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:動(dòng)植物表型是動(dòng)植物特征與性狀的定量描述,，表型特征的精準(zhǔn)計(jì)算與分析是推進(jìn)數(shù)字農(nóng)業(yè)發(fā)展的重要基礎(chǔ)。得益于深度學(xué)習(xí)技術(shù)的迅猛發(fā)展,，以YOLO系列算法為代表的計(jì)算機(jī)視覺模型在動(dòng)植物表型分析任務(wù)中展現(xiàn)出了優(yōu)良性能和巨大潛力,。以家畜類,、家禽類、作物類,、果蔬類等動(dòng)植物為對(duì)象,，分別從目標(biāo)檢測(cè)、關(guān)鍵點(diǎn)檢測(cè),、目標(biāo)分割3方面概述了YOLO系列算法應(yīng)用研究進(jìn)展,。最后指出YOLO系列算法未來(lái)發(fā)展趨勢(shì),，包括輕量化架構(gòu)設(shè)計(jì)、小目標(biāo)精準(zhǔn)檢測(cè),、弱監(jiān)督學(xué)習(xí),、復(fù)雜場(chǎng)景部署、大模型目標(biāo)檢測(cè)等,。

摘要:人工診斷小麥銹病成本高、效率低,，已無(wú)法滿足現(xiàn)代農(nóng)業(yè)生產(chǎn)的需要,。本文提出了一種輕量級(jí)密集多尺度注意力網(wǎng)絡(luò)模型(Mobile-Dense multi-scale attention net, Mobile-DMSANet)，用于自動(dòng)識(shí)別田間自然場(chǎng)景中的小麥葉部銹?。l銹病和葉銹?。Ｔ撃Ｐ驮谳斎雽釉O(shè)計(jì)了一個(gè)快速下采樣模塊(Fast subsampling block, FSB),，它在不增加計(jì)算成本的前提下提高模型的特征表達(dá)能力,。模型的特征提取層使用3個(gè)輕量級(jí)特征提取模塊(Dense multi-scale attention, DMSA)來(lái)提取小麥葉部銹病的特征。DMSA模塊設(shè)計(jì)了一個(gè)多尺度的3路卷積層(Multi-scale three-way convolution, MSTC)用于獲得不同尺度感受野,，以提高模型的表達(dá)能力和對(duì)不同尺寸銹病的感知能力,。DMSA模塊中6個(gè)MSTC層通過(guò)密集連接實(shí)現(xiàn)特征重用，不僅大大減少了模型的參數(shù)量,，而且提高了對(duì)這兩種相似的小麥葉部銹病的特征提取能力,。在DMSA模塊中還引入了協(xié)調(diào)注意力機(jī)制(Coordinated attention, CA)，來(lái)提高對(duì)病害信息的敏感性,，并抑制圖像中的背景信息。模型的輸出層使用Softmax函數(shù)實(shí)現(xiàn)小麥葉部銹病識(shí)別,。結(jié)果表明,，Mobile-DMSANet模型在測(cè)試數(shù)據(jù)集上的識(shí)別準(zhǔn)確率為96.4%，高于經(jīng)典CNN模型(如ResNet50,、AlexNet)和輕量級(jí)CNN模型(如ShufflenetV2,、DenseNet系列)。Mobile-DMSANet參數(shù)量為4.54×105,，與其他輕量級(jí)模型相比大幅下降,。本文所設(shè)計(jì)模型可用于移動(dòng)端小麥葉部銹病的自動(dòng)識(shí)別。

摘要:稻瘟病由稻瘟病孢子通過(guò)空氣進(jìn)行傳播,，嚴(yán)重影響水稻產(chǎn)量,，因此，稻瘟病孢子的檢測(cè)對(duì)于稻瘟病早期診斷與防治具有重要作用,。針對(duì)現(xiàn)有方法存在檢測(cè)速度慢的問題,，本研究基于YOLO v8模型提出了一種稻瘟病孢子檢測(cè)方法RBS-YOLO。首先,，該算法在主干網(wǎng)絡(luò)中引入PP-LCNet輕量化網(wǎng)絡(luò)結(jié)構(gòu),，減少模型每秒浮點(diǎn)運(yùn)算次數(shù)并降低模型內(nèi)存占用量，其次在頸部網(wǎng)絡(luò)中引入高效多尺度注意力模塊(Efficient multiscale attention module, EMA),，并將原損失函數(shù)改進(jìn)為WIOU損失函數(shù),，提高了模型識(shí)別稻瘟病孢子的精確率與平均精度均值。改進(jìn)后的RBS-YOLO模型精確率與平均精度均值分別為97.3%和98.7%,，滿足稻瘟病孢子的檢測(cè)需求,，模型內(nèi)存占用量與每秒浮點(diǎn)運(yùn)算次數(shù)分別為3.46MB、5.2×109,，同YOLO v8n相比分別降低41.8%與35.8%,。RBS-YOLO模型與當(dāng)前主流的YOLO v5s、YOLO v7,、YOLO v8n模型對(duì)比,每秒浮點(diǎn)運(yùn)算次數(shù)分別降低67.3%,、95.1%、35.8%,。研究結(jié)果表明RBS-YOLO模型能夠滿足稻瘟病孢子實(shí)時(shí)檢測(cè)的需求,，且有利于部署到移動(dòng)端。

摘要:水稻害蟲識(shí)別時(shí),，受稻田環(huán)境影響易出現(xiàn)目標(biāo)被遮擋,、與背景顏色相似、多目標(biāo)相鄰等問題導(dǎo)致識(shí)別精度降低,。為此本文提出了一種基于改進(jìn)YOLO v5s的水稻害蟲識(shí)別模型YOLO v5s-Coordslimneck,，通過(guò)替換主干網(wǎng)絡(luò)中的普通卷積為CoordConv，增強(qiáng)了模型對(duì)目標(biāo)位置信息的獲取能力,；引入CBAM注意力機(jī)制,，提升了模型對(duì)目標(biāo)區(qū)域的關(guān)注度；采用Slim-neck減少了計(jì)算量并增強(qiáng)了特征處理能力,；引入Soft-NMS算法優(yōu)化相鄰目標(biāo)邊框篩選,，減少漏檢,。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的YOLO v5s模型在水稻害蟲數(shù)據(jù)集上的平均精度均值達(dá)到94.3%,，相比原模型提升3.8個(gè)百分點(diǎn),，比其他主流模型YOLO v3、YOLO R-CSP,、YOLO v7,、YOLO v8s提升1.5、12.7,、13.6,、1.9個(gè)百分點(diǎn)。消融實(shí)驗(yàn)進(jìn)一步驗(yàn)證了改進(jìn)模型中各個(gè)組件的有效性,。熱力圖分析也體現(xiàn)了改進(jìn)模型能夠更好地學(xué)習(xí)害蟲特征,。綜上，本文提出的改進(jìn)YOLO v5s模型在提高水稻害蟲檢測(cè)精度方面取得了顯著成效,，為防控水稻蟲害提供了一種精確的識(shí)別方法,。

摘要:深度學(xué)習(xí)在玉米病害識(shí)別領(lǐng)域應(yīng)用廣泛并取得了較好的效果,，但存在低分辨率條件下訓(xùn)練效果差的問題,，本文提出一種基于超分辨率生成對(duì)抗網(wǎng)絡(luò)的玉米病害分類識(shí)別模型。為了實(shí)現(xiàn)低分辨率玉米病斑圖像到高分辨率圖像的恢復(fù),，提出基于雙注意力機(jī)制的增強(qiáng)型超分辨率生成對(duì)抗網(wǎng)絡(luò)模型,，該模型生成的高分辨率重建圖像與其他超分辨率圖像重建模型相比，峰值信噪比（Peak signal-to-noise ratio,，PSNR）和結(jié)構(gòu)相似性指數(shù)（Structural similarity index measure,，SSIM）平均提升2.1dB和0.049；與4種不同的分類網(wǎng)絡(luò)的結(jié)合,，準(zhǔn)確率均高于低分辨率圖像,，平均提升28.1個(gè)百分點(diǎn)。在模型對(duì)比及消融可視化實(shí)驗(yàn)中,，模型識(shí)別玉米病斑準(zhǔn)確率平均超出其它模型1.3個(gè)百分點(diǎn)，精確率達(dá)到97.8%,。實(shí)驗(yàn)結(jié)果表明,，雙注意力機(jī)制的加入和損失函數(shù)的改變?cè)黾恿四Ｐ蛯?duì)高頻特征的恢復(fù)能力和穩(wěn)健性，提高了玉米葉片病斑分類識(shí)別率,，可為農(nóng)作物定點(diǎn)監(jiān)測(cè)或無(wú)人機(jī)田間監(jiān)測(cè)中低分辨率葉片病害圖像的精準(zhǔn)識(shí)別提供參考,。

