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:路徑跟蹤是無人駕駛技術的重要組成部分,，是實現(xiàn)鉸接轉(zhuǎn)向車輛準確平穩(wěn)自主行駛的關鍵,，對提高鉸接轉(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,、控制算法設計和算法驗證評估是路徑跟蹤控制研究的基礎,，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展。首先回顧了鉸接轉(zhuǎn)向車輛的幾何學模型,、運動學模型和動力學模型,，并討論了各類模型在路徑跟蹤控制研究中的適用場景及局限性；在此基礎上,，闡述了鉸接轉(zhuǎn)向車輛路徑跟蹤控制算法的研究現(xiàn)狀,，對比并總結(jié)了每種算法的優(yōu)缺點及適用范圍，并進一步歸納了算法的驗證與評估手段,；最后展望了鉸接轉(zhuǎn)向車輛路徑跟蹤技術未來的研究重點及方向：考慮車輛動力學因素及模型參數(shù)動態(tài)時變特性的車輛建模研究,；融合各類算法適應性并結(jié)合智能算法的多工況自適應控制算法設計；標準化,、流程化的高保真仿真場景開發(fā)及集成準確性,、穩(wěn)定性、安全性等多性能的評估方法研究,。

摘要:為了解決機器人將農(nóng)產(chǎn)品從收獲場所轉(zhuǎn)移到倉庫或運輸車輛存在的移動軌跡和作業(yè)軌跡相對獨立且耗時長的問題，本文設計一種物料移運機器人,，并提出一種物料移運機器人協(xié)同作業(yè)時間最優(yōu)軌跡規(guī)劃方法,，獲得機器人作業(yè)系統(tǒng)和行駛系統(tǒng)協(xié)同作業(yè)的時間最優(yōu)軌跡,。該方法建立機器人協(xié)同作業(yè)的運動學模型和動力學模型，對物料移運機器人開展時間最優(yōu)軌跡規(guī)劃,，并基于Lyapunov理論設計控制律減少跟蹤誤差,，最后通過Matlab/Simulink和ADAMS聯(lián)合仿真驗證方法的有效性,。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)中取得平滑且時間最優(yōu)的運動軌跡，機器人各關節(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器人的要求且可快速穩(wěn)定跟蹤時間最優(yōu)路徑,。

摘要:針對名優(yōu)茶機械化采摘過程中側(cè)芽無法采摘的問題,，根據(jù)頂芽、側(cè)芽及茶梗的相關參數(shù)并結(jié)合茶園環(huán)境設計了一種末端執(zhí)行器,，利用分體式刀具的刀齒彎曲變形適應茶梗的干擾從而采摘側(cè)芽,。通過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、刀齒長度及刀具厚度,；采用三因素三水平的中心組合設計與響應面分析法研究各因素對采摘成功率的交互影響,；以采摘成功率為響應值建立二次回歸模型，確定各因素對采摘成功率的影響顯著性主次排序為：刀齒長度,、刀齒寬度,、刀具厚度。以采摘成功率為目標對各試驗因素進行優(yōu)化,，得到優(yōu)化后的刀齒寬度,、刀具厚度、刀齒長度分別為2.6,、0.9,、20.0mm。采用優(yōu)化后的參數(shù)進行茶園采摘試驗,，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%，試驗值與預測值的相對誤差小于5%,優(yōu)化模型結(jié)果可靠,。

摘要:針對采摘機器人對場景中目標分布密集,、果實相互遮擋的檢測及定位能力不理想問題,，提出一種引入高效通道注意力機制(ECA)和多尺度融合特征金字塔(FPN)改進Faster R-CNN果實檢測及定位方法。首先,，利用表達能力較強的融合FPN的殘差網(wǎng)絡ResNet50替換原VGG16網(wǎng)絡,，消除了網(wǎng)絡退化問題，進而提取更加抽象和豐富的語義信息,，提升模型對多尺度和小目標的檢測能力,；其次，引入注意力機制ECA模塊,，使特征提取網(wǎng)絡聚焦特征圖像的局部高效信息,，減少無效目標的干擾，提升模型檢測精度,；最后,，采用一種枝葉插圖數(shù)據(jù)增強方法改進蘋果數(shù)據(jù)集，解決圖像數(shù)據(jù)不足問題,?；跇?gòu)建的數(shù)據(jù)集，使用遺傳算法優(yōu)化K-means++聚類生成自適應錨框,，提高模型定位準確性,。試驗結(jié)果表明，改進模型對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個百分點；對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個百分點和40.49個百分點,；內(nèi)存占用量減少38.20%，每幀平均計算時間縮短40.7%,，改進后的模型參數(shù)量小且實時性好,，能夠更好地應用于果實采摘機器人視覺系統(tǒng)。

摘要:針對云南山地種植的深紋核桃樹體高大造成現(xiàn)有機械難于采收,，而人工爬樹用竹竿擊打采收成本高且傷亡大的問題,，提出了搭載無人機的氣振式核桃采收原理及方法，基于深紋核桃成熟果實的果柄連接強度的測試與分析結(jié)果,，進行了核桃脫落的氣振流動仿真分析,，設計了搭載于六旋翼農(nóng)業(yè)植保無人機上的氣振式核桃采收機，分析了氣振式核桃采收機在發(fā)射氣振時的反沖穩(wěn)定性，實施了氣振式核桃采收機搭載無人機進行采收的試驗驗證,，按效率優(yōu)先和采凈率優(yōu)先兩種采收模式，對氣振式核桃采收機的采收效率和采凈率做了預測分析,。研究結(jié)果表明,，核桃成熟度為80%、90%和100%時,，使核桃果柄斷裂實現(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,氣振式核桃采收機的氣動噴口至核桃掛果位置的最佳距離為0.5m,，單次氣振流動采收的最大有效面積的仿真值和試驗值分別約為0.09m2和0.10m2，最大有效采收面積隨著到氣動噴口距離增大而減小,。

