方法與其他注意力機(jī)制CBAM和SENET相比,，ECA模塊生成的結(jié)果與圖像中病斑的位置和顏色更加一致,，表明網(wǎng)絡(luò)可以更好地聚焦水稻病害的特征，并且通過(guò)可視化和各水稻病害分析了誤分類原因,。本文方法實(shí)現(xiàn)了水稻病害識(shí)別模型的輕量化,，使其能夠在移動(dòng)設(shè)備等資源受限的場(chǎng)景中部署，達(dá)到快速,、高效,、便攜的目的。同時(shí)開(kāi)發(fā)了基于Android的水稻病害識(shí)別系統(tǒng),，方便于在邊緣端進(jìn)行水稻病害識(shí)別分析,。

摘要:隨著信息化技術(shù)的快速發(fā)展,，農(nóng)戶通過(guò)線上智能農(nóng)業(yè)問(wèn)答系統(tǒng)解決線下農(nóng)業(yè)病蟲(chóng)害問(wèn)題已成為趨勢(shì)。問(wèn)句分類在問(wèn)答系統(tǒng)中發(fā)揮著至關(guān)重要的作用,，其準(zhǔn)確性直接決定了最終返回答案的正確性,。傳統(tǒng)的單標(biāo)簽文本分類模型難以直接準(zhǔn)確捕捉到農(nóng)業(yè)病蟲(chóng)害問(wèn)句的確切意圖，而且由于缺乏大規(guī)模公開(kāi)的農(nóng)業(yè)病蟲(chóng)害問(wèn)句語(yǔ)料,，使得現(xiàn)有研究具有一定的難度,。為此，本文基于樹(shù)狀結(jié)構(gòu)構(gòu)建了一個(gè)農(nóng)業(yè)病蟲(chóng)害問(wèn)句層級(jí)分類體系,，由問(wèn)句模糊性向精確性逐層細(xì)化分類,，旨在克服農(nóng)業(yè)問(wèn)句的語(yǔ)義復(fù)雜性,；此外，引入對(duì)抗訓(xùn)練方法,，通過(guò)構(gòu)建對(duì)抗樣本并將其與原始樣本一同用于大規(guī)模語(yǔ)言模型的訓(xùn)練,，以提高模型泛化能力，同時(shí)緩解了因語(yǔ)料不足而產(chǎn)生的問(wèn)題,。通過(guò)對(duì)真實(shí)問(wèn)答語(yǔ)料庫(kù)的實(shí)驗(yàn)驗(yàn)證，本文提出的方法能夠提升農(nóng)業(yè)病蟲(chóng)害問(wèn)句的分類性能,，可為農(nóng)業(yè)病蟲(chóng)害自動(dòng)問(wèn)答系統(tǒng)提供有效的問(wèn)句意圖識(shí)別,。

摘要:干旱頻發(fā)對(duì)生態(tài)資源,、農(nóng)業(yè)發(fā)展造成了嚴(yán)重影響，為揭示山西省干旱時(shí)空演變特征,，基于1971—2020年山西省24個(gè)氣象站點(diǎn)的逐月氣象資料,，利用改進(jìn)的Mann-Kendall方法檢驗(yàn)各氣象因子的年變化趨勢(shì)，采用FAO56 Penman-Monteith公式計(jì)算參考作物騰發(fā)量（ET0）,，分析單個(gè)氣象因子變化情況下ET0的變化特征和對(duì)氣象因子的敏感性,，比較各時(shí)間尺度（月、季,、年尺度）不同干旱指數(shù)（降水距平百分率（Pa）,、標(biāo)準(zhǔn)化降水指數(shù)（SPI）和標(biāo)準(zhǔn)化降水蒸散指數(shù)（SPEI））對(duì)山西省干旱災(zāi)害監(jiān)測(cè)能力。結(jié)果表明：ET0與相對(duì)濕度呈負(fù)相關(guān),，氣象因子對(duì)ET0的敏感性由大到小依次為相對(duì)濕度,、日最高氣溫、2m處風(fēng)速,、日最低氣溫,、日平均氣溫，ET0呈波動(dòng)下降趨勢(shì),。SPEI能夠在多時(shí)間尺度上有效反映山西省干旱狀況,，是該地區(qū)干旱監(jiān)測(cè)的有效工具。在月,、季,、年尺度下，比較3個(gè)干旱指數(shù),， Pa檢測(cè)效果較差,，〖JP2〗SPI和SPEI在某些地理區(qū)域存在較大差異,，整體而言，SPEI在多數(shù)地區(qū)檢測(cè)干旱的性能更好,；SPEI-1〖JP〗尺度下,，各干旱等級(jí)發(fā)生頻率由大到小依次為輕旱（14.8%）、中旱（10.6%）,、重旱（5.6%）,、特旱（1.9%），3月干旱發(fā)生率最高（34%）,，12月發(fā)生率最低（31.8%）,，呂梁市、晉中市,、大同市干旱情況較為嚴(yán)重,；SPEI-3尺度下，季節(jié)發(fā)生干旱頻率由大到小依次為秋季（33.5%）,、夏季（32.5%）,、春季（31.9%）、冬季（31.4%）,，大同市,、長(zhǎng)治市特旱發(fā)生頻率最高，旱情最為嚴(yán)重,，忻州市輕旱頻率,、朔州市中旱頻率、呂梁市重旱頻率最高,；SPEI-12尺度下,，輕、中,、重,、特旱頻率分別為14.8%、10.5%,、5.4%,、2.3%，SPEI-12相較SPEI-1和SPEI-3識(shí)別重旱,、特旱的站點(diǎn)更多,，并基于游程理論得出，山西省南部干旱頻次更多,，東部干旱歷時(shí)更長(zhǎng),、干旱嚴(yán)重程度更大，干旱峰值主要出現(xiàn)在山西省南北部，由于年均降水呈波動(dòng)性下降,，年均氣溫整體上升,，山西省的氣候趨于暖干化，南北部旱情將有所加重,，中部地區(qū)旱情有所減緩,，全域性干旱仍有很大發(fā)生可能。