摘要:為提高果樹害蟲識(shí)別效果，及時(shí)做好防治措施,，本研究以6種對(duì)果樹危害程度較大的害蟲為研究對(duì)象,，針對(duì)自然環(huán)境下果樹害蟲識(shí)別背景復(fù)雜、害蟲目標(biāo)小檢測(cè)難度大,、與不同類別間特征相似度高等問題,，提出一種改進(jìn)的輕量化MobileViT-PC-ASPP識(shí)別模型。該模型用PConv（Partial convolution）模塊代替原模型MobileViT模塊中部分標(biāo)準(zhǔn)卷積模塊,，其次修改MobileViT模塊的特征融合策略,，將輸入特征、局部表達(dá)特征,、全局表達(dá)特征進(jìn)行拼接融合,；刪除網(wǎng)絡(luò)第10層MV2模塊和第11層MobileViT模塊，使用改進(jìn)空洞空間池化金字塔（Atrous spatial pyramid pooling,，ASPP）模塊進(jìn)行代替,，形成多尺度融合特征；此外,，模型用SiLU激活函數(shù)代替ReLU6激活函數(shù)進(jìn)行計(jì)算,，最后基于ImageNet數(shù)據(jù)集進(jìn)行遷移學(xué)習(xí)。實(shí)驗(yàn)結(jié)果表明,，6類果樹害蟲圖像識(shí)別準(zhǔn)確率達(dá)93.77%,，參數(shù)量為8.40×10.5，與改進(jìn)前相比,，識(shí)別準(zhǔn)確率提高7.5個(gè)百分點(diǎn),，參數(shù)量降低33.86%；與常用害蟲CNN識(shí)別模型AlexNet,、ResNet50,、MobileNetV2、ShuffleNetV2相比識(shí)別準(zhǔn)確率分別提高8.25,、4.78,、7.27、7.41個(gè)百分點(diǎn),，參數(shù)量分別減少6.03×10.7,、2.48×107、2.66×106、5.30×105,；與Transformer識(shí)別模型ViT,、Swin Transfomer相比識(shí)別準(zhǔn)確率分別提高19.03、9.8個(gè)百分點(diǎn),，參數(shù)量分別減少8.56×107,、2.75×107。本研究適合部署在移動(dòng)終端等有限資源環(huán)境,，并且有助于實(shí)現(xiàn)對(duì)復(fù)雜背景下小目標(biāo)果樹害蟲進(jìn)行識(shí)別檢測(cè),。

摘要:針對(duì)蘋果葉片疾病形態(tài)多樣,、分布密集，導(dǎo)致檢測(cè)精度不高的問題,，提出了一種改進(jìn)的YOLO v7模型,。首先，用雙向特征金字塔網(wǎng)絡(luò)（BiFPN）替代YOLO v7中原有的特征融合方法,，以提高模型對(duì)蘋果葉片上不同尺度病害的檢測(cè)能力,。其次，在YOLO v7的ELAN和E-ELAN模塊之后,，增加高效通道注意力機(jī)制（ECA）,，以增強(qiáng)模型對(duì)蘋果葉片病害特征的提取能力，并提高檢測(cè)精度,。最后,，將YOLO v7的損失函數(shù)改為SIOU損失函數(shù)，以加快模型的收斂速度,。實(shí)驗(yàn)結(jié)果表明：改進(jìn)YOLO v7模型精確率為89.4%,，召回率為81.5%，[email protected]為90.5%,，[email protected]為62.1%,，與原始YOLO v7模型相比，分別提高4.9,、5.2,、3.5、4.6個(gè)百分點(diǎn),。改進(jìn)YOLO v7模型與Faster R-CNN,、SSD,、YOLO v3、YOLO v5s,、YOLO v7模型相比，[email protected]分別提升40.9,、20.3,、4.0、2.3,、3.5個(gè)百分點(diǎn),，單幅圖像檢測(cè)時(shí)間為12ms。

摘要:為進(jìn)一步提高葡萄病害識(shí)別精度及速度，本文對(duì)YOLO v8模型進(jìn)行了改進(jìn),。首先,，引入GhostNetV2主干特征提取網(wǎng)絡(luò)，提高模型特征提取能力和識(shí)別性能,。其次,，嵌入SPPFCSPC金字塔池化，在保持感受野不變的情況下取得速度上的提升,。再次,，添加GAM-Attention注意力機(jī)制，減小信息縮減并放大特征信息,，加快識(shí)別速度,。最后，使用Focal-EIoU作為損失函數(shù),，使檢測(cè)模型邊界框回歸性能得到提升,，最終形成葡萄葉片病害識(shí)別模型YOLO v8-GSGF(YOLO v8+GhostNetV2+SPPFCSPC+GAM-Attention+Focal-EIoU)。經(jīng)識(shí)別試驗(yàn)驗(yàn)證,，YOLO v8-GSGF模型識(shí)別精度可達(dá)97.1%,，推理時(shí)間為45.3ms，對(duì)各葡萄病害都能做到高精度識(shí)別,。消融試驗(yàn)結(jié)果表明,，各項(xiàng)改進(jìn)均對(duì)模型識(shí)別性能有提升效果，其中,，GhostNetV2主干網(wǎng)絡(luò)對(duì)模型提升效果最為明顯,。YOLO v8-GSGF模型在消融試驗(yàn)中識(shí)別精度可達(dá)98.2%及推理時(shí)間為43.7ms，與原YOLO v8模型相比提升8.6個(gè)百分點(diǎn)及20.4ms，改進(jìn)效果明顯,，可視化圖更加直觀地證明YOLO v8-GSGF模型可靠以及性能優(yōu)越,。與目前主流識(shí)別模型相比，YOLO v8-GSGF模型有更好的表現(xiàn),，識(shí)別精度和速度都更優(yōu),，曲線圖也直觀地表明YOLO v8-GSGF模型性能優(yōu)越，改進(jìn)效果顯著,，能夠滿足葡萄果園病害識(shí)別的需求,。

摘要:奶牛臉部關(guān)鍵點(diǎn)檢測(cè)在牛場(chǎng)智能化中發(fā)揮著重要的作用,，它可以幫助實(shí)現(xiàn)牛臉識(shí)別,、牛臉對(duì)齊、頭部動(dòng)作檢測(cè)與行為識(shí)別等,。針對(duì)目前奶牛養(yǎng)殖環(huán)境中存在牛臉遮擋,、弱光照等問題，提出了一種改進(jìn)的YOLO v7-Pose網(wǎng)絡(luò)模型的算法,，可用于牛臉關(guān)鍵點(diǎn)檢測(cè)和頭部姿態(tài)識(shí)別,。首先通過(guò)網(wǎng)絡(luò)相機(jī)在牛場(chǎng)獲取奶牛臉部圖像并構(gòu)建數(shù)據(jù)集。其次,，在YOLO v7-Pose網(wǎng)絡(luò)模型中引入SPPFCSPCL結(jié)構(gòu),，以提高奶牛臉部關(guān)鍵點(diǎn)的特征提取能力；將關(guān)鍵點(diǎn)檢測(cè)的損失函數(shù)OKS替換為WingLoss損失函數(shù),，增加奶牛臉部關(guān)鍵點(diǎn)的檢測(cè)精度,；最后，使用L1范數(shù)對(duì)改進(jìn)的模型剪枝,，使改進(jìn)后的網(wǎng)絡(luò)模型參數(shù)量降低,。試驗(yàn)結(jié)果表明：改進(jìn)模型YOLO v7-SCLWL-Pose檢測(cè)牛臉關(guān)鍵點(diǎn)較原模型AP提升5個(gè)百分點(diǎn)，AP0.5提升2.7個(gè)百分點(diǎn),，改進(jìn)后模型內(nèi)存占用量?jī)H為106.7MB,，減少33.6%。將本文關(guān)鍵點(diǎn)檢測(cè)用于姿態(tài)識(shí)別,，試驗(yàn)結(jié)果對(duì)抬頭和低頭等動(dòng)作的識(shí)別準(zhǔn)確率達(dá)到95.5%和86.5%,。本研究為牧場(chǎng)奶牛行為識(shí)別提供了支撐技術(shù),。

摘要:隨著智慧牧業(yè)的高速發(fā)展,，牛臉識(shí)別已成為牛場(chǎng)智能化養(yǎng)殖的關(guān)鍵,，但現(xiàn)實(shí)應(yīng)用場(chǎng)景中牛臉遮擋問題較為嚴(yán)重，影響識(shí)別系統(tǒng)的性能,。為此，提出一種遮擋物分割輔助牛臉識(shí)別的全新雙分支網(wǎng)絡(luò)結(jié)構(gòu),。首先設(shè)計(jì)一種改進(jìn)的輕量級(jí)U-Net遮擋物分割模型,，通過(guò)加入深度可分離卷積和多尺度混合池化模塊，有效提高分割網(wǎng)絡(luò)對(duì)遮擋物的分割性能,。為更好地衰減遮擋物對(duì)牛臉識(shí)別性能的影響,，引入一種多級(jí)掩膜生成單元。以不同層級(jí)的遮擋分割為輸入,，構(gòu)建識(shí)別網(wǎng)絡(luò)不同階段所對(duì)應(yīng)的掩膜,，通過(guò)掩膜運(yùn)算在特征提取的各階段有效消除遮擋造成的損壞特征信息。最后在自制數(shù)據(jù)集上進(jìn)行算法有效性和實(shí)時(shí)性驗(yàn)證,，并與多種最新的典型識(shí)別算法進(jìn)行對(duì)比,。實(shí)驗(yàn)結(jié)果表明，本文算法在遮擋牛臉數(shù)據(jù)集上平均準(zhǔn)確率達(dá)86.34%,，識(shí)別速度為54f/s,，且在不同程度遮擋的場(chǎng)景下，識(shí)別效果均優(yōu)于FaceNet網(wǎng)絡(luò),。