摘要:針對勺鏈式大蒜播種機取種過程中常出現(xiàn)的漏種,、重種問題,，設計了一種多重擾動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)多重擾動清種,，最終取種勺內(nèi)僅余1粒蒜種。本文以金鄉(xiāng)蒜種為研究對象,，闡述了排種器的工作原理,，確定了排種器的各項參數(shù)和多重擾動裝置的最佳安裝位置。通過DEM〖CD*2〗MBD耦合仿真試驗,，分析了傾斜角,、取種勺線速度對充種成功率的影響，以及凹槽形狀對單粒取種率的影響,。運用 Box-Behnken 中心組合試驗方法,，以第2弧形突出部分坡度、傾斜角,、取種勺線速度為試驗因素,，以單粒取種率和漏種率作為評價指標，開展了三因素三水平正交試驗,。利用 Design-Expert 8.0.6 數(shù)據(jù)分析軟件,，分析了各因素對單粒取種率與漏種率的影響，對試驗因素進行優(yōu)化,，確定了多重擾動裝置最佳結(jié)構(gòu)參數(shù),。設計試驗臺對仿真結(jié)果進行驗證,，傾斜角、取種勺線速度分別為15°,、0.07m/s的條件下,，通過調(diào)節(jié)多重擾動裝置與取種勺凹槽頂端距離適配不同級別蒜種，當Ⅰ級,、Ⅱ級,、Ⅲ級蒜種距離分別為0、6.1,、12.1mm時,，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:由于棉花秸稈在機械化收獲和粉碎加工過程中缺乏準確的仿真模型參數(shù),，從而造成在機具設計中仿真效果和實際作業(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計研究。本文以新疆棉花秸稈作為試驗材料,，開展仿真分析研究,，通過物理試驗測定棉花秸稈的本征參數(shù)后，利用EDEM軟件進行試驗仿真,，對棉花秸稈進行參數(shù)標定,。采用堆積角試驗和彎曲試驗方法，測量出棉花秸稈堆積角和最大破壞載荷分別為28.62°和143.21N,。應用Hertz-Mindlin no slip模型和Hertz-Mindlin with bonding模型進行棉花秸稈的堆積角仿真試驗和彎曲仿真試驗,，得到棉花秸稈之間碰撞恢復系數(shù)、靜摩擦因數(shù),、滾動摩擦因數(shù)和棉花秸稈-鋼之間碰撞恢復系數(shù),、靜摩擦因數(shù)、滾動摩擦因數(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,、臨界法向應力與臨界切向應力分別為4.15×1010N/m,、5.60×1010N/m、40MPa,、50MPa。將以上結(jié)果進行粉碎試驗驗證,，棉花秸稈粉碎后依據(jù)長度和寬度不同,，分為粉末型物料、破碎型物料,、未破碎型物料,，仿真試驗質(zhì)量和實際試驗質(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)標定,。

摘要:針對馬鈴薯分段收獲中,，人工撿拾勞動強度大,、效率低、成本高的問題,，設計了一種自走式馬鈴薯撿拾裝袋機,。該自走式馬鈴薯撿拾裝袋機能一次性完成馬鈴薯撿拾、薯土分離,、除秧和裝袋的工作,。闡述了自走式馬鈴薯撿拾裝袋機整體結(jié)構(gòu)，并對撿拾裝置,、升運鏈裝置,、三級輸送鏈裝置、分揀臺以及卸料裝置等關鍵部件進行詳細設計,；運用DEM-MBD耦合的方法對馬鈴薯在兩級輸送鏈交接處的運動過程及受力情況進行分析,；運用Box-Behnken試驗方法，以漏薯率和傷薯率為評價指標，以整機前進速度,、撿拾裝置輸送鏈線速度,、升運鏈線速度、三級輸送鏈線速度為試驗因素,，對該機工作參數(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,，繪制響應面,，并得出該機最優(yōu)工作參數(shù)。田間試驗表明：當前進速度為0.70m/s,、撿拾裝置輸送鏈線速度為1.10m/s,、升運鏈線速度為1.20m/s、三級輸送鏈線速度為1.30m/s時,，漏薯率為2.82%,，傷薯率為3.61%，滿足馬鈴薯撿拾收獲作業(yè)要求,。

摘要:針對馬鈴薯聯(lián)合收獲后含雜率高、后續(xù)二次清選傷薯破皮嚴重等問題,，對氣篩式馬鈴薯清選裝置進行了優(yōu)化設計,，在低損傷的同時保持一定的清選除雜功能，在闡述總體結(jié)構(gòu)及工作原理基礎上,，結(jié)合馬鈴薯運動學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EDEM-Fluent耦合構(gòu)建仿真模型,，以風機出風口氣流速度,、擺抖篩擺抖形式、擺抖頻率,、篩面傾角為試驗因素,，以馬鈴薯清選率和潔凈率作為評價指標，對清選過程進行了多組仿真,，并依據(jù)仿真結(jié)果進行驗證與優(yōu)化,。研究結(jié)果表明,，清選裝置風機出風口氣流速度對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清選效果影響大,，影響由大到小為風機出風口氣流速度、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：擺抖篩前后簡諧擺抖,、擺抖篩篩面傾角為25°,、擺抖頻率為10Hz、風機出風口氣流速度為60m/s,，此時仿真試驗馬鈴薯清選率為93.1%,，潔凈率為98.7%，臺架試驗馬鈴薯清選率為91.6%,，潔凈率為99.2%。研究結(jié)果可為馬鈴薯清選裝置設計與優(yōu)化提供理論依據(jù),。

摘要:為了降低茶葉抖篩機的誤篩率，從顆粒動力學角度研究了篩面傾角,、振動幅度,、振動頻率對茶葉顆粒在抖篩機篩網(wǎng)上運動特性的影響。結(jié)合離散元方法對茶葉顆粒在篩面的運動進行數(shù)值模擬,，通過分析茶葉顆粒的篩分過程,，明晰了抖篩過程中篩上茶葉顆粒的運移機理。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)動能與振幅,、頻率呈正相關,，篩面傾角對茶葉顆粒在篩網(wǎng)上的平均速度、旋轉(zhuǎn)動能影響較小,，茶葉顆粒沿X軸方向和Z軸方向速度對茶葉顆粒在篩網(wǎng)上的平均速度貢獻最大,；遷移系數(shù)的變化幅度隨著篩面傾角、振動幅度,、振動頻率的增加而呈現(xiàn)逐漸增加的趨勢,，對茶葉抖篩過程顆粒遷移能力影響由大到小為：振動幅度,、振動頻率、篩面傾角,；當振動幅度為22.5mm,、篩面傾角為3°、振動頻率為4.166Hz時,，茶葉抖篩試驗誤篩率最小,，茶葉抖篩試驗誤篩率結(jié)果與仿真試驗結(jié)果相差在5個百分點以內(nèi)，表明DEM模擬具有較高的準確性,。