摘要:為探尋黑土區(qū)坡耕地不同水土保持耕作措施對(duì)土壤理化性狀的影響機(jī)理，開(kāi)展了田間小區(qū)試驗(yàn),。設(shè)置橫坡耕作（TP）、壟向區(qū)田（RF）,、深松（SF）,、橫坡耕作+壟向區(qū)田（TP-R）、橫坡耕作+深松（TP-S）,、壟向區(qū)田+深松（RF-S）3種水土保持耕作措施及3種組合耕作措施,，并以常規(guī)順坡耕作（CK）為對(duì)照，分析了土壤孔隙度,、土壤機(jī)械組成,、水穩(wěn)性土壤團(tuán)聚體穩(wěn)定性、土壤養(yǎng)分含量等指標(biāo),，并采用TOPSIS模型對(duì)不同水土保持耕作措施進(jìn)行了綜合評(píng)價(jià),，篩選了土壤穩(wěn)定性強(qiáng)且蓄水保肥效果良好的水土保持耕作措施。結(jié)果表明：在玉米的全生育期內(nèi),，深松,、壟向區(qū)田、橫坡耕作均能提高土壤體積含水率,。TP-S處理體積含水率最大,，0~40cm土層平均體積含水率較CK處理增加29.47%；RF-S處理平均孔隙度最大,，TP-S處理次之,，平均孔隙度較CK處理分別增大10.68%、9.25%,；TP-S處理能夠顯著提高土壤穩(wěn)定性,，其中平均質(zhì)量直徑（MWD）、幾何平均直徑（GMD）和大團(tuán)聚體含量（R0.25）較CK處理分別增加12.30%、19.57%,、13.97%,；TP-S處理能夠改善土壤機(jī)械組成，TP-S處理粗砂粒,、粉粒,、黏粒含量較CK處理增加15.40%、26.89%,、1.90%,，細(xì)砂粒含量較CK處理降低31.56%,；TP-S處理IN（無(wú)機(jī)態(tài)氮）,、AP（有效磷）,、AK（速效鉀）含量最高,，較CK處理IN,、AP,、AK含量分別增加42.81%~55.32%,、39.69%~40.68%,、20.41%~25.45%,。由TOPSIS模型綜合評(píng)價(jià)結(jié)果可知,，TP-S處理貼合度最高，土壤結(jié)構(gòu)更穩(wěn)定,，且蓄水保肥效果更好,，為適宜該地區(qū)的水土保持耕作措施。

摘要:為探明沈?yàn)豕嘤蚬?jié)水改造后因渠道襯砌、引排水量減少引起的土壤含鹽量時(shí)空分布特征及變化規(guī)律,，采用區(qū)域土壤信息定點(diǎn)監(jiān)測(cè),，結(jié)合經(jīng)典統(tǒng)計(jì)學(xué)、空間插值以及機(jī)器學(xué)習(xí)建模反演等技術(shù)手段,，利用Landsat 8衛(wèi)星獲取光譜數(shù)據(jù),，通過(guò)對(duì)實(shí)測(cè)土壤含鹽量、光譜指數(shù)及波段反射率進(jìn)行處理,，運(yùn)用Adaboost回歸,、BP神經(jīng)網(wǎng)絡(luò)回歸、梯度提升樹(shù)回歸,、KNN回歸,、決策樹(shù)回歸,、隨機(jī)森林回歸方法構(gòu)建了沈?yàn)豕嘤蛲寥篮}量空間反演模型。采用最優(yōu)反演模型對(duì)沈?yàn)豕嘤蛲寥篮}量空間分布特征進(jìn)行了遙感反演,。結(jié)果表明： 通過(guò)全變量單一回歸法篩選出相關(guān)系數(shù)大于0.55的9個(gè)光譜因子,，使用SPSS PRO軟件構(gòu)建6種機(jī)器學(xué)習(xí)反演模型，對(duì)比6種反演模型精度,，驗(yàn)證集決定系數(shù)R2由大到小依次為隨機(jī)森林回歸,、梯度提升樹(shù)回歸、Adaboost回歸,、KNN回歸,、決策樹(shù)回歸、BP神經(jīng)網(wǎng)絡(luò)回歸,。其中隨機(jī)森林回歸模型的擬合精度最佳,，訓(xùn)練集與驗(yàn)證集的決定系數(shù)R2分別為0.834和0.86，說(shuō)明隨機(jī)森林回歸模型的反演效果較好,。反演結(jié)果表明：節(jié)水改造后非鹽漬土面積增加391.7km2,，占灌域總面積的21%，中度鹽漬土面積,、重度鹽漬土面積,、鹽土面積分別減少95.61、63.37,、45.7km2，分別占灌域總面積的5%,、3%,、2%。綜上所述,，節(jié)水改造工程完成后,，沈?yàn)豕嘤蛲寥利}漬化程度減輕，作物生長(zhǎng)安全區(qū)面積增加,，但由于渠道襯砌以及引排水量減少,，土壤鹽分淋洗效果減弱，土壤鹽分在灌域內(nèi)部運(yùn)移,，整體土壤環(huán)境得到改善,，局部地區(qū)出現(xiàn)鹽分聚集。