摘要:在大規(guī)模的肉雞養(yǎng)殖場(chǎng)中,，肉雞行為通常由飼養(yǎng)員或?qū)I(yè)獸醫(yī)觀察和分析，以確定肉雞健康狀況和養(yǎng)殖環(huán)境狀態(tài),。然而這種方法耗時(shí)且主觀,。此外，在籠養(yǎng)環(huán)境中,，由于雞只的高密度和嚴(yán)重的互相遮擋,，行為的視覺特征不明顯，傳統(tǒng)的檢測(cè)算法不能準(zhǔn)確地識(shí)別雞只的行為特征,。因此,，本文提出一種改進(jìn)的籠養(yǎng)白羽肉雞行為檢測(cè)的目標(biāo)檢測(cè)算法,。所提出的算法由2個(gè)模塊組成：多尺度細(xì)節(jié)特征融合模塊（MDF)和目標(biāo)關(guān)系推理模塊（ORI)。多尺度細(xì)節(jié)特征模塊充分利用和提取網(wǎng)絡(luò)淺層特征映射中包含的多尺度細(xì)節(jié)特征,，并將它們?nèi)诤系截?fù)責(zé)相應(yīng)尺度檢測(cè)的特征映射中,，實(shí)現(xiàn)細(xì)節(jié)特征的有效傳輸和補(bǔ)充。目標(biāo)關(guān)系推理模塊充分利用對(duì)象之間的位置關(guān)系進(jìn)行推理和判斷,，使模型能更充分地利用對(duì)象之間的潛在關(guān)系來(lái)輔助檢測(cè),。為驗(yàn)證所提出算法的有效性，在目標(biāo)檢測(cè)領(lǐng)域具有權(quán)威性的COCO公共數(shù)據(jù)集以及真實(shí)的大規(guī)?；\養(yǎng)白羽肉雞養(yǎng)殖環(huán)境中自建的行為檢測(cè)數(shù)據(jù)集上進(jìn)行大量對(duì)比實(shí)驗(yàn),。實(shí)驗(yàn)結(jié)果表明，與其他最先進(jìn)的模型相比,，本文所提出的改進(jìn)算法在COCO數(shù)據(jù)集和自建數(shù)據(jù)集上均達(dá)到最佳識(shí)別準(zhǔn)確率,；對(duì)喂食、飲水,、移動(dòng)和張嘴等影響肉雞健康狀況較為重要的行為進(jìn)行檢測(cè),，識(shí)別精度分別達(dá)99.6%、98.7%,、99.2%和98.3%,。

摘要:家禽行為與其生理狀態(tài)密切相關(guān),，可利用行為數(shù)據(jù)對(duì)家禽健康狀況進(jìn)行評(píng)估,。統(tǒng)計(jì)個(gè)體行為數(shù)據(jù)需要進(jìn)行蛋雞行為識(shí)別和個(gè)體身份識(shí)別，針對(duì)行為識(shí)別過(guò)程中,，蛋雞體型小,、聚集遮擋，養(yǎng)殖環(huán)境光照變化等因素導(dǎo)致的蛋雞有效特征表達(dá)不足,，個(gè)體行為識(shí)別效果不理想問題,，基于YOLO v8n網(wǎng)絡(luò)構(gòu)建行為識(shí)別模型，同時(shí)融合ODConv,、GhostBottleneck,、GAM注意力和Inner-IoU結(jié)構(gòu)，通過(guò)減少圖像特征丟失,，放大全局交互信息,，融合跨階段特征，增強(qiáng)特征提取及泛化能力對(duì)模型進(jìn)行改進(jìn),，提升了蛋雞采食,、飲水,、站立、整理羽毛,、俯身搜索5種行為的識(shí)別精度,。同時(shí)基于YOLO v8n模型構(gòu)建了個(gè)體身份識(shí)別網(wǎng)絡(luò)，并通過(guò)引入MobileNetV3模塊對(duì)個(gè)體身份識(shí)別網(wǎng)絡(luò)模型進(jìn)行優(yōu)化,，提升了個(gè)體行為數(shù)據(jù)統(tǒng)計(jì)效率,。試驗(yàn)結(jié)果表明，優(yōu)化后行為識(shí)別模型對(duì)采食,、飲水,、站立、整理羽毛,、俯身搜索行為識(shí)別平均精度(AP)分別達(dá)到94.4%,、93.0%、90.7%,、91.7%、86.9%,，平均精度均值(mAP)達(dá)到91.4%,，與YOLO v5n、YOLO v6n,、YOLO v7-tiny,、YOLO v8n相比，平均精度均值(mAP)分別提高4.8,、4.1,、5.5、3.5個(gè)百分點(diǎn),；個(gè)體身份識(shí)別模型參數(shù)量和運(yùn)算量與YOLO v8n模型相比,，減少1.9651×106和6.1×109。通過(guò)分析蛋雞行為數(shù)據(jù)發(fā)現(xiàn),，行為數(shù)據(jù)與溫度及蛋雞個(gè)體本身有關(guān),，溫度降低時(shí)，采食,、站立次數(shù)增加,，飲水次數(shù)減少，整理羽毛,、俯身搜索次數(shù)幾乎無(wú)變化,，相同溫度下，不同蛋雞個(gè)體的行為數(shù)據(jù)差異較大,，且差異值與蛋雞體型有關(guān),。試驗(yàn)結(jié)果為依據(jù)行為數(shù)據(jù)評(píng)判蛋雞健康狀況,、養(yǎng)殖場(chǎng)精準(zhǔn)養(yǎng)殖及蛋雞個(gè)體優(yōu)選奠定了基礎(chǔ)。

摘要:利用機(jī)器視覺技術(shù)識(shí)別水下河蟹目標(biāo)是實(shí)現(xiàn)河蟹養(yǎng)殖裝備智能化的有效途徑之一,。針對(duì)水下環(huán)境目標(biāo)識(shí)別困難,、河蟹包含特征信息少、主流的目標(biāo)檢測(cè)模型復(fù)雜度高等問題,，在YOLO v5s的基礎(chǔ)上提出了一種適用于水下環(huán)境的輕量級(jí)河蟹識(shí)別模型GC-YOLO v5s（GhostNetV2-CBAM-YOLO v5s）,。利用改進(jìn)的圖像增強(qiáng)算法對(duì)水下河蟹圖像進(jìn)行預(yù)處理以改善其質(zhì)量；為降低模型復(fù)雜度,，提出了基于 GhostNetV2的G3模塊以改進(jìn)模型的特征提取網(wǎng)絡(luò),，并利用幻影卷積進(jìn)一步輕量化模型；為了優(yōu)化模型的河蟹特征學(xué)習(xí)能力,，在Neck層和Head層之間引入卷積塊注意力模塊（Convolution block attention module,，CBAM）。實(shí)驗(yàn)結(jié)果表明,，該模型測(cè)試集的平均精度均值（Mean average precision,，mAP）、召回率和精確率分別為95.61%,、97.03%和96.94%,，較YOLO v5s分別提升2.80、2.25,、2.28個(gè)百分點(diǎn),；而GC-YOLO v5s的參數(shù)量、浮點(diǎn)運(yùn)算量和模型內(nèi)存占用量?jī)H為YOLO v5s的69.1%,、56.3%和58.3%,。通過(guò)實(shí)驗(yàn)對(duì)比，該模型在識(shí)別精度和模型復(fù)雜度上優(yōu)于其他主流目標(biāo)檢測(cè)模型,；識(shí)別速度僅次于YOLO v5s,，可達(dá)到104f/s。

摘要:為實(shí)現(xiàn)水下復(fù)雜環(huán)境下鮭魚的快速準(zhǔn)確識(shí)別,，提出一種基于YOLO v7輕量化的鮭魚檢測(cè)模型YOLO v7-CSMRep。首先，采用Stem模塊合并Backbone層的前4個(gè)卷積操作,，有效降低了模型計(jì)算量,。其次，使用多尺度重參數(shù)化（Multidirectional reparameterization, MRep）模塊替代YOLO v7的ELAN和ELAN-H模塊,，增強(qiáng)了單向特征提取能力,，同時(shí)大幅減少參數(shù)量和計(jì)算量。最后,，在Backbone層末端集成卷積塊注意力模塊（Convolutional block attention module, CBAM）,，提升網(wǎng)絡(luò)空間和通道特征提取能力。試驗(yàn)結(jié)果表明,，改進(jìn)后模型內(nèi)存占用量,、參數(shù)量和計(jì)算量分別降低4.28%、5.29%,、31.30%,，F(xiàn)1值、mAP0.5分別提高0.5,、0.7個(gè)百分點(diǎn),，分別達(dá)到93.1%、97.1%,，幀率提高15.41%,，達(dá)到140.8f/s。對(duì)比YOLO v5s,、YOLO v6s、YOLO v7,、YOLO v7-tiny,、YOLO v8s模型，mAP0.5分別提高1.0,、2.0,、0.7、0.8,、1.2個(gè)百分點(diǎn),。因此，本文提出的方法能夠快速而準(zhǔn)確地識(shí)別鮭魚,，可為深遠(yuǎn)海養(yǎng)殖生物量監(jiān)測(cè)提供技術(shù)支撐,。