摘要:針對雪茄煙葉在旺長期及成熟期因植株高大及葉片生長致使煙田壟間空間小,，且雪茄煙葉生產(chǎn)對煙葉色澤及完整度要求高,，田間管理要求不能損傷煙葉，導致生產(chǎn)中雪茄煙葉植株中下層煙葉植保困難的問題,，結(jié)合煙葉植株生長特征,，設計了一種遙控自走式雪茄植株中下層煙葉植保噴霧機，該裝置主要包括噴霧系統(tǒng),、履帶底盤及控制系統(tǒng),，可實現(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,。為獲取煙株生長特征,，運用三維激光掃描儀對其進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，對噴霧系統(tǒng)進行了結(jié)構(gòu)設計及分析,，確定了參數(shù)范圍,；根據(jù)田間作業(yè)需求，對履帶底盤進行了動力學分析,，對控制系統(tǒng)進行了設計,。開展了場地試驗，利用Box-Behnken優(yōu)化了噴霧系統(tǒng)參數(shù),，當噴霧壓力為0.65MPa,、噴嘴夾角為20.4°、噴嘴孔徑為0.4mm時,，經(jīng)垂直霧滴分布測量儀模擬雪茄煙葉葉片層垂直方向的藥液附著性能試驗表明,，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)風險的重要措施，播前土壤火焰處理是以非化學方法在進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對雜草種子發(fā)芽率的影響規(guī)律,，采用數(shù)值模擬方法對燃料分流部件中集管結(jié)構(gòu)參數(shù)進行了研究，數(shù)值模擬和驗證試驗結(jié)果表明,，當集管內(nèi)徑d為20mm,、氣體輸入流量為1.0~3.5m3/h時，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,。基于數(shù)值模擬結(jié)果設計了火焰燃燒裝置,，研究6種輸入流量（1.0~3.5m3/h）的液化石油氣燃料對火焰高度和火焰溫度分布的影響,，以拖拉機行進速度,、燃料輸入流量和土壤深度作為試驗因素,，進行了全因素試驗，采用稻田間常見的雜草種子研究溫度場對雜草種子發(fā)芽率的影響規(guī)律,。試驗結(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,；當拖拉機行進速度為2.36km/h,，燃料輸入流量為2.5、3.0,、3.5m3/h時,，土壤溫度最高值可分別達到92.83、116.58,、156.83℃,；相比未經(jīng)火焰處理的對照組，當土壤溫度達到92.83℃時,，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,，當土壤溫度達到116.58℃和156.83℃時，4種雜草種子發(fā)芽率均顯著降低,；當土壤溫度達到156.83℃時,，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%,。田間試驗結(jié)果表明,，土壤火焰處理對稗草、馬唐,、鱧腸和異型莎草有顯著的抑制萌發(fā)作用,，其相對除草率Y≥80.00%。

摘要:為在田間管理中對作物產(chǎn)量進行估測，通過兩年大田試驗收集了大豆生殖生長期的高光譜數(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算了7個光譜指數(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）,、改進紅邊歸一光譜指數(shù)（Modified normalized difference index，mNDI）和改進紅邊比值光譜指數(shù)（Modified simple ratio,，mSR）,，使用相關矩陣法將光譜指數(shù)與大豆產(chǎn)量數(shù)據(jù)進行相關性分析并提取最佳波長組合，隨后將計算結(jié)果作為與大豆產(chǎn)量相關的最佳光譜指數(shù),，最后將各生育期篩選出的與大豆產(chǎn)量相關系數(shù)最高的5個光譜指數(shù)作為模型輸入變量,，利用支持向量機（Support vector machine,，SVM）、隨機森林（Random forest,，RF）和反向神經(jīng)網(wǎng)絡（Back propagation neural network,，BPNN）構(gòu)建大豆產(chǎn)量估算模型并進行驗證。結(jié)果表明,，各生育期（全花期（R2）,、全莢期（R4）和鼓粒期（R6））計算的光譜指數(shù)與產(chǎn)量的相關系數(shù)均高于0.6，相關性較好,，其中全莢期的光譜指數(shù)FDmSR與大豆產(chǎn)量的相關系數(shù)最高,，達到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的作物產(chǎn)量估測提供理論依據(jù)和應用參考,。

摘要:冬小麥是我國的主要糧食作物之一,。為進一步準確地估測冬小麥產(chǎn)量,，以陜西省關中平原為研究區(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),，采用改進的粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡（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能夠進一步提高模型的精度、增強模型的魯棒性,。采用靈敏度分析的方法探究對冬小麥產(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對冬小麥產(chǎn)量的影響較大,。通過IPSO-WNN輸出獲取冬小麥綜合監(jiān)測指數(shù)I，構(gòu)建I與統(tǒng)計單產(chǎn)之間的估產(chǎn)模型以估測關中平原冬小麥單產(chǎn),，結(jié)果顯示,，估測單產(chǎn)與統(tǒng)計單產(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”的問題,，因此，本文基于IPSO-WNN構(gòu)建的估產(chǎn)模型能夠較準確地估測關中平原冬小麥產(chǎn)量,。