摘要:需耗水機(jī)制是進(jìn)行農(nóng)田/果園水分管理和調(diào)控的基礎(chǔ)。本文聚焦蒸騰耗水機(jī)制，基于貝葉斯參數(shù)估計(jì)方法對(duì)比了不同Jarvis-Stewart模型配置對(duì)干熱河谷區(qū)橙子林蒸騰耗水量的模擬效果,，探索了Jarvis-Stewart模型在影響因子交互效應(yīng)較強(qiáng)條件下蒸騰耗水模擬中的適用性,。結(jié)果表明，考慮不同影響因子及其限制函數(shù)會(huì)對(duì)模擬效果產(chǎn)生較大影響,，其中考慮土壤含水率和葉面積指數(shù)對(duì)模擬效果改善作用明顯,，而引入飽和水汽壓差和氣溫則不同程度地降低模擬精度；考慮的影響因子越多,，模型結(jié)構(gòu)越復(fù)雜,，模擬效果不一定越好；篩選出的最佳模型結(jié)構(gòu)基本實(shí)現(xiàn)了橙子林蒸騰耗水的可靠模擬,，但模擬效果仍有明顯改進(jìn)空間,，因此，應(yīng)綜合考慮模型復(fù)雜程度,、模擬精度及不確定性等,，進(jìn)一步探究適宜的模型結(jié)構(gòu)。研究可為果園節(jié)水灌溉技術(shù)體系建立和水分管理優(yōu)化提供科學(xué)依據(jù),，也能為耗水模型的進(jìn)一步發(fā)展和完善提供理論支撐,。

摘要:針對(duì)空間異質(zhì)性導(dǎo)致的土壤含水率反演誤差較大的問(wèn)題,，分別以玉米灌漿期和小麥苗期的土壤含水率反演為例，利用無(wú)人機(jī)多光譜遙感技術(shù)獲取噴灌和畦灌灌溉方式下的正射影像,。將34組光譜特征變量按照滑動(dòng)窗口法提取不同空間尺度的光譜信息平均值,，通過(guò)極端梯度提升（Extreme gradient boosting，XGBoost）,、支持向量機(jī)回歸（Support vector machine regression,，SVR）以及偏最小二乘回歸（Partial least squares regression，PLSR）3種機(jī)器學(xué)習(xí)模型確定采樣點(diǎn)光譜信息最優(yōu)窗口尺度,；然后,，采用皮爾遜相關(guān)系數(shù)特征變量篩選法（Pearson correlation coefficient feature variable screening method，R）結(jié)合XGBoost和SVR模型對(duì)提取的34組光譜特征變量進(jìn)行篩選,，選取與土壤含水率敏感的特征變量,；最后，估算土壤含水率,。結(jié)果表明：噴灌方式下所選擇的采樣點(diǎn)最優(yōu)光譜信息窗口尺度比畦灌小,，其最優(yōu)窗口尺度范圍分別為11×11~21×21和15×15~29×29,；采用皮爾遜相關(guān)系數(shù)特征變量篩選方法結(jié)合機(jī)器學(xué)習(xí)模型可有效提高土壤含水率反演精度；5種機(jī)器學(xué)習(xí)模型（R_XGBoost,、R_SVR,、XGBoost、SVR,、PLSR）中R_XGBoost模型估算土壤含水率精度最優(yōu),，在噴灌和畦灌方式下玉米灌漿期R_XGBoost模型的測(cè)試集決定系數(shù)R2分別為0.80、0.83,，均方根誤差（Root mean square error,，RMSE）分別為1.27%和0.98%，小麥苗期R2分別為0.76,、0.79,，RMSE分別為1.68%和0.85%；土壤含水率反演模型在畦灌條件下的精度優(yōu)于噴灌條件下,。該研究可為基于無(wú)人機(jī)多光譜影像分析的信息挖掘和土壤水分監(jiān)測(cè)提供參考,。