摘要:水下生物目標(biāo)檢測(cè)是實(shí)現(xiàn)水下機(jī)器人自動(dòng)化捕撈的關(guān)鍵性技術(shù),。針對(duì)水下生物目標(biāo)檢測(cè)任務(wù)中存在的目標(biāo)重疊,、遮擋以及目標(biāo)尺度小而導(dǎo)致的誤檢、漏檢等問題,，提出了一種基于改進(jìn)YOLO v8n的水下生物目標(biāo)檢測(cè)算法FDC-YOLO v8,。首先,，在主干網(wǎng)絡(luò)中使用融合可變形卷積網(wǎng)絡(luò)的FDC模塊，以增強(qiáng)模型特征提取能力,，提升其提取特征的豐富度,。其次，引入融合分?jǐn)?shù)階傅里葉變換和空間注意力機(jī)制的FrSAConv模塊,，進(jìn)一步分離多樣目標(biāo)特征,，增強(qiáng)模型對(duì)多種特征的感知能力。最后,，引入Wise-IoU損失函數(shù)作為模型邊界框損失函數(shù),，以更好地解決目標(biāo)不平衡以及尺度差異的問題。使用RUIE數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),，水下生物包括海膽,、海星、海參,、扇貝,。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的FDC-YOLO v8的平均精度均值達(dá)到85.3%,，較基準(zhǔn)模型提升2.6個(gè)百分點(diǎn),，推理速度達(dá)到769f/s，在目標(biāo)重疊,、遮擋以及小尺度目標(biāo)的水下生物目標(biāo)檢測(cè)中有更好的表現(xiàn),。

摘要:魚群攝食的精準(zhǔn)投喂技術(shù)是實(shí)現(xiàn)智慧化水產(chǎn)養(yǎng)殖的一項(xiàng)關(guān)鍵技術(shù),。大多數(shù)精準(zhǔn)投喂模型都是基于水質(zhì)較清晰的室內(nèi)養(yǎng)殖池,，不太適用于開放式養(yǎng)殖環(huán)境。本研究通過(guò)水上視角采集構(gòu)建了一套開放式池塘數(shù)據(jù)集,，并對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)增加其多樣性,，然后在輕量化神經(jīng)網(wǎng)絡(luò)MobileViT基礎(chǔ)上，將CBAM注意力模塊與MV2模塊結(jié)合設(shè)計(jì)了CBAM-MV2模塊,，并嵌入BiLSTM循環(huán)神經(jīng)網(wǎng)絡(luò)用于識(shí)別分類,，提出改進(jìn)的MobileViT-CBAM-BiLSTM模型，提高了模型預(yù)測(cè)能力,、魯棒性和泛化性能,，實(shí)現(xiàn)了魚群攝食行為的三分類。實(shí)驗(yàn)結(jié)果顯示，改進(jìn)后MobileViT在采集的視頻幀數(shù)據(jù)集上明顯優(yōu)于改進(jìn)前的MobileViT,，準(zhǔn)確率98.61%,，宏F1值達(dá)98.79%，相對(duì)于原始MobileViT準(zhǔn)確率提高6.33個(gè)百分點(diǎn),，宏F1值提高6.75個(gè)百分點(diǎn),。

摘要:植株表型參數(shù)是描述植物形態(tài),、結(jié)構(gòu)和生理特征的定量化指標(biāo)，可揭示植物生長(zhǎng)規(guī)律,，以及與環(huán)境因素之間的關(guān)系?，F(xiàn)有的人工測(cè)量和激光雷達(dá)點(diǎn)云植株表型參數(shù)提取方法存在數(shù)據(jù)誤差大、易損傷植株,、成本高和數(shù)據(jù)量大等問題,。為此，本文提出了一種基于YOLO v8和CycleGAN的紅掌植株表型參數(shù)自動(dòng)提取方法,，利用雙重注意力機(jī)制CBAM改進(jìn)YOLO v8,，提高模型特征提取能力，對(duì)紅掌植株葉片進(jìn)行檢測(cè)與分割,；通過(guò)Grabcut算法去除分割后圖像背景區(qū)域特征,，并利用VGG模型對(duì)其進(jìn)行分類，分出完整型紅掌植株葉片和缺失型紅掌植株葉片,；在CycleGAN的生成器中引入雙重注意力機(jī)制和特征金字塔,，提高模型多尺度特征的提取能力，引入SmoohL1損失函數(shù),，提升模型穩(wěn)定性，對(duì)缺失型紅掌植株葉片進(jìn)行修復(fù),；提出一種表型參數(shù)提取算法（Phenotypic parameters extraction algorithms,，PPEA），實(shí)現(xiàn)對(duì)紅掌植株葉長(zhǎng),、葉寬和葉面積的自動(dòng)提取,。以650幅自建數(shù)據(jù)集為例，對(duì)上述方法進(jìn)行了比較與分析,，實(shí)驗(yàn)結(jié)果證明,，本文方法在紅掌植株表型參數(shù)自動(dòng)提取方面具有良好的效果。

摘要:現(xiàn)代果園機(jī)器人面臨復(fù)雜環(huán)境,、光線多變和非結(jié)構(gòu)化環(huán)境等問題，需要高效處理大量環(huán)境信息,，而傳統(tǒng)順序執(zhí)行多個(gè)單一任務(wù)的算法受到計(jì)算能力的限制,，難以滿足現(xiàn)代果園機(jī)器人的需求。本文針對(duì)火龍果園環(huán)境中自動(dòng)駕駛機(jī)器人處理多任務(wù)時(shí)所面臨的實(shí)時(shí)性和準(zhǔn)確性要求,，基于YOLOP模型引入了焦點(diǎn)融合高效卷積模塊,，并采用C2F和SPPF模塊，同時(shí)優(yōu)化了分割任務(wù)的損失函數(shù),，從而構(gòu)建出OrchardYOLOP模型,。實(shí)驗(yàn)結(jié)果表明，在目標(biāo)檢測(cè)任務(wù)上的精確度達(dá)到84.1%,；在可行駛區(qū)域分割任務(wù)上的mIoU達(dá)到89.7%,；在果樹區(qū)域分割任務(wù)上的mIoU提高到90.8%；推理速度達(dá)到33.33f/s,，而參數(shù)量?jī)H有9.67×106,。與YOLOP模型相比，不僅在速度上滿足了實(shí)時(shí)性要求,，而且準(zhǔn)確性上也有顯著提升,。這解決了火龍果園多任務(wù)視覺感知中的關(guān)鍵問題，為非結(jié)構(gòu)化環(huán)境下的多任務(wù)自動(dòng)駕駛視覺感知提供了一種有效的解決方案,。

摘要:為實(shí)現(xiàn)三七聯(lián)合收獲作業(yè)過(guò)程中的自適應(yīng)分級(jí)輸送和收獲狀態(tài)實(shí)時(shí)監(jiān)測(cè)，本文針對(duì)三七根土復(fù)合體特征和復(fù)雜田間收獲工況,，提出一種基于YOLO v8s并適用于Jetson Nano端部署的三七目標(biāo)檢測(cè)方法,。在YOLO v8s對(duì)三七準(zhǔn)確識(shí)別的基礎(chǔ)上，針對(duì)其新的模型結(jié)構(gòu)特性,，利用通道剪枝算法,，制定相應(yīng)剪枝策略，保證模型精度的同時(shí)提升實(shí)時(shí)檢測(cè)性能,。采用TensorRT推理加速框架將改進(jìn)模型部署至Jetson Nano,，實(shí)現(xiàn)了三七目標(biāo)檢測(cè)模型的靈活部署,。試驗(yàn)結(jié)果表明，改進(jìn)后的PN-YOLO v8s-Pruned模型在主機(jī)端的平均精度均值為93.71%,，參數(shù)量,、計(jì)算量、模型內(nèi)存占用量分別為原始模型的39.75%,、57.69%,、40.25%，檢測(cè)速度提升44.26%,，與其他目標(biāo)檢測(cè)模型相比,，本文改進(jìn)模型在計(jì)算復(fù)雜度、檢測(cè)精度和實(shí)時(shí)性方面具有更好的綜合檢測(cè)性能,。在Jetson Nano端部署后,，改進(jìn)模型檢測(cè)速度達(dá)18.9f/s，較加速前提升2.7倍,，較原始模型提升5.8f/s,。臺(tái)架試驗(yàn)結(jié)果表明，4種輸送分離收獲作業(yè)工況下三七目標(biāo)檢測(cè)的平均精度均值達(dá)87%以上,，不同輸送分離收獲作業(yè)工況和不同流量等級(jí)下的目標(biāo)三七計(jì)數(shù)平均正確率分別達(dá)92.61%,、91.76%。田間試驗(yàn)結(jié)果表明,，三七目標(biāo)檢測(cè)平均精度均值達(dá)84%,，計(jì)數(shù)平均正確率達(dá)88.11%，圖像推理速度達(dá)31.0f/s,。模型檢測(cè)性能和計(jì)數(shù)效果能夠滿足復(fù)雜田間收獲工況下目標(biāo)三七的檢測(cè)需求,，可為基于邊緣計(jì)算設(shè)備的三七聯(lián)合收獲作業(yè)自適應(yīng)分級(jí)輸送系統(tǒng)和收獲作業(yè)質(zhì)量監(jiān)測(cè)系統(tǒng)提供技術(shù)支撐。