摘要:為充分挖掘時間序列遙感參數(shù)的時序信息和趨勢信息,，并進一步提升冬小麥估產(chǎn)精度，以陜西省關中平原為研究區(qū)域,，選取與冬小麥長勢密切相關的生育時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)絡的估產(chǎn)模型,。應用VMD算法將各個時間序列遙感參數(shù)分解為多組平穩(wěn)的本征模態(tài)函數(shù)（IMF）分量,，選取與原始時間序列遙感參數(shù)高度相關的IMF分量進行特征重構(gòu)，并將重構(gòu)特征作為GRU網(wǎng)絡的輸入,，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,，平均相對誤差為8.14%，相關性達到極顯著水平（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期遙感參數(shù)間的內(nèi)在聯(lián)系,，獲得準確單產(chǎn)估測結(jié)果的同時提升了估產(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,，用水云模型對雷達衛(wèi)星后向散射系數(shù)進行校正，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種機器學習回歸模型構(gòu)建植被土壤含鹽量反演模型,。研究結(jié)果表明：經(jīng)過水云模型去除植被影響后的雷達后向散射系數(shù)及其極化組合指數(shù)與土壤含鹽量的相關性有一定程度的提高,。不同變量選擇方法與不同機器學習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種機器學習方法的耦合模型精度最佳,，建模集和驗證集的R2都在0.750以上，且驗證集的RMSE和MAE均最??；其中OOB-Cubist耦合模型精度最高，且R2v/R2c為0.955,，具有良好的魯棒性,。研究可為機器學習協(xié)同物理模型、光學衛(wèi)星協(xié)同雷達衛(wèi)星在土壤含鹽量反演中的進一步應用提供思路,。

摘要:針對土壤Cd高光譜遙感定量反演中的機理性不足及數(shù)據(jù)冗余問題，提出一種基于有機質(zhì)特征譜段的反演方法,。該方法首先提取土壤光譜中對重金屬Cd具有吸附作用的有機質(zhì)特征譜段,，進而通過競爭性自適應重加權(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)土壤實驗室光譜數(shù)據(jù)和哈密黃山南礦區(qū)野外光譜數(shù)據(jù)進行方法驗證,。研究表明：有機質(zhì)特征譜段提取在降低數(shù)據(jù)冗余的同時提高了重金屬Cd的反演精度,，CARS算法相對于相關系數(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，基于有機質(zhì)特征譜段的CARS-PLSR算法在土壤實驗室光譜和野外實測光譜所得驗證精度R2分別為0.94和0.80,，表明該算法對于實驗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:針對智慧農(nóng)業(yè)中葉綠素的精準預測問題,，本文提出了基于雙分支網(wǎng)絡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)進行訓練，從而加快訓練效率,，使用雙分支卷積網(wǎng)絡將多光譜數(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)的空間細節(jié)信息，再結(jié)合1DCNN建立玉米葉片葉綠素含量預測模型,。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測結(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)絡預測模型均取得較優(yōu)的預測結(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；對于其他數(shù)據(jù)結(jié)合本文提及的雙分支卷積網(wǎng)絡模型進行反演,，其R2均在0.905以上,，RMSE均在2.149以下，表明該預測模型具有一定的普適性,。

摘要:針對現(xiàn)有的機載數(shù)據(jù)單木分割方法對林型的普適度不高,，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冠邊緣，對初始探測樹頂點進行位置約束,。獲得單木頂點的精確定位后,，采用基于種子點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間距單木分割方法相比，本研究通過選取最佳分割尺度結(jié)合光譜影像進行精確定位,，改善了原有單一尺度分割方法導致的過分割現(xiàn)象,，將單木識別精確率由0.67提升至0.92。該方法在使用遙感對森林單木進行分割工作中,，可以更好地識別單木,，對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,。

摘要:針對已有雜草識別模型對復雜農(nóng)田環(huán)境下多種目標雜草的識別率低、模型內(nèi)存占用量大,、參數(shù)多,、識別速度慢等問題，提出了基于YOLO v5的輕量化雜草識別方法,。利用帶色彩恢復的多尺度視網(wǎng)膜(Multi-scale retinex with color restoration,，MSRCR)增強算法對部分圖像數(shù)據(jù)進行預處理，提高邊緣細節(jié)模糊的圖像清晰度,，降低圖像中的陰影干擾,。使用輕量級網(wǎng)絡PP-LCNet重置了識別模型中的特征提取網(wǎng)絡，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,，進一步降低計算量。為了彌補輕量化造成的模型性能損耗,，在特征融合網(wǎng)絡末端添加基于標準化的注意力模塊(Normalization-based attention module,，NAM)，增強模型對雜草和玉米幼苗的特征提取能力,。此外,，通過優(yōu)化主干網(wǎng)絡注意力機制的激活函數(shù)來提高模型的非線性擬合能力。在自建數(shù)據(jù)集上進行實驗,，實驗結(jié)果顯示,，與當前主流目標檢測算法YOLO v5s以及成熟的輕量化目標檢測算法MobileNet v3-YOLO v5s,、ShuffleNet v2-YOLO v5s比較，輕量化后雜草識別模型內(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個百分點。單幅圖像檢測時間為118.1ms,，達到了輕量化要求,。在保持較高模型識別精度的同時大幅降低了模型復雜度，可為采用資源有限的移動端設備進行農(nóng)田雜草識別提供技術支持,。

摘要:針對傳統(tǒng)農(nóng)業(yè)機器人抓取過程中視覺識別番茄果實尺寸和姿態(tài)存在枝葉遮擋的問題，提出了一種基于視觸覺感知的番茄尺寸和姿態(tài)解析方法,。在果實抓取過程中通過視觸覺傳感器得到果實外輪廓接觸局部點云信息,，然后通過相機參數(shù)標定以及各手指關節(jié)變換矩陣，將不同傳感器坐標系下的點云信息變換到同一基坐標系下,，進而通過點云改進PCA算法和ICP算法解析抓取果實的尺寸和姿態(tài)信息,。為了評估所提出解析方法的性能，在實驗室環(huán)境下進行了番茄尺寸和姿態(tài)檢測試驗,。通過游標卡尺測量和深度相機掃描分別獲得番茄果實尺寸和姿態(tài)的真實值,，并與本文方法解析結(jié)果進行對比。檢測試驗結(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誤差分別為8.66%和11.08%,，番茄果軸與視場投影面的水平夾角和垂直偏轉(zhuǎn)角平均相對誤差分別為10.03%和14.02%。本文方法解析的番茄果實尺寸與姿態(tài)信息,，可應用于番茄果實抓取過程中的姿態(tài)調(diào)控,，從而提高番茄果實抓取采摘的可靠性。