摘要:日光溫室后墻蓄熱降低了通風(fēng)降溫效率,，高溫會(huì)刺激植物水分蒸騰,，降低水資源利用率。本文以北京市通州區(qū)日光溫室為研究對(duì)象,，在原有的上,、下通風(fēng)口基礎(chǔ)上，增設(shè)后墻通風(fēng)口,?；贒O輻射模型,、組分輸運(yùn)模型和多孔介質(zhì)模型建立了日光溫室的計(jì)算流體力學(xué)（CFD）模型,，探究了不同通風(fēng)方式下溫室微環(huán)境狀況，并結(jié)合作物蒸騰模型分析獲得了作物蒸騰特征,。結(jié)果表明,，氣溫變化會(huì)直接影響作物蒸騰強(qiáng)度，兩者空間分布特征一致,。中午溫室高溫,，開(kāi)啟后墻、下通風(fēng)口,，較原來(lái)開(kāi)啟上,、下通風(fēng)口,，氣流走向相似，因減少部分蓄熱墻體,，降溫效率提高5.7%,，蒸騰量下降0.020mm/h，開(kāi)啟后墻,、上,、下通風(fēng)口，蒸騰量較原來(lái)下降0.005mm/h,。開(kāi)啟后墻,、上通風(fēng)口，由于兩通風(fēng)口靠近一側(cè)且距離作物較遠(yuǎn),，只能形成北側(cè)局部降溫,，降溫效率下降10.3%，除濕效率較原來(lái)提高5.7%,，蒸騰量升高0.035mm/h,。此外，在通風(fēng)口組合中,，將靠下的通風(fēng)口設(shè)置在迎風(fēng)方向,，可減少外界來(lái)風(fēng)能量、動(dòng)量損失,，以提高通風(fēng)降溫效率,。研究結(jié)果可為日光溫室微環(huán)境調(diào)節(jié)提供參考。

摘要:光合速率及蒸騰速率是植物的2個(gè)重要生理指標(biāo),。在全人工環(huán)境下，選取意大利生菜作為對(duì)象,，設(shè)計(jì)并開(kāi)展多環(huán)境變量對(duì)生菜光合速率及蒸騰速率影響的嵌套實(shí)驗(yàn),，得到環(huán)境因子對(duì)生菜光合速率及蒸騰速率的影響規(guī)律，應(yīng)用神經(jīng)網(wǎng)絡(luò)構(gòu)建生菜幼苗期光合速率及蒸騰速率預(yù)測(cè)模型,。針對(duì)幼苗期生菜,，選擇溫度、相對(duì)濕度,、光子通量密度（Photosynthetic photon flux density, PPFD）及CO2濃度共4個(gè)環(huán)境影響因素,，采用隨機(jī)森林方法對(duì)數(shù)據(jù)進(jìn)行相關(guān)性分析。結(jié)果表明,，與蒸騰速率相關(guān)性由大到小的因素依次為CO2濃度,、溫度,、相對(duì)濕度、PPFD,，與光合速率相關(guān)性由大到小的因素依次為CO2濃度,、PPFD、溫度,、相對(duì)濕度,；采用枚舉法確定隱藏層節(jié)點(diǎn)數(shù)和訓(xùn)練函數(shù)，通過(guò)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,，構(gòu)建GA-BP神經(jīng)網(wǎng)絡(luò)生理指標(biāo)預(yù)測(cè)模型,。應(yīng)用測(cè)試數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證，光合速率及蒸騰速率預(yù)測(cè)值與實(shí)測(cè)值的決定系數(shù)分別為0.96212,、0.97944,，均方根誤差（RMSE）分別為2.9832μmol/(m2·s)、0.0014358mol/(m2·s),，表明GA-BP神經(jīng)網(wǎng)絡(luò)在模型精度和迭代次數(shù)方面性能顯著提高,。研究結(jié)果可為設(shè)施生菜生產(chǎn)環(huán)境調(diào)控提供有效依據(jù)。