摘要:玉米制種田遺漏雄穗檢測(cè)是實(shí)現(xiàn)人工去雄質(zhì)量評(píng)估的關(guān)鍵。針對(duì)現(xiàn)有玉米雄穗檢測(cè)模型面臨的參數(shù)量大,、檢測(cè)效率低和精度差等問題,，提出一種基于RTMDet-tiny的輕量級(jí)雄穗檢測(cè)模型MLCE-RTMDet。模型采用輕量級(jí)的MobileNetv3作為主干特征提取網(wǎng)絡(luò),，有效降低模型參數(shù)量；在特征提取網(wǎng)絡(luò)中引入CBAM注意力模塊,，增強(qiáng)對(duì)雄穗目標(biāo)的多尺度特征提取能力,，克服引入輕量化網(wǎng)絡(luò)可能帶來(lái)的性能損失,。同時(shí)，使用EIOU Loss替代GIOU Loss,，進(jìn)一步提高雄穗檢測(cè)精度,。在自建數(shù)據(jù)集上的試驗(yàn)表明，改進(jìn)的MLCE-RTMDet模型參數(shù)量縮減至3.9×106,，浮點(diǎn)運(yùn)算數(shù)降至5.3×109,，參數(shù)量和浮點(diǎn)運(yùn)算數(shù)分別比原模型減少20.4%和34.6%。測(cè)試集上模型平均精度均值增至92.2%,，較原模型提高1.2個(gè)百分點(diǎn),；同時(shí)，推理速度達(dá)到41.9f/s,，增幅達(dá)12.6%,。與YOLO v6、YOLO v8,、YOLO X等當(dāng)前主流模型相比,，MLCE-RTMDet表現(xiàn)出更好的綜合檢測(cè)性能。改進(jìn)后的高精度輕量化模型可為實(shí)現(xiàn)玉米制種田人工去雄后的遺漏雄穗檢測(cè)提供技術(shù)支撐,。

摘要:葉脈作為植物的重要特征,，包含生理和遺傳信息,，針對(duì)復(fù)雜葉面紋理狀態(tài)下的細(xì)小葉脈邊緣分割模糊、分割精度低等問題,，以煙葉為研究對(duì)象,，提出了一種GAN-SA-UNet葉脈分割算法。通過(guò)高光譜成像技術(shù)獲取葉脈與葉面光譜信息,，并利用主成分分析（Principal component analysis,，PCA）對(duì)其進(jìn)行降維，得到合成圖,。在此基礎(chǔ)上,，引入空間注意力機(jī)制，捕捉關(guān)鍵的空間特征,，提高分割精度,，同時(shí)引入對(duì)抗網(wǎng)絡(luò)，優(yōu)化生成結(jié)果,，提高葉脈分割的魯棒性,。結(jié)果表明：葉脈與葉面光譜PCA前3個(gè)主成分解釋率達(dá)到95.71%,，二者降維后的光譜特征表現(xiàn)出明顯的可分性，前3個(gè)主成分合成圖能夠凸顯葉面與葉脈之間的差異,，突出葉脈特征,。GAN-SA-UNet分割算法能夠捕捉復(fù)雜葉面紋理圖像的脈絡(luò)特征，分割準(zhǔn)確率和交并比分別達(dá)98.93%和66.23%,，與原模型相比,，分別提高0.18個(gè)百分點(diǎn)和4.21個(gè)百分點(diǎn)，單幅圖像推理時(shí)間為4ms,。在對(duì)不同產(chǎn)地,、部位、等級(jí),、類型煙葉驗(yàn)證測(cè)試中表現(xiàn)出較強(qiáng)的泛化能力和高效準(zhǔn)確的識(shí)別能力,。

摘要:農(nóng)業(yè)履帶底盤具有接地比壓小,、爬坡越障性能好、轉(zhuǎn)彎?rùn)C(jī)動(dòng)靈活等優(yōu)點(diǎn),，已經(jīng)廣泛應(yīng)用于耕,、種、管,、收,、運(yùn)等農(nóng)業(yè)生產(chǎn)的各個(gè)環(huán)節(jié)，并逐步向自動(dòng)化,、智能化的方向發(fā)展,。本文從農(nóng)業(yè)履帶底盤應(yīng)用情況、穩(wěn)定性理論及控制技術(shù),、驅(qū)動(dòng)系統(tǒng)與轉(zhuǎn)向技術(shù),、自主導(dǎo)航與智能控制技術(shù)以及農(nóng)業(yè)履帶底盤-土壤互作理論等方面闡述國(guó)內(nèi)外的研究成果，著重歸納總結(jié)穩(wěn)定調(diào)平,、高效傳動(dòng),、平穩(wěn)轉(zhuǎn)向、自主駕駛等技術(shù)在農(nóng)業(yè)履帶底盤上應(yīng)用的進(jìn)展,，并結(jié)合不同作業(yè)環(huán)節(jié)闡明了農(nóng)業(yè)履帶底盤在相關(guān)領(lǐng)域應(yīng)用的特點(diǎn),，最后根據(jù)我國(guó)當(dāng)前以及未來(lái)農(nóng)業(yè)履帶底盤的需求，從加強(qiáng)高穩(wěn)定性行走系統(tǒng)優(yōu)化,、高效傳動(dòng)與靈便轉(zhuǎn)向系統(tǒng)創(chuàng)制,、自主駕駛與智能化管控技術(shù),、履-土系統(tǒng)基礎(chǔ)理論研究等方面對(duì)農(nóng)業(yè)履帶底盤的未來(lái)發(fā)展方向進(jìn)行了展望,。

摘要:針對(duì)蘋果采摘任務(wù)中因自然環(huán)境復(fù)雜造成的機(jī)械臂路徑規(guī)劃時(shí)間長(zhǎng),、效率低、成功率低等問題,，提出一種改進(jìn)的融合切換路徑動(dòng)態(tài)規(guī)劃算法,。該算法以RRT算法為基礎(chǔ)，引入動(dòng)態(tài)閾值的目標(biāo)偏置采樣策略與人工勢(shì)場(chǎng)法,，通過(guò)引力場(chǎng)與斥力場(chǎng)改變新節(jié)點(diǎn)的生成位置,，增加采樣的目的性并提高收斂速度；在斥力勢(shì)場(chǎng)系數(shù)中引入相對(duì)距離,，通過(guò)與目標(biāo)點(diǎn)之間的距離來(lái)克服目標(biāo)不可達(dá)的問題,；為增強(qiáng)算法的魯棒性，設(shè)定閾值劃分區(qū)域空間,，根據(jù)當(dāng)前節(jié)點(diǎn)所在位置動(dòng)態(tài)切換至FGA-RRT(Failure-guided adaptive sampling region RRT algorithm)算法搜索,，解決狹窄通道的問題，提高規(guī)劃成功率,；基于貪心算法對(duì)所得路徑樹進(jìn)行優(yōu)化處理,，去除冗余節(jié)點(diǎn)，進(jìn)一步縮短路徑長(zhǎng)度并優(yōu)化路徑平滑度,，保證采摘機(jī)械臂運(yùn)動(dòng)的平穩(wěn)性,。分別對(duì)RRT算法、RRT*算法,、GB-RRT算法,、普通融合算法和改進(jìn)的融合切換算法，在簡(jiǎn)單障礙,、狹窄通道,、復(fù)雜障礙以及簡(jiǎn)單三維空間等不同環(huán)境中進(jìn)行仿真分析，結(jié)果表明：改進(jìn)的融合切換算法在不同環(huán)境中都具有良好的適應(yīng)性,，規(guī)劃效率高,，迭代次數(shù)少，路徑質(zhì)量高,?；诹珠g蘋果園生長(zhǎng)環(huán)境,，搭建6自由度機(jī)械臂仿真實(shí)驗(yàn)室環(huán)境，進(jìn)行避障采摘路徑規(guī)劃試驗(yàn),，改進(jìn)的融合切換算法采摘效率比RRT算法提升74.74%,，路徑長(zhǎng)度減少32.03%，采摘成功率提高8個(gè)百分點(diǎn),。試驗(yàn)結(jié)果表明本文算法在多變的蘋果采摘場(chǎng)景中有更強(qiáng)的搜索能力,。

摘要:針對(duì)現(xiàn)有激振器輸出的激振力幅值和頻率無(wú)法獨(dú)立可調(diào)，造成激振力的幅值和頻率無(wú)法同時(shí)滿足林果振動(dòng)采收需求的問題,，利用TRIZ理論構(gòu)建出激振器與果樹物質(zhì)-場(chǎng)模型,。根據(jù)物質(zhì)-場(chǎng)模型和物理沖突解決問題的方法，獲得偏心塊式激振器激振力振幅和頻率獨(dú)立可調(diào)的偏心塊布局,，提出了四偏心塊激振器和半徑可調(diào)式激振器方案,。并通過(guò)2種激振器設(shè)計(jì)方案的動(dòng)態(tài)性能對(duì)比發(fā)現(xiàn)，半徑可調(diào)式激振器性能更優(yōu),。以柑橘樹為試驗(yàn)對(duì)象,，利用半徑可調(diào)式激振器對(duì)不同的果樹施加3種不同頻率和振幅的激振力。結(jié)果表明增大激振力頻率,，果實(shí)采凈率呈增大趨勢(shì),。同時(shí)激振頻率一定時(shí)，增大激振力幅值,，果實(shí)采凈率也呈增大趨勢(shì),，當(dāng)激振頻率為19Hz、絲杠螺母行程為70mm時(shí),，果實(shí)平均采凈率為86.3%,。通過(guò)試驗(yàn)對(duì)比發(fā)現(xiàn)，激振頻率對(duì)果實(shí)采凈率影響程度大于激振力幅值的影響程度,。半徑可調(diào)式激振器能夠改變激振力幅值,，提高果實(shí)采凈率。同時(shí)半徑可調(diào)式激振器具有幅頻獨(dú)立調(diào)節(jié)特性,，當(dāng)激振力頻率較大時(shí),，降低振幅以夠防止果樹損傷。