摘要:食用菌菌絲體表型特征是食用菌種質(zhì)資源評價和科學育種的重要依據(jù),。針對傳統(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)則生長和培養(yǎng)皿內(nèi)產(chǎn)生代謝物等因素干擾的問題,，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習的食用菌菌絲體表型參數(shù)自動測量方法,。將U-Net網(wǎng)絡編碼器部分替換為VGG16的前13個卷積層,，引入預訓練權(quán)重，構(gòu)建適用于菌絲體分割的VGG-UNet模型,。測試集上對比實驗表明,，該模型的平均交并比達到98.18%，比原始U-Net模型高0.93個百分點,。經(jīng)該模型獲取菌絲體分割圖像后,，利用OpenCV相關函數(shù)計算菌絲體的半徑、周長,、面積,、覆蓋度、圓整度這5個表型參數(shù),。將人工測量方法與本文方法進行線性回歸分析,，得出菌絲體半徑、周長,、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)測試,，本文方法能準確地完成食用菌菌絲體表型參數(shù)自動測量任務，為食用菌表型分析研究提供理論基礎,。

摘要:為實現(xiàn)葡萄早期病害的快速準確識別,，針對葡萄病害的相似表型癥狀識別率低及小病斑檢測困難的問題,，以葡萄黑腐病和黑麻疹病為研究對象，提出了一種基于自適應鑒別器增強的樣式生成對抗網(wǎng)絡與改進的YOLO v7相結(jié)合的葡萄黑腐病和黑麻疹病的病斑檢測方法,。通過自適應鑒別器增強的樣式生成對抗網(wǎng)絡和拉普拉斯濾波器的方差擴充葡萄病害數(shù)據(jù),。采用MSRCP算法進行圖像增強,改善光照環(huán)境凸顯病斑特征。以YOLO v7網(wǎng)絡框架為基礎,，將BiFormer注意力機制嵌入特征提取網(wǎng)絡,，強化目標區(qū)域的關鍵特征；采用BiFPN代替PA-FPN,，更好地實現(xiàn)低層細節(jié)特征與高層語義信息融合,，以同時降低計算復雜度,；在YOLO v7的檢測頭部分嵌入SPD模塊，以提高模型對低分辨率圖像的檢測性能,；并采用CIoU與NWD損失函數(shù)組合對損失函數(shù)重新定義,，實現(xiàn)對小目標快速、準確識別,。實驗結(jié)果表明,，該方法病斑檢測精確率達到94.1%，相比原始算法提升5.7個百分點,，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個百分點，能夠?qū)崿F(xiàn)葡萄早期病害快速準確識別,，對于保障葡萄產(chǎn)業(yè)發(fā)展具有重要意義,。

摘要:為實現(xiàn)水稻病害的輕量化識別與檢測，使用ECA注意力機制改進MobileNetV3Small模型,，并使用共享參數(shù)遷移學習對水稻病害進行智能化輕量級識別和檢測,。在PlantVillage數(shù)據(jù)集上進行預訓練，將預訓練得到的共享參數(shù)遷移到對水稻病害識別模型上微調(diào)優(yōu)化,。在開源水稻病害數(shù)據(jù)集上進行試驗測試,，試驗結(jié)果表明，在非遷移學習下,，識別準確率達到97.47%,，在遷移學習下識別準確率達到99.92%，同時參數(shù)量減少26.69%,。其次,，通過Grad-CAM進行可視化，本文方法與其他注意力機制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)絡可以更好地聚焦水稻病害的特征，并且通過可視化和各水稻病害分析了誤分類原因,。本文方法實現(xiàn)了水稻病害識別模型的輕量化,，使其能夠在移動設備等資源受限的場景中部署，達到快速,、高效,、便攜的目的,。同時開發(fā)了基于Android的水稻病害識別系統(tǒng)，方便于在邊緣端進行水稻病害識別分析,。

摘要:隨著信息化技術的快速發(fā)展,，農(nóng)戶通過線上智能農(nóng)業(yè)問答系統(tǒng)解決線下農(nóng)業(yè)病蟲害問題已成為趨勢,。問句分類在問答系統(tǒng)中發(fā)揮著至關重要的作用，其準確性直接決定了最終返回答案的正確性,。傳統(tǒng)的單標簽文本分類模型難以直接準確捕捉到農(nóng)業(yè)病蟲害問句的確切意圖,，而且由于缺乏大規(guī)模公開的農(nóng)業(yè)病蟲害問句語料，使得現(xiàn)有研究具有一定的難度,。為此,，本文基于樹狀結(jié)構(gòu)構(gòu)建了一個農(nóng)業(yè)病蟲害問句層級分類體系，由問句模糊性向精確性逐層細化分類,，旨在克服農(nóng)業(yè)問句的語義復雜性,；此外，引入對抗訓練方法,，通過構(gòu)建對抗樣本并將其與原始樣本一同用于大規(guī)模語言模型的訓練,，以提高模型泛化能力，同時緩解了因語料不足而產(chǎn)生的問題,。通過對真實問答語料庫的實驗驗證,，本文提出的方法能夠提升農(nóng)業(yè)病蟲害問句的分類性能，可為農(nóng)業(yè)病蟲害自動問答系統(tǒng)提供有效的問句意圖識別,。