摘要:在成型燃料內(nèi)部構(gòu)建固體橋結(jié)構(gòu)可有效改善其物理品質(zhì)，利用不同粒徑桉木屑構(gòu)建了具有固體橋結(jié)構(gòu)的顆粒燃料,，并進(jìn)一步研究了顆粒燃料的燃燒特性,。提出的構(gòu)建方法為同種原料不同粒徑混配成型，在電子壓力機(jī)上進(jìn)行了粒徑(0,，1mm]原料混配粒徑(4mm,，5mm]原料的顆粒壓縮成型實(shí)驗(yàn)，結(jié)果顯示混配量5%~10%時(shí)顆粒內(nèi)部長(zhǎng)粒徑粒子的交叉纏繞,，可形成適量的固體橋結(jié)構(gòu),，短粒徑粒子填充飽滿，粒子間結(jié)合緊密,。較佳的混配量為5%,，〖JP2〗顆粒具有較高的松弛密度,，為1074.79kg/m3,，最高的Meyer強(qiáng)度，為23.93MPa,，最低的比能耗,，為27.06kJ/kg,，平衡含水率為11.65%，吸水速率k為0.0153min-1,。在熱分析儀上進(jìn)行了成型顆粒燃燒實(shí)驗(yàn),，顆粒燃燒過(guò)程較為平穩(wěn)且有所延長(zhǎng)，在升溫速率10~40℃/min的范圍內(nèi),，著火溫度Ti在246.60~265.00℃之間,，最大失重速率(dm/dτ)1max在-6.84~-29.10%/min之間，綜合燃燒指數(shù)S在7.26×10-12~1.09×10-10min-2·K-3之間,。在X射線熒光光譜儀上分析了顆?；曳值脑亟M成，預(yù)測(cè)顆粒燃燒時(shí)具有中等或較高的結(jié)渣沾污趨勢(shì),。

摘要:在冷鏈行業(yè)集群式發(fā)展的背景下,，為解決在三文魚(yú)冷鏈多鏈協(xié)同過(guò)程中由于監(jiān)管數(shù)據(jù)持續(xù)性與碎片化所帶來(lái)的跨鏈簽名數(shù)據(jù)傳輸且真實(shí)性驗(yàn)證效率緩慢的問(wèn)題,，設(shè)計(jì)了基于區(qū)塊鏈的三文魚(yú)冷鏈多鏈協(xié)同監(jiān)管模型，該模型包括基于聚合簽名算法的數(shù)據(jù)驗(yàn)證與冷鏈模式監(jiān)管的方法,，該方法在提升跨鏈監(jiān)管數(shù)據(jù)真實(shí)性驗(yàn)證效率的同時(shí)保證了三文魚(yú)冷鏈監(jiān)管的細(xì)粒度與完整性,。最后，基于以太坊平臺(tái)實(shí)現(xiàn)了三文魚(yú)冷鏈多鏈協(xié)同監(jiān)管模型的原型系統(tǒng),。經(jīng)系統(tǒng)性能測(cè)試,，在監(jiān)管性能方面，多鏈架構(gòu)監(jiān)管性能相較于單鏈架構(gòu)平均提高17.98%,，且隨著區(qū)塊鏈交易增多,，多鏈架構(gòu)監(jiān)管性能優(yōu)勢(shì)將更加明顯；在真實(shí)性驗(yàn)證效率方面,，根據(jù)驗(yàn)證時(shí)間曲線的趨勢(shì)線斜率分析,，傳統(tǒng)驗(yàn)證算法的斜率為57.448，而聚合簽名算法的斜率為0.553,。這表明隨著簽名數(shù)量的增加,，聚合簽名算法在驗(yàn)證效率方面具有明顯的優(yōu)勢(shì)；在通信消耗方面,，傳統(tǒng)簽名算法所需要的簽名通信量在理論極限值下最多可達(dá)到4875B,，而聚合簽名算法所需的簽名通信量即使在未壓縮的情況下也一直保持在96B。測(cè)試結(jié)果表明,，在三文魚(yú)冷鏈場(chǎng)景中,，聚合簽名與驗(yàn)證的方法在數(shù)據(jù)批量傳輸批量驗(yàn)證的條件下具有良好的效率優(yōu)勢(shì),，為可信冷鏈監(jiān)管、集群式冷鏈發(fā)展提供借鑒與參考,。

摘要:發(fā)芽與表面損傷檢測(cè)是鮮食馬鈴薯商品化的重要環(huán)節(jié),。針對(duì)鮮食馬鈴薯高通量分級(jí)分選過(guò)程中,，高像素圖像目標(biāo)識(shí)別準(zhǔn)確率低的問(wèn)題，提出一種基于改進(jìn)Faster R-CNN的商品馬鈴薯發(fā)芽與表面損傷檢測(cè)方法,。以Faster R-CNN為基礎(chǔ)網(wǎng)絡(luò),，將Faster R-CNN中的特征提取網(wǎng)絡(luò)替換為殘差網(wǎng)絡(luò)ResNet50，設(shè)計(jì)了一種融合ResNet50的特征圖金字塔網(wǎng)絡(luò)（FPN）,，增加神經(jīng)網(wǎng)絡(luò)深度,。采用模型對(duì)比試驗(yàn)、消融試驗(yàn)對(duì)本文模型與改進(jìn)策略的有效性進(jìn)行了試驗(yàn)驗(yàn)證分析,，結(jié)果表明:改進(jìn)模型的馬鈴薯檢測(cè)平均精確率為98.89%,，馬鈴薯發(fā)芽檢測(cè)平均精確率為97.52%，馬鈴薯表面損傷檢測(cè)平均精確率為92.94%,，與Faster R-CNN模型相比,，改進(jìn)模型在檢測(cè)識(shí)別時(shí)間和內(nèi)存占用量不增加的前提下，馬鈴薯檢測(cè)精確率下降0.04個(gè)百分點(diǎn),，馬鈴薯發(fā)芽檢測(cè)平均精確率提升7.79個(gè)百分點(diǎn),，馬鈴薯表面損傷檢測(cè)平均精確率提升34.54個(gè)百分點(diǎn)。改進(jìn)后的模型可以實(shí)現(xiàn)對(duì)在高分辨率工業(yè)相機(jī)采集高像素圖像條件下,，商品馬鈴薯發(fā)芽與表面損傷的準(zhǔn)確識(shí)別,，為商品馬鈴薯快速分級(jí)分等工業(yè)化生產(chǎn)提供了方法支撐。