摘要:為獲取濱海鹽堿地土壤離散元仿真參數(shù),，以黃三角農(nóng)高區(qū)土壤為例，采用試驗(yàn)與離散元仿真相結(jié)合的方法,，選取EDEM中Hertz-Mindlin with JKR作為仿真接觸模型,，對(duì)土壤離散元參數(shù)進(jìn)行標(biāo)定。通過(guò)Plackett-Burman試驗(yàn)進(jìn)行顯著性分析,，探尋對(duì)土壤堆積角有顯著影響的因素，采用最陡爬坡法進(jìn)一步確定因素取值范圍,，應(yīng)用Box-Behnken試驗(yàn)建立3個(gè)顯著性因素與土壤仿真堆積角的二次多項(xiàng)式回歸模型,，以實(shí)測(cè)土壤堆積角33.6°為目標(biāo)對(duì)回歸模型進(jìn)行尋優(yōu)，得到最優(yōu)組合：土壤-土壤靜摩擦因數(shù)為0.546,、土壤-土壤恢復(fù)系數(shù)為0.358,、JKR模型土壤表面能為3.207J/m2。在最優(yōu)參數(shù)組合條件下,，孔頂外徑和穴孔縱深仿真結(jié)果與試驗(yàn)結(jié)果誤差分別為4.04%和3.47%,，驗(yàn)證了土壤參數(shù)標(biāo)定的準(zhǔn)確性。本文提出的鹽堿地土壤離散元參數(shù)標(biāo)定方法及參數(shù)值,，可為鹽堿地作業(yè)條件下觸土部件與土壤互作的離散元仿真及鹽堿地專用農(nóng)機(jī)具研發(fā)設(shè)計(jì)提供理論基礎(chǔ)與支撐,。

摘要:針對(duì)新疆缺少棉田施肥整地聯(lián)合機(jī)械和施肥量控制精度不高等問題,，設(shè)計(jì)了一種變量施肥整地聯(lián)合作業(yè)機(jī)，可一次性完成耙地,、變量施肥,、平土、碎土和鎮(zhèn)壓等作業(yè),。對(duì)排肥裝置,、雙圓盤開溝機(jī)構(gòu)、缺口耙片組,、碎土與鎮(zhèn)壓組件等關(guān)鍵部件進(jìn)行設(shè)計(jì),，通過(guò)靜力學(xué)分析得到影響其工作性能的關(guān)鍵因素，并確定關(guān)鍵部件結(jié)構(gòu)參數(shù)；基于北斗自動(dòng)導(dǎo)航駕駛系統(tǒng)獲取行駛速度,，并以STM32F405為核心處理器實(shí)現(xiàn)了變量施肥控制,。以各行排肥量一致性、不同行駛速度下施肥量控制精度以及施肥深度合格率作為施肥性能評(píng)價(jià)指標(biāo),，以耙深穩(wěn)定性,、地表平整度標(biāo)準(zhǔn)差、碎土率作為整地性能評(píng)價(jià)指標(biāo),，開展了田間試驗(yàn),。試驗(yàn)結(jié)果表明，當(dāng)排肥軸轉(zhuǎn)速為10~60r/min時(shí),，各行排肥量一致性變異系數(shù)不大于4.27%,；當(dāng)車速為4、7,、10km/h時(shí),，排肥量控制精度不小于96.70%、95.35%和94.14%,；施肥深度合格率為87.04%,；耙深穩(wěn)定性變異系數(shù)不大于5.34%；地表平整度標(biāo)準(zhǔn)差不大于4.69mm,；碎土率為96.16%,。各項(xiàng)指標(biāo)均達(dá)到施肥機(jī)械和整地機(jī)械標(biāo)準(zhǔn)要求。

摘要:播種機(jī)作業(yè)過(guò)程中排種器會(huì)受到非平穩(wěn)隨機(jī)振動(dòng)，對(duì)排種性能產(chǎn)生較大的影響,，對(duì)振動(dòng)信號(hào)采集和分析具有重要意義,，而田間振動(dòng)信號(hào)采集過(guò)程中受到諸多噪聲干擾，難以從中獲取有效的信息,。本文提出了一種結(jié)合蜻蜓算法（Dragonfly algorithm,，DA）、變分模態(tài)分解（Variational mode decomposition,，VMD）和小波閾值的去噪方法,，可通過(guò)不斷迭代更新蜻蜓個(gè)體位置和速度，尋找使得VMD分解效果最優(yōu)的參數(shù)組合,。以仿真得到的時(shí)域隨機(jī)路面信號(hào)為初始信號(hào),，分別采用DA-VMD聯(lián)合小波閾值、小波閾值去噪、經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical mode decomposition,，EMD）,、VMD和小波聯(lián)合EMD方法對(duì)其進(jìn)行去噪處理，結(jié)果表明本文所提出的去噪方法對(duì)非平穩(wěn)隨機(jī)振動(dòng)信號(hào)去噪效果更優(yōu),，去噪后信噪比,、均方根和相關(guān)系數(shù)分別為21.570、0.094和0.833,。采集田間播種過(guò)程不同地表和作業(yè)速度下排種器振動(dòng)信號(hào),，并采用DA-VMD聯(lián)合小波閾值去噪方法對(duì)其進(jìn)行去噪處理，以平滑度,、信號(hào)能量比和噪聲模為評(píng)價(jià)指標(biāo)分析去噪效果,，結(jié)果表明本文所提出方法去噪后信號(hào)更加平滑，信號(hào)能量比和噪聲模更高,，且在不同工況條件下均具有較好的去噪效果,。

摘要:針對(duì)高速免耕播種條件下鎮(zhèn)壓系統(tǒng)穩(wěn)定性難以保障問題，提出鎮(zhèn)壓力主動(dòng)調(diào)控技術(shù)方案,，設(shè)計(jì)了基于電液控制的玉米播種單體鎮(zhèn)壓系統(tǒng),。提出系統(tǒng)總體結(jié)構(gòu)方案，并通過(guò)對(duì)播種單體運(yùn)動(dòng)和鎮(zhèn)壓部件與土壤互作力學(xué)分析,，確定了鎮(zhèn)壓力控制過(guò)程,。完成了電液控制系統(tǒng)設(shè)計(jì)和硬件選型，分別采用AMEsim仿真分析和階躍響應(yīng)試驗(yàn),，開展了液壓執(zhí)行機(jī)構(gòu)和電控系統(tǒng)設(shè)計(jì),，采用自動(dòng)PID控制方式，系統(tǒng)調(diào)節(jié)時(shí)間均值為1.9s,，穩(wěn)態(tài)誤差均值為1.9N,，超調(diào)量均值為2.0%，均明顯優(yōu)于機(jī)械調(diào)節(jié)方式,。開展了正弦曲線地表土槽驗(yàn)證試驗(yàn),，對(duì)比研究不同調(diào)節(jié)方式和地表?xiàng)l件對(duì)鎮(zhèn)壓力穩(wěn)定性的影響，結(jié)果表明：當(dāng)目標(biāo)鎮(zhèn)壓力為300N時(shí),，相較傳統(tǒng)的機(jī)械調(diào)節(jié)方式,，電液控制方式鎮(zhèn)壓力均方根誤差平均低30.1%，種溝土壤堅(jiān)實(shí)度變異系數(shù)平均低24.46個(gè)百分點(diǎn)；正弦曲線地表豎直方向上的最大位移分別為0,、20,、40mm時(shí)，隨著目標(biāo)鎮(zhèn)壓力增加,，鎮(zhèn)壓力均方根誤差變化不顯著,，最大差值為39.2N?；陔娨嚎刂频挠衩撞シN單體鎮(zhèn)壓系統(tǒng)能夠在不同地面條件下保障鎮(zhèn)壓作業(yè)質(zhì)量,，該研究可為旱區(qū)播種作業(yè)過(guò)程中濕潤(rùn)種床構(gòu)建以及高速免耕條件下玉米播種提供技術(shù)和裝備支撐。