摘要:干旱頻發(fā)對生態(tài)資源、農(nóng)業(yè)發(fā)展造成了嚴重影響，為揭示山西省干旱時空演變特征,，基于1971—2020年山西省24個氣象站點的逐月氣象資料,，利用改進的Mann-Kendall方法檢驗各氣象因子的年變化趨勢，采用FAO56 Penman-Monteith公式計算參考作物騰發(fā)量（ET0），分析單個氣象因子變化情況下ET0的變化特征和對氣象因子的敏感性，比較各時間尺度（月、季,、年尺度）不同干旱指數(shù)（降水距平百分率（Pa）、標準化降水指數(shù)（SPI）和標準化降水蒸散指數(shù)（SPEI））對山西省干旱災害監(jiān)測能力,。結(jié)果表明：ET0與相對濕度呈負相關,，氣象因子對ET0的敏感性由大到小依次為相對濕度,、日最高氣溫、2m處風速,、日最低氣溫,、日平均氣溫，ET0呈波動下降趨勢,。SPEI能夠在多時間尺度上有效反映山西省干旱狀況,，是該地區(qū)干旱監(jiān)測的有效工具。在月,、季,、年尺度下，比較3個干旱指數(shù),， Pa檢測效果較差,，〖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)檢測干旱的性能更好,；SPEI-1〖JP〗尺度下,，各干旱等級發(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,、長治市特旱發(fā)生頻率最高,，旱情最為嚴重，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識別重旱,、特旱的站點更多，并基于游程理論得出,，山西省南部干旱頻次更多,，東部干旱歷時更長、干旱嚴重程度更大,，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土壤理化性狀的影響機理,，開展了田間小區(qū)試驗。設置橫坡耕作（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）為對照,，分析了土壤孔隙度,、土壤機械組成、水穩(wěn)性土壤團聚體穩(wěn)定性,、土壤養(yǎng)分含量等指標,，并采用TOPSIS模型對不同水土保持耕作措施進行了綜合評價，篩選了土壤穩(wěn)定性強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%，細砂粒含量較CK處理降低31.56%,；TP-S處理IN（無機態(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模型綜合評價結(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:為探明沈烏灌域節(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空分布特征及變化規(guī)律，采用區(qū)域土壤信息定點監(jiān)測,，結(jié)合經(jīng)典統(tǒng)計學,、空間插值以及機器學習建模反演等技術手段，利用Landsat 8衛(wèi)星獲取光譜數(shù)據(jù),，通過對實測土壤含鹽量,、光譜指數(shù)及波段反射率進行處理，運用Adaboost回歸,、BP神經(jīng)網(wǎng)絡回歸,、梯度提升樹回歸、KNN回歸,、決策樹回歸,、隨機森林回歸方法構(gòu)建了沈烏灌域土壤含鹽量空間反演模型。采用最優(yōu)反演模型對沈烏灌域土壤含鹽量空間分布特征進行了遙感反演,。結(jié)果表明： 通過全變量單一回歸法篩選出相關系數(shù)大于0.55的9個光譜因子,，使用SPSS PRO軟件構(gòu)建6種機器學習反演模型，對比6種反演模型精度,，驗證集決定系數(shù)R2由大到小依次為隨機森林回歸,、梯度提升樹回歸、Adaboost回歸,、KNN回歸,、決策樹回歸、BP神經(jīng)網(wǎng)絡回歸,。其中隨機森林回歸模型的擬合精度最佳,，訓練集與驗證集的決定系數(shù)R2分別為0.834和0.86，說明隨機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，沈烏灌域土壤鹽漬化程度減輕,，作物生長安全區(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:需耗水機制是進行農(nóng)田/果園水分管理和調(diào)控的基礎,。本文聚焦蒸騰耗水機制,，基于貝葉斯參數(shù)估計方法對比了不同Jarvis-Stewart模型配置對干熱河谷區(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較強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)會對模擬效果產(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空間,，因此,，應綜合考慮模型復雜程度、模擬精度及不確定性等,，進一步探究適宜的模型結(jié)構(gòu),。研究可為果園節(jié)水灌溉技術體系建立和水分管理優(yōu)化提供科學依據(jù)，也能為耗水模型的進一步發(fā)展和完善提供理論支撐,。

摘要:針對空間異質(zhì)性導致的土壤含水率反演誤差較大的問題,，分別以玉米灌漿期和小麥苗期的土壤含水率反演為例，利用無人機多光譜遙感技術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窗口法提取不同空間尺度的光譜信息平均值,，通過極端梯度提升（Extreme gradient boosting,，XGBoost）、支持向量機回歸（Support vector machine regression,，SVR）以及偏最小二乘回歸（Partial least squares regression,，PLSR）3種機器學習模型確定采樣點光譜信息最優(yōu)窗口尺度；然后,，采用皮爾遜相關系數(shù)特征變量篩選法（Pearson correlation coefficient feature variable screening method,，R）結(jié)合XGBoost和SVR模型對提取的34組光譜特征變量進行篩選，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,；采用皮爾遜相關系數(shù)特征變量篩選方法結(jié)合機器學習模型可有效提高土壤含水率反演精度；5種機器學習模型（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,。該研究可為基于無人機多光譜影像分析的信息挖掘和土壤水分監(jiān)測提供參考,。

摘要:日光溫室后墻蓄熱降低了通風降溫效率,，高溫會刺激植物水分蒸騰,，降低水資源利用率。本文以北京市通州區(qū)日光溫室為研究對象,，在原有的上,、下通風口基礎上,，增設后墻通風口?；贒O輻射模型,、組分輸運模型和多孔介質(zhì)模型建立了日光溫室的計算流體力學（CFD）模型，探究了不同通風方式下溫室微環(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，氣溫變化會直接影響作物蒸騰強度,，兩者空間分布特征一致,。中午溫室高溫，開啟后墻,、下通風口,，較原來開啟上、下通風口,，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,，開啟后墻、上,、下通風口,，蒸騰量較原來下降0.005mm/h。開啟后墻,、上通風口,，由于兩通風口靠近一側(cè)且距離作物較遠，只能形成北側(cè)局部降溫,，降溫效率下降10.3%,，除濕效率較原來提高5.7%，蒸騰量升高0.035mm/h,。此外,，在通風口組合中，將靠下的通風口設置在迎風方向,，可減少外界來風能量,、動量損失，以提高通風降溫效率,。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個重要生理指標,。在全人工環(huán)境下,，選取意大利生菜作為對象，設計并開展多環(huán)境變量對生菜光合速率及蒸騰速率影響的嵌套實驗,，得到環(huán)境因子對生菜光合速率及蒸騰速率的影響規(guī)律,，應用神經(jīng)網(wǎng)絡構(gòu)建生菜幼苗期光合速率及蒸騰速率預測模型。針對幼苗期生菜,，選擇溫度,、相對濕度、光子通量密度（Photosynthetic photon flux density, PPFD）及CO2濃度共4個環(huán)境影響因素,，采用隨機森林方法對數(shù)據(jù)進行相關性分析,。結(jié)果表明，與蒸騰速率相關性由大到小的因素依次為CO2濃度,、溫度,、相對濕度、PPFD,，與光合速率相關性由大到小的因素依次為CO2濃度,、PPFD、溫度,、相對濕度,；采用枚舉法確定隱藏層節(jié)點數(shù)和訓練函數(shù)，通過遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的初始權(quán)值和閾值,，構(gòu)建GA-BP神經(jīng)網(wǎng)絡生理指標預測模型,。應用測試數(shù)據(jù)對模型進行驗證，光合速率及蒸騰速率預測值與實測值的決定系數(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,，在電子壓力機上進行了粒徑(0，1mm]原料混配粒徑(4mm,，5mm]原料的顆粒壓縮成型實驗,，結(jié)果顯示混配量5%~10%時顆粒內(nèi)部長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。在熱分析儀上進行了成型顆粒燃燒實驗,，顆粒燃燒過程較為平穩(wěn)且有所延長,，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,，預測顆粒燃燒時具有中等或較高的結(jié)渣沾污趨勢。