摘要:芳香族香氣成分是青梅果實(shí)及其加工產(chǎn)品杏仁特征性香氣的貢獻(xiàn)者,目前此類特征性香氣的累積規(guī)律及形成機(jī)制未得到充分研究。為探究青梅果實(shí)中芳香族特征香氣物質(zhì)的形成累積及其生源機(jī)制,，以不同成熟期的青梅為材料,，利用頂空-固相微萃取-氣相色譜-質(zhì)譜聯(lián)用技術(shù)測(cè)定了芳香族特征香氣成分，結(jié)合特異性氨基酸等前體物進(jìn)行相關(guān)性分析,。結(jié)果顯示,，成熟過(guò)程中芳香族特征香氣差異明顯，成熟中期（花后80～100d）香氣物質(zhì)代謝最為活躍，氨基酸含量最低,。青梅中特征香氣物質(zhì)累積變化表明，芳香族香氣物質(zhì)來(lái)源于苯丙氨酸代謝途徑,，苯甲醛與苯乙醛合成途徑存在競(jìng)爭(zhēng)關(guān)系,，且苯甲醛為通過(guò)非β氧化途徑形成。

摘要:針對(duì)丘陵山區(qū)單邊制動(dòng)農(nóng)用履帶車輛路徑跟蹤精度低,、控制次數(shù)多、轉(zhuǎn)向偏差大等問(wèn)題,，本文開(kāi)展不同負(fù)載條件下履帶車輛路徑跟蹤控制研究,。首先，對(duì)履帶車輛的轉(zhuǎn)向運(yùn)動(dòng)學(xué)進(jìn)行理論分析,，并建立履帶車輛運(yùn)動(dòng)學(xué)模型,；其次，根據(jù)履帶車輛單邊制動(dòng)轉(zhuǎn)向特性,，提出一種基于瞬時(shí)旋轉(zhuǎn)中心（Instantaneous center of rotation,，ICR）的大角度轉(zhuǎn)向控制算法，該算法能夠根據(jù)規(guī)劃路徑的轉(zhuǎn)向點(diǎn)位置與履帶車輛轉(zhuǎn)向瞬心,，規(guī)劃出最優(yōu)的轉(zhuǎn)向目標(biāo)點(diǎn),，并控制履帶車輛在該轉(zhuǎn)向目標(biāo)點(diǎn)一次性轉(zhuǎn)向到所需航向，與此同時(shí),，完成轉(zhuǎn)向控制器設(shè)計(jì),；最后，開(kāi)展履帶車輛在3種不同負(fù)載條件下的仿真試驗(yàn)與田間試驗(yàn),。仿真結(jié)果表明,，大角度轉(zhuǎn)向控制算法產(chǎn)生的跟蹤路徑平均誤差面積與平均轉(zhuǎn)向控制次數(shù)分別降低68.95%、68.77%,；田間試驗(yàn)結(jié)果表明,，大角度轉(zhuǎn)向控制算法產(chǎn)生的跟蹤路徑平均橫向偏差均值、平均轉(zhuǎn)向控制次數(shù)與轉(zhuǎn)向點(diǎn)處平均最小偏差分別減少57.27%,、33.93%,、62.29%，且路徑跟蹤效果更優(yōu),，驗(yàn)證了大角度轉(zhuǎn)向控制算法的有效性,。試驗(yàn)結(jié)果滿足履帶車輛路徑跟蹤的要求，為實(shí)現(xiàn)農(nóng)用履帶車輛的路徑跟蹤提供理論基礎(chǔ)與參考。