摘要:為進(jìn)一步提高蔬菜缽苗自動(dòng)移栽機(jī)縱向送盤機(jī)構(gòu)的精確性與穩(wěn)定性，提出一種由凸輪連桿與扇形齒輪驅(qū)動(dòng)的四連桿縱向送盤機(jī)構(gòu),。首先,，通過(guò)分析縱向送盤工作過(guò)程，確定機(jī)構(gòu)設(shè)計(jì)要求與整體方案,，規(guī)劃理想的縱向送盤軌跡,，建立了縱向送盤機(jī)構(gòu)軌跡綜合模型，并利用遺傳算法進(jìn)行了初步求解,。然后,，基于Matlab GUI開發(fā)了縱向送盤機(jī)構(gòu)可視化計(jì)算機(jī)輔助優(yōu)化分析軟件，獲得滿足設(shè)計(jì)要求的縱向送盤機(jī)構(gòu)設(shè)計(jì)參數(shù),。最后,，對(duì)縱向送盤機(jī)構(gòu)進(jìn)行了結(jié)構(gòu)設(shè)計(jì)、仿真分析和試驗(yàn)驗(yàn)證,，結(jié)果表明：試驗(yàn)實(shí)際軌跡與理論,、仿真軌跡基本一致；移栽效率為80,、90株/（min·行）時(shí),，機(jī)構(gòu)單次送盤誤差均在±1.5mm以內(nèi)，且多次送盤后沒有出現(xiàn)累積誤差,，同時(shí)通過(guò)取苗試驗(yàn)觀察發(fā)現(xiàn)縱向送盤機(jī)構(gòu)與取苗機(jī)構(gòu)配合良好,，驗(yàn)證了機(jī)構(gòu)設(shè)計(jì)的合理性。

摘要:針對(duì)現(xiàn)有非圓齒輪行星輪系機(jī)構(gòu)反求設(shè)計(jì)無(wú)法實(shí)現(xiàn)單排兩級(jí)齒輪傳動(dòng)比分配問題,，提出一種最優(yōu)子傳動(dòng)比求解方法，并設(shè)計(jì)了小株距輕簡(jiǎn)型非圓齒輪行星輪系植苗機(jī)構(gòu),。在蔬菜小株距移栽理想植苗軌跡上選取植苗機(jī)構(gòu)入土,、植苗、出土,、接苗4個(gè)關(guān)鍵時(shí)刻的位姿點(diǎn),，建立了平面2R開鏈桿組有限分離四位姿求解模型，獲取了機(jī)構(gòu)初始設(shè)計(jì)參數(shù),；基于非圓齒輪行星輪系植苗機(jī)構(gòu)運(yùn)動(dòng)學(xué)模型,，確定了優(yōu)化目標(biāo)函數(shù)，采用改進(jìn)鯨魚優(yōu)化算法對(duì)目標(biāo)函數(shù)進(jìn)行求解,，搭建了非圓齒輪行星輪系植苗機(jī)構(gòu)可視化輔助分析軟件,，最終設(shè)計(jì)得到一個(gè)軌跡較優(yōu)的非圓齒輪行星輪系植苗機(jī)構(gòu)；完成了非圓齒輪行星輪系植苗機(jī)構(gòu)的三維建模與拓?fù)鋬?yōu)化,，并進(jìn)行了運(yùn)動(dòng)學(xué)仿真,，將仿真軌跡與理論軌跡進(jìn)行對(duì)比，驗(yàn)證了三維設(shè)計(jì)的正確性,。最后,，開展了田間移栽試驗(yàn)，當(dāng)機(jī)構(gòu)轉(zhuǎn)速為30r/min,、機(jī)器前進(jìn)速度為120mm/s時(shí),，試驗(yàn)株距測(cè)量值為120mm,，與理論設(shè)計(jì)株距一致,，移栽效率為60株/min，5次試驗(yàn)植苗成功率為95.4%,，表明了該植苗機(jī)構(gòu)具備較高的作業(yè)性能和實(shí)用性,。

摘要:針對(duì)自走式三七聯(lián)合收獲機(jī)匱乏,、整機(jī)通過(guò)性差、行駛穩(wěn)定性弱等問題,，設(shè)計(jì)了一款履帶自走式三七聯(lián)合收獲機(jī),，并開展丘陵黏重土壤條件下的整機(jī)行駛通過(guò)性與穩(wěn)定性研究,。首先，對(duì)自走式三七聯(lián)合收獲機(jī)行走系統(tǒng)進(jìn)行設(shè)計(jì),；其次,，利用質(zhì)心交集法，獲取整機(jī)在多種工況下穩(wěn)定行駛的質(zhì)心范圍,，確定整體布局方案,；最后，開展自走式三七聯(lián)合收獲機(jī)在直行,、轉(zhuǎn)向,、爬坡及越障4種工況下的仿真試驗(yàn)與田間試驗(yàn)。仿真結(jié)果表明：聯(lián)合收獲機(jī)具有良好的直行與單邊制動(dòng)轉(zhuǎn)向性能,，符合穩(wěn)定通過(guò)20°及以下縱坡,、15°及以下橫坡、高350mm田埂以及寬900mm壕溝的設(shè)計(jì)要求,；田間試驗(yàn)結(jié)果表明：聯(lián)合收獲機(jī)直行偏移率為3.79%,，最小轉(zhuǎn)彎半徑為1480mm，能夠穩(wěn)定通過(guò)20°及以下縱坡,、15°及以下橫坡,、高350mm田埂以及寬900mm壕溝，其運(yùn)動(dòng)姿態(tài)及俯仰角,、翻滾角曲線變化規(guī)律與仿真結(jié)果一致,，驗(yàn)證了仿真結(jié)果的準(zhǔn)確性，表明該聯(lián)合收獲機(jī)行駛通過(guò)性能良好,，能夠滿足設(shè)計(jì)需求,。設(shè)計(jì)的履帶自走式三七聯(lián)合收獲機(jī)整機(jī)通過(guò)性強(qiáng)，能夠?qū)崿F(xiàn)在黏重土壤,、緩坡地段下穩(wěn)定行駛,，可為丘陵山區(qū)根莖類聯(lián)合收獲機(jī)設(shè)計(jì)提供理論基礎(chǔ)與參考。

摘要:為解決復(fù)雜沙地地形下、零散分布狀態(tài)下沙柳平茬收割作業(yè)過(guò)程中存在的人工收割勞動(dòng)強(qiáng)度大,、效率低,、缺乏機(jī)械裝備等問題，通過(guò)理論分析,、正交試驗(yàn)和響應(yīng)面分析,，設(shè)計(jì)了具有7個(gè)自由度的沙柳平茬收割機(jī)具和相向外旋式雙鋸片切割裝置,，并進(jìn)行了樣機(jī)試制與田間性能試驗(yàn)。機(jī)具采用液壓系統(tǒng)驅(qū)動(dòng),，主要由機(jī)架,、行走機(jī)構(gòu)、切割裝置,、伸縮裝置和旋轉(zhuǎn)裝置等部分組成,。正交試驗(yàn)和響應(yīng)面分析結(jié)果表明，鋸切轉(zhuǎn)速,、進(jìn)給速度和鋸片齒數(shù)為影響沙柳莖桿鋸切合力和鋸切功率的關(guān)鍵因素,，鋸片齒數(shù)和鋸切轉(zhuǎn)速是鋸切合力和鋸切功率的顯著影響因素，且鋸片齒數(shù)和鋸切轉(zhuǎn)速,、鋸片齒數(shù)和鋸片進(jìn)給速度的交互作用影響顯著,。田間試驗(yàn)結(jié)果表明，當(dāng)切割裝置作業(yè)參數(shù)組合為鋸片齒數(shù)120,、進(jìn)給速度10mm/s,、鋸切轉(zhuǎn)速1400r/min時(shí)，沙柳平茬作業(yè)平均破茬率,、漏割率,、重割率和茬高合格率分別為4.02%、4.19%,、0和94.33%,，能夠滿足沙柳機(jī)械化平茬生產(chǎn)作業(yè)技術(shù)要求。

摘要:針對(duì)白星花金龜幼蟲轉(zhuǎn)化殘膜混合物后滿足生物活性前提下多種形體差異顯著混合物的分離問題,，設(shè)計(jì)了一種分段滾筒式氣力協(xié)助白星花金龜幼蟲轉(zhuǎn)化殘膜混合物分離裝置,。通過(guò)物理試驗(yàn)與理論計(jì)算確定了白星花金龜幼蟲,、蟲砂,、殘膜阻力系數(shù)分區(qū)與理論懸浮速度，利用懸浮速度臺(tái)架試驗(yàn)驗(yàn)證了其準(zhǔn)確性,，可為后續(xù)氣固耦合仿真提供數(shù)據(jù)基礎(chǔ),。通過(guò)理論分析與EDEM-Fluent耦合方法模擬殘膜、幼蟲及蟲砂篩分過(guò)程,，確定了本裝置的主要結(jié)構(gòu)參數(shù)與工作參數(shù),。選擇滾筒篩轉(zhuǎn)速,、滾筒篩傾角及風(fēng)扇風(fēng)速為試驗(yàn)因素，殘膜含雜率與蟲砂含膜率為試驗(yàn)指標(biāo)進(jìn)行了單因素試驗(yàn)以確定各因素水平合理范圍,，根據(jù)單因素試驗(yàn)結(jié)果,，設(shè)計(jì)了三因素三水平二次回歸響應(yīng)面試驗(yàn)并建立回歸模型。試驗(yàn)結(jié)果表明：影響殘膜含雜率的因素由大到小依次為風(fēng)扇風(fēng)速,、滾筒篩傾角,、滾筒篩轉(zhuǎn)速；影響蟲砂含膜率的因素由大到小依次為滾筒篩轉(zhuǎn)速,、滾筒篩傾角,、風(fēng)扇風(fēng)速。優(yōu)化后最優(yōu)工作參數(shù)組合為滾筒篩轉(zhuǎn)速21.79r/min,、滾筒篩傾角3.58°,、風(fēng)扇風(fēng)速5.52m/s。以此參數(shù)組合進(jìn)行物料篩分試驗(yàn),，得到殘膜含雜率與蟲砂含膜率平均值分別為8.96%,、1.52%，與理論優(yōu)化值相對(duì)誤差均小于5%,。該研究可為含生物活性且形體差異顯著的混合物分離裝置設(shè)計(jì)提供參考,。