摘要:在冷鏈行業(yè)集群式發(fā)展的背景下，為解決在三文魚冷鏈多鏈協(xié)同過程中由于監(jiān)管數(shù)據(jù)持續(xù)性與碎片化所帶來的跨鏈簽名數(shù)據(jù)傳輸且真實性驗證效率緩慢的問題,，設計了基于區(qū)塊鏈的三文魚冷鏈多鏈協(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)真實性驗證效率的同時保證了三文魚冷鏈監(jiān)管的細粒度與完整性,。最后,，基于以太坊平臺實現(xiàn)了三文魚冷鏈多鏈協(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)勢將更加明顯,；在真實性驗證效率方面,，根據(jù)驗證時間曲線的趨勢線斜率分析，傳統(tǒng)驗證算法的斜率為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,，聚合簽名算法在驗證效率方面具有明顯的優(yōu)勢,；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,。測試結(jié)果表明，在三文魚冷鏈場景中,，聚合簽名與驗證的方法在數(shù)據(jù)批量傳輸批量驗證的條件下具有良好的效率優(yōu)勢,，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)芽與表面損傷檢測是鮮食馬鈴薯商品化的重要環(huán)節(jié),。針對鮮食馬鈴薯高通量分級分選過程中,，高像素圖像目標識別準確率低的問題，提出一種基于改進Faster R-CNN的商品馬鈴薯發(fā)芽與表面損傷檢測方法,。以Faster R-CNN為基礎網(wǎng)絡,，將Faster R-CNN中的特征提取網(wǎng)絡替換為殘差網(wǎng)絡ResNet50，設計了一種融合ResNet50的特征圖金字塔網(wǎng)絡（FPN）,，增加神經(jīng)網(wǎng)絡深度,。采用模型對比試驗、消融試驗對本文模型與改進策略的有效性進行了試驗驗證分析,，結(jié)果表明:改進模型的馬鈴薯檢測平均精確率為98.89%,，馬鈴薯發(fā)芽檢測平均精確率為97.52%，馬鈴薯表面損傷檢測平均精確率為92.94%,，與Faster R-CNN模型相比,，改進模型在檢測識別時間和內(nèi)存占用量不增加的前提下，馬鈴薯檢測精確率下降0.04個百分點,，馬鈴薯發(fā)芽檢測平均精確率提升7.79個百分點,，馬鈴薯表面損傷檢測平均精確率提升34.54個百分點,。改進后的模型可以實現(xiàn)對在高分辨率工業(yè)相機采集高像素圖像條件下，商品馬鈴薯發(fā)芽與表面損傷的準確識別,，為商品馬鈴薯快速分級分等工業(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及其加工產(chǎn)品杏仁特征性香氣的貢獻者,目前此類特征性香氣的累積規(guī)律及形成機制未得到充分研究,。為探究青梅果實中芳香族特征香氣物質(zhì)的形成累積及其生源機制，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)用技術測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行相關性分析。結(jié)果顯示,，成熟過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)來源于苯丙氨酸代謝途徑，苯甲醛與苯乙醛合成途徑存在競爭關系,，且苯甲醛為通過非β氧化途徑形成,。

摘要:針對丘陵山區(qū)單邊制動農(nóng)用履帶車輛路徑跟蹤精度低,、控制次數(shù)多,、轉(zhuǎn)向偏差大等問題，本文開展不同負載條件下履帶車輛路徑跟蹤控制研究,。首先,，對履帶車輛的轉(zhuǎn)向運動學進行理論分析，并建立履帶車輛運動學模型,；其次,，根據(jù)履帶車輛單邊制動轉(zhuǎn)向特性，提出一種基于瞬時旋轉(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)向目標點,，并控制履帶車輛在該轉(zhuǎn)向目標點一次性轉(zhuǎn)向到所需航向,，與此同時，完成轉(zhuǎn)向控制器設計；最后,，開展履帶車輛在3種不同負載條件下的仿真試驗與田間試驗,。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),，驗證了大角度轉(zhuǎn)向控制算法的有效性。試驗結(jié)果滿足履帶車輛路徑跟蹤的要求,，為實現(xiàn)農(nóng)用履帶車輛的路徑跟蹤提供理論基礎與參考。

摘要:針對傳統(tǒng)以液壓驅(qū)動或純電驅(qū)動的履帶式農(nóng)機裝備功耗大、系統(tǒng)響應慢,、電池續(xù)航短,、功率扭矩輸出不足等問題，本文提出了一種高效液電混動履帶式行走底盤,，集成了液壓驅(qū)動和電驅(qū)動兩套獨立動力系統(tǒng),，雙液壓馬達及雙伺服電機的四輪驅(qū)動結(jié)構(gòu)，可實現(xiàn)整機大扭矩輸出,，利于整機輕量化設計,；通過伺服電機速度及力閉環(huán)控制，適應匹配底盤外負載的變化,，可顯著改善閉式液壓驅(qū)動系統(tǒng)的動態(tài)輸出特性,，提高整機動態(tài)控制性能并降低工作能耗?；贏MESim與Matlab建立了電液混動系統(tǒng)的聯(lián)合仿真模型,，對比分析整機在平地直線行駛、山地爬坡,、原地轉(zhuǎn)向等不同工況的行駛動態(tài)性能,，試驗結(jié)果表明所設計的液電混合驅(qū)動履帶底盤最大行駛速度可達1.1m/s，原地轉(zhuǎn)彎時間最快為2.4s，最小轉(zhuǎn)彎直徑為150cm,，可實現(xiàn)丘陵山地復雜地形轉(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)動相比,，液電混合動模式下整機能耗可減少9.3%,，提高了整機工作效率。