摘要:針對(duì)傳統(tǒng)以液壓驅(qū)動(dòng)或純電驅(qū)動(dòng)的履帶式農(nóng)機(jī)裝備功耗大、系統(tǒng)響應(yīng)慢,、電池續(xù)航短,、功率扭矩輸出不足等問(wèn)題，本文提出了一種高效液電混動(dòng)履帶式行走底盤,，集成了液壓驅(qū)動(dòng)和電驅(qū)動(dòng)兩套獨(dú)立動(dòng)力系統(tǒng),，雙液壓馬達(dá)及雙伺服電機(jī)的四輪驅(qū)動(dòng)結(jié)構(gòu)，可實(shí)現(xiàn)整機(jī)大扭矩輸出,，利于整機(jī)輕量化設(shè)計(jì),；通過(guò)伺服電機(jī)速度及力閉環(huán)控制，適應(yīng)匹配底盤外負(fù)載的變化,，可顯著改善閉式液壓驅(qū)動(dòng)系統(tǒng)的動(dòng)態(tài)輸出特性,，提高整機(jī)動(dòng)態(tài)控制性能并降低工作能耗?；贏MESim與Matlab建立了電液混動(dòng)系統(tǒng)的聯(lián)合仿真模型,，對(duì)比分析整機(jī)在平地直線行駛、山地爬坡,、原地轉(zhuǎn)向等不同工況的行駛動(dòng)態(tài)性能,，試驗(yàn)結(jié)果表明所設(shè)計(jì)的液電混合驅(qū)動(dòng)履帶底盤最大行駛速度可達(dá)1.1m/s，原地轉(zhuǎn)彎時(shí)間最快為2.4s,，最小轉(zhuǎn)彎直徑為150cm,，可實(shí)現(xiàn)丘陵山地復(fù)雜地形轉(zhuǎn)彎及調(diào)頭；履帶底盤直線行駛偏移率不大于3.3%,；在相同工況下與液壓驅(qū)動(dòng)相比,，液電混合動(dòng)模式下整機(jī)能耗可減少9.3%，提高了整機(jī)工作效率,。

摘要:針對(duì)基于距離的人工勢(shì)場(chǎng)法(Artificial potential field，APF)存在的局部極小值問(wèn)題,，提出了一種含避障角的人工勢(shì)場(chǎng)法的避障路徑規(guī)劃方法,。在平面環(huán)境中,，采用斜率判定路徑規(guī)劃過(guò)程中的位置關(guān)系，通過(guò)機(jī)器人當(dāng)前點(diǎn)到障礙物的距離與障礙物的影響半徑二者之差得出人工勢(shì)場(chǎng)法中的排斥力,，并對(duì)排斥力的偏轉(zhuǎn)角進(jìn)行調(diào)整,；另外，在空間環(huán)境中利用圓弧插補(bǔ)理論將機(jī)器人平面避障問(wèn)題轉(zhuǎn)換為空間避障問(wèn)題,；基于機(jī)器人構(gòu)型配置對(duì)改進(jìn)人工勢(shì)場(chǎng)法進(jìn)一步完善以滿足實(shí)際避障要求,。仿真和實(shí)驗(yàn)研究結(jié)果表明，含避障角的人工勢(shì)場(chǎng)法,，在單個(gè)或多個(gè)障礙物環(huán)境中進(jìn)行避障路徑規(guī)劃時(shí)解決了局部極小值的問(wèn)題,，同時(shí)實(shí)現(xiàn)了6自由度機(jī)器人末端在避障時(shí)的軌跡曲線平滑無(wú)振蕩,，驗(yàn)證了所提出避障路徑規(guī)劃方法的可行性,。

摘要:針對(duì)工業(yè)機(jī)器人在高度制造領(lǐng)域精度不高的問(wèn)題,，本文提出了一種基于POE模型的工業(yè)機(jī)器人運(yùn)動(dòng)學(xué)參數(shù)二次辨識(shí)方法。闡述了基于指數(shù)積(Product of exponential,，POE)模型的運(yùn)動(dòng)學(xué)誤差模型構(gòu)建方法,，并建立基于POE誤差模型的適應(yīng)度函數(shù)；為實(shí)現(xiàn)高精度的參數(shù)辨識(shí),，提出了一種二次辨識(shí)方法,，先利用改進(jìn)灰狼優(yōu)化算法(Improved grey wolf optimizer, IGWO)實(shí)現(xiàn)運(yùn)動(dòng)學(xué)參數(shù)誤差的粗辨識(shí)，初步將Staubli TX60型機(jī)器人的平均位置誤差和平均姿態(tài)誤差分別從(0.648mm,，0.212°)降低為(0.457mm,，0.166°)；為進(jìn)一步提高機(jī)器人的精度性能,，再通過(guò)LM(Levenberg-Marquard)算法進(jìn)行參數(shù)誤差的精辨識(shí),，最終將Staubli TX60型機(jī)器人平均位置誤差和平均姿態(tài)誤差進(jìn)一步降低為(0.237mm，0.063°),，機(jī)器人平均位置誤差和平均姿態(tài)誤差分別降低63.4%和70.2%,。為了驗(yàn)證上述二次辨識(shí)方法的穩(wěn)定性，隨機(jī)選取5組辨識(shí)數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集進(jìn)行POE誤差模型的參數(shù)誤差辨識(shí),，結(jié)果表明提出的二次辨識(shí)方法能夠穩(wěn)定,、精確地辨識(shí)工業(yè)機(jī)器人運(yùn)動(dòng)學(xué)參數(shù)誤差。