摘要:針對基于距離的人工勢場法(Artificial potential field,，APF)存在的局部極小值問題，提出了一種含避障角的人工勢場法的避障路徑規(guī)劃方法,。在平面環(huán)境中,，采用斜率判定路徑規(guī)劃過程中的位置關系，通過機器人當前點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場法中的排斥力,，并對排斥力的偏轉(zhuǎn)角進行調(diào)整,；另外，在空間環(huán)境中利用圓弧插補理論將機器人平面避障問題轉(zhuǎn)換為空間避障問題,；基于機器人構(gòu)型配置對改進人工勢場法進一步完善以滿足實際避障要求,。仿真和實驗研究結(jié)果表明，含避障角的人工勢場法,，在單個或多個障礙物環(huán)境中進行避障路徑規(guī)劃時解決了局部極小值的問題,，同時實現(xiàn)了6自由度機器人末端在避障時的軌跡曲線平滑無振蕩，驗證了所提出避障路徑規(guī)劃方法的可行性,。

摘要:針對工業(yè)機器人在高度制造領域精度不高的問題,，本文提出了一種基于POE模型的工業(yè)機器人運動學參數(shù)二次辨識方法,。闡述了基于指數(shù)積(Product of exponential，POE)模型的運動學誤差模型構(gòu)建方法,，并建立基于POE誤差模型的適應度函數(shù),；為實現(xiàn)高精度的參數(shù)辨識，提出了一種二次辨識方法,，先利用改進灰狼優(yōu)化算法(Improved grey wolf optimizer, IGWO)實現(xiàn)運動學參數(shù)誤差的粗辨識,，初步將Staubli TX60型機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°),；為進一步提高機器人的精度性能,，再通過LM(Levenberg-Marquard)算法進行參數(shù)誤差的精辨識，最終將Staubli TX60型機器人平均位置誤差和平均姿態(tài)誤差進一步降低為(0.237mm,，0.063°),，機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%。為了驗證上述二次辨識方法的穩(wěn)定性,，隨機選取5組辨識數(shù)據(jù)集和驗證數(shù)據(jù)集進行POE誤差模型的參數(shù)誤差辨識,，結(jié)果表明提出的二次辨識方法能夠穩(wěn)定、精確地辨識工業(yè)機器人運動學參數(shù)誤差,。

摘要:并聯(lián)機器人因具有剛度大,、結(jié)構(gòu)穩(wěn)定,、承載能力大和運動負荷小等優(yōu)點，在農(nóng)業(yè)和工業(yè)等領域得到了廣泛的應用?，F(xiàn)有大部分并聯(lián)機器人因支鏈呈空間對稱分布，難以進入狹長空間工作,。因此,，針對狹長的工作環(huán)境，提出了一種新型三自由度并聯(lián)結(jié)構(gòu),，該機構(gòu)整體沿一條直線導軌方向布置,，減少了垂直于導軌方向的寬度，使之易于放入狹窄的空間內(nèi),，同時能擁有較大工作空間,，并實現(xiàn)3個自由度上的平動運動。通過G-K公式計算機構(gòu)自由度,；驗證了該并聯(lián)機器人設計的合理性,；對平臺進行了運動學和動力學分析；并根據(jù)遺傳算法分析其奇異性,；通過解析法對機構(gòu)工作空間進行了分析,。研究成果為三自由度并聯(lián)機器人進入狹長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)變剛度軟機械手抓取復雜外形物體效果不佳的問題,，受人體手指結(jié)構(gòu)啟發(fā)，設計了一種仿指腹結(jié)構(gòu)的混合阻塞變剛度軟手指,。將其設計為雙層結(jié)構(gòu),，外層為氣動驅(qū)動器，內(nèi)層為基于主動層干擾與被動顆粒阻塞的混合阻塞變剛度層,，使得軟手指自動貼合被抓取對象,，實現(xiàn)主動驅(qū)動的被動適應，并通過調(diào)整剛度實現(xiàn)可靠抓取,?；趥鹘y(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,。彎曲特性實驗表明軟手指的彎曲性能優(yōu)異,。變剛度和抓取實驗結(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誤差為3.4%,；在抓取對象表面粗糙度增大的條件下，軟手指拉脫力仍增大17%,，達到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:針對四軸臥式鏜床旋轉(zhuǎn)軸需測幾何誤差的數(shù)目不統(tǒng)一與完備性缺失的問題，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形成機理分析方法與旋轉(zhuǎn)軸完備幾何誤差測量辨識方法,?；谛螤顒?chuàng)成機理構(gòu)建了臥式鏜床幾何誤差創(chuàng)成函數(shù)，確定了旋轉(zhuǎn)軸可通過誤差補償進行調(diào)整的最少與位置無關的幾何誤差（Position-independent geometric error, PIGEs）數(shù)目,。建立了臥式鏜床旋轉(zhuǎn)軸4項PIGEs,、6項與位置有關的幾何誤差（Position-dependent geometric error, PDGEs）、6項安裝誤差(Setup error, SEs)與球桿儀(Double ball bar, DBB)測量軌跡半徑之間的完備性函數(shù)模型,，設計了基于DBB的四軸聯(lián)動Viviani曲線測量軌跡,，構(gòu)建了旋轉(zhuǎn)軸6項PDGEs的NURBS表征與PIGEs,、SEs辨識方法。開展了誤差補償對比實驗驗證,，結(jié)果表明,，利用幾何誤差完備性測量與辨識結(jié)果進行誤差補償，較僅單一補償6項PDGEs可提升圓軌跡測量精度40.69%,。