摘要:并聯(lián)機(jī)器人因具有剛度大,、結(jié)構(gòu)穩(wěn)定、承載能力大和運(yùn)動(dòng)負(fù)荷小等優(yōu)點(diǎn),，在農(nóng)業(yè)和工業(yè)等領(lǐng)域得到了廣泛的應(yīng)用?，F(xiàn)有大部分并聯(lián)機(jī)器人因支鏈呈空間對(duì)稱分布，難以進(jìn)入狹長(zhǎng)空間工作,。因此,，針對(duì)狹長(zhǎng)的工作環(huán)境，提出了一種新型三自由度并聯(lián)結(jié)構(gòu),，該機(jī)構(gòu)整體沿一條直線導(dǎo)軌方向布置,，減少了垂直于導(dǎo)軌方向的寬度，使之易于放入狹窄的空間內(nèi),，同時(shí)能擁有較大工作空間,，并實(shí)現(xiàn)3個(gè)自由度上的平動(dòng)運(yùn)動(dòng)。通過(guò)G-K公式計(jì)算機(jī)構(gòu)自由度,；驗(yàn)證了該并聯(lián)機(jī)器人設(shè)計(jì)的合理性,；對(duì)平臺(tái)進(jìn)行了運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)分析；并根據(jù)遺傳算法分析其奇異性,；通過(guò)解析法對(duì)機(jī)構(gòu)工作空間進(jìn)行了分析,。研究成果為三自由度并聯(lián)機(jī)器人進(jìn)入狹長(zhǎng)空間工作提供了新的思路與構(gòu)型。

摘要:為了解決單一阻塞介質(zhì)變剛度軟機(jī)械手抓取復(fù)雜外形物體效果不佳的問(wèn)題，受人體手指結(jié)構(gòu)啟發(fā),，設(shè)計(jì)了一種仿指腹結(jié)構(gòu)的混合阻塞變剛度軟手指,。將其設(shè)計(jì)為雙層結(jié)構(gòu)，外層為氣動(dòng)驅(qū)動(dòng)器,，內(nèi)層為基于主動(dòng)層干擾與被動(dòng)顆粒阻塞的混合阻塞變剛度層,，使得軟手指自動(dòng)貼合被抓取對(duì)象，實(shí)現(xiàn)主動(dòng)驅(qū)動(dòng)的被動(dòng)適應(yīng),，并通過(guò)調(diào)整剛度實(shí)現(xiàn)可靠抓取,。基于傳統(tǒng)縫紉工藝,，采用超彈性硅膠材料制造軟手指,。采用Euler-Bernoulli梁理論和虛功原理,，建立了基于懸臂梁結(jié)構(gòu)下的多材料軟手指的剛度控制模型，并據(jù)此提出增大整體剛度的材料篩選方法,。彎曲特性實(shí)驗(yàn)表明軟手指的彎曲性能優(yōu)異,。變剛度和抓取實(shí)驗(yàn)結(jié)果表明，混合阻塞軟手指剛度增大4.6倍,，建立的剛度模型最大相對(duì)誤差為3.4%,；在抓取對(duì)象表面粗糙度增大的條件下，軟手指拉脫力仍增大17%,，達(dá)到1.7N,；相較于單阻塞介質(zhì)軟手指，抓取成功率和承載能力均得到顯著提高,。

摘要:針對(duì)四軸臥式鏜床旋轉(zhuǎn)軸需測(cè)幾何誤差的數(shù)目不統(tǒng)一與完備性缺失的問(wèn)題,，提出了基于形狀創(chuàng)成函數(shù)的四軸臥式鏜床旋轉(zhuǎn)軸PIGEs形成機(jī)理分析方法與旋轉(zhuǎn)軸完備幾何誤差測(cè)量辨識(shí)方法,。基于形狀創(chuàng)成機(jī)理構(gòu)建了臥式鏜床幾何誤差創(chuàng)成函數(shù),，確定了旋轉(zhuǎn)軸可通過(guò)誤差補(bǔ)償進(jìn)行調(diào)整的最少與位置無(wú)關(guān)的幾何誤差（Position-independent geometric error, PIGEs）數(shù)目,。建立了臥式鏜床旋轉(zhuǎn)軸4項(xiàng)PIGEs、6項(xiàng)與位置有關(guān)的幾何誤差（Position-dependent geometric error, PDGEs）,、6項(xiàng)安裝誤差(Setup error, SEs)與球桿儀(Double ball bar, DBB)測(cè)量軌跡半徑之間的完備性函數(shù)模型,，設(shè)計(jì)了基于DBB的四軸聯(lián)動(dòng)Viviani曲線測(cè)量軌跡，構(gòu)建了旋轉(zhuǎn)軸6項(xiàng)PDGEs的NURBS表征與PIGEs,、SEs辨識(shí)方法,。開(kāi)展了誤差補(bǔ)償對(duì)比實(shí)驗(yàn)驗(yàn)證，結(jié)果表明,，利用幾何誤差完備性測(cè)量與辨識(shí)結(jié)果進(jìn)行誤差補(bǔ)償,，較僅單一補(bǔ)償6項(xiàng)PDGEs可提升圓軌跡測(cè)量精度40.69%。