摘要:針對(duì)傳統(tǒng)風(fēng)送式噴霧機(jī)風(fēng)場(chǎng)分布不合理,、藥液飄失較大的問題,，設(shè)計(jì)一種塔形噴霧機(jī)風(fēng)送系統(tǒng)并對(duì)其結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化。應(yīng)用ANSYS軟件對(duì)噴霧機(jī)的風(fēng)送系統(tǒng)進(jìn)行有限元仿真分析,，通過(guò)對(duì)比不同結(jié)構(gòu)參數(shù)下兩側(cè)出風(fēng)口風(fēng)速差和上層出風(fēng)口風(fēng)速確定整流板結(jié)構(gòu),、導(dǎo)流臺(tái)錐度和兩側(cè)導(dǎo)流板的最優(yōu)參數(shù)。驗(yàn)證試驗(yàn)結(jié)果表明：整流板結(jié)構(gòu)參數(shù)對(duì)噴霧機(jī)兩側(cè)風(fēng)場(chǎng)對(duì)稱性的影響顯著性由大到小為導(dǎo)葉傾角,、導(dǎo)葉數(shù)量,、導(dǎo)葉長(zhǎng)度；導(dǎo)流臺(tái)對(duì)風(fēng)場(chǎng)對(duì)稱性具有較大提升,；導(dǎo)流板長(zhǎng)度與角度對(duì)上層出風(fēng)口風(fēng)速具有較大影響,；當(dāng)整流板導(dǎo)葉數(shù)量為12、長(zhǎng)度為200mm,、傾角為0°,、導(dǎo)流臺(tái)錐度為60°、風(fēng)道1收縮角度為2°時(shí),，噴霧機(jī)兩側(cè)風(fēng)場(chǎng)對(duì)稱性以及垂直分布均勻性達(dá)到最優(yōu),。按最優(yōu)參數(shù)組建噴霧機(jī)風(fēng)送系統(tǒng)并進(jìn)行風(fēng)速試驗(yàn),，結(jié)果表明出口風(fēng)速仿真值與試驗(yàn)值的相對(duì)誤差小于10%，模擬仿真結(jié)果可靠,。通過(guò)田間試驗(yàn)得到噴霧機(jī)兩側(cè)霧滴沉積密度偏差小于9%,，即左右兩側(cè)霧滴沉積均勻；果樹冠層內(nèi)膛霧滴沉積密度均值為75.69粒/cm2,，表明優(yōu)化后塔形噴霧機(jī)作業(yè)時(shí)霧滴穿透性良好,；霧滴在垂直方向上的分布總體呈現(xiàn)下層最大、中層次之,、上層最小的規(guī)律,，契合高紡錘形果樹冠層分布。優(yōu)化后塔形噴霧機(jī)兩側(cè)風(fēng)場(chǎng)和霧滴沉積特性對(duì)稱性較高,。

摘要:抽水蓄能電站作為一種重要的儲(chǔ)能技術(shù),，兼具水泵和水輪機(jī)兩種工作方式,。為了滿足能源收集和電網(wǎng)調(diào)度要求，水泵水輪機(jī)工況轉(zhuǎn)換頻繁,，開停機(jī)次數(shù)增加,，機(jī)組的不穩(wěn)定問題突出。由于缺乏機(jī)組機(jī)械動(dòng)作中壓力等運(yùn)行參數(shù)的詳細(xì)認(rèn)識(shí),，邊界條件的設(shè)置不同于實(shí)際運(yùn)行工況,，造成現(xiàn)場(chǎng)測(cè)試與數(shù)值模擬、模型試驗(yàn)存在差異,，尤其是開停機(jī)暫態(tài)過(guò)程中機(jī)組特征參數(shù)復(fù)雜性增加,。針對(duì)某原型蓄能機(jī)組進(jìn)行現(xiàn)場(chǎng)測(cè)試，對(duì)機(jī)組各部件安裝壓力和加速度傳感器以獲得壓力信號(hào)和振動(dòng)加速度信號(hào),，基于現(xiàn)場(chǎng)收集的試驗(yàn)數(shù)據(jù),，分析了機(jī)組在水輪機(jī)工況開機(jī)和停機(jī)過(guò)程的運(yùn)行特性。結(jié)果表明：水輪機(jī)開機(jī)過(guò)程,，開機(jī)瞬間穩(wěn)定性較好,，之后轉(zhuǎn)輪加速階段機(jī)組壓力脈動(dòng)表現(xiàn)為寬頻噪聲，轉(zhuǎn)輪減速階段壓力脈動(dòng)表現(xiàn)為葉輪旋轉(zhuǎn)頻率及其倍頻,。固定導(dǎo)葉開度空載下,，機(jī)組各測(cè)點(diǎn)周期性壓力振蕩消失并伴隨混頻幅值變化。調(diào)速器動(dòng)態(tài)模式下,，機(jī)組頻率成分以自然頻率為主,。水輪機(jī)停機(jī)過(guò)程,，壓力脈動(dòng)對(duì)導(dǎo)葉動(dòng)作不敏感,，隨轉(zhuǎn)速減小脈動(dòng)強(qiáng)度逐漸下降,。下機(jī)架和頂蓋受機(jī)械動(dòng)作的影響振動(dòng)較強(qiáng)，之后會(huì)隨著轉(zhuǎn)速減小而下降,。蝶閥關(guān)閉后依然存在與轉(zhuǎn)速變化無(wú)關(guān)的頂蓋模態(tài)頻率線,。

摘要:研究耕地多功能權(quán)衡協(xié)同關(guān)系對(duì)于保護(hù)耕地資源,、確保糧食安全、維護(hù)生態(tài)安全及推動(dòng)鄉(xiāng)村振興等具有重要意義,。本文以河南省105個(gè)縣（市）為研究對(duì)象,，采用Spearman秩相關(guān)分析法、K-means聚類分析法等方法,，對(duì)河南省2000—2020年耕地多功能水平及其權(quán)衡協(xié)同關(guān)系進(jìn)行研究,。研究表明，2000—2020年,，河南省耕地多功能指數(shù)整體呈上升趨勢(shì),，呈現(xiàn)“東高西低”的空間格局，且各功能之間呈現(xiàn)出不同的時(shí)空分異特征,，東部地區(qū)糧食生產(chǎn)功能強(qiáng)而西部生態(tài)服務(wù)功能優(yōu),，經(jīng)濟(jì)貢獻(xiàn)功能整體呈下降趨勢(shì)，社會(huì)保障功能雖弱卻逐年提升,；耕地多功能權(quán)衡與協(xié)同關(guān)系時(shí)空差異變化顯著,，多功能間的相互作用表現(xiàn)出協(xié)同減弱與權(quán)衡加劇的特點(diǎn)，尤其是糧食生產(chǎn)與經(jīng)濟(jì)貢獻(xiàn)功能,、生態(tài)服務(wù)功能之間的權(quán)衡關(guān)系顯著,；結(jié)合耕地主導(dǎo)功能類型和多功能耦合協(xié)調(diào)特征，將河南省劃分為現(xiàn)代農(nóng)業(yè)示范區(qū),、城市農(nóng)業(yè)休閑區(qū),、生態(tài)農(nóng)業(yè)建設(shè)區(qū)、現(xiàn)代農(nóng)業(yè)建設(shè)區(qū)4個(gè)多功能類型區(qū),，并提出了差別化的管制措施,。研究結(jié)果對(duì)于指導(dǎo)糧食主產(chǎn)區(qū)耕地的合理配置以及提高耕地多元化利用效率具有理論和實(shí)踐意義。

摘要:明晰不同主體功能區(qū)耕地利用功能與空間形態(tài)時(shí)空分異特征可為耕地可持續(xù)管理與利用乃至區(qū)域經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展提供科學(xué)依據(jù),。以湖北省所有區(qū)（縣）為研究對(duì)象，采用社會(huì)經(jīng)濟(jì)、自然地理等數(shù)據(jù)對(duì)1995—2019年不同主體功能區(qū)耕地利用功能與空間形態(tài)開展評(píng)價(jià)并分析時(shí)空演化特征,。結(jié)果表明：1995—2019年耕地利用生產(chǎn),、社會(huì)、生態(tài),、總功能分別呈倒“N”形,、“W”形、“V”形和“V”形的變化特征,；生產(chǎn),、生態(tài)、總功能表現(xiàn)為鄂中強(qiáng)于鄂西與鄂東地區(qū),，社會(huì)功能空間分異較?。簧a(chǎn)功能在重點(diǎn)發(fā)展區(qū)和農(nóng)產(chǎn)品主產(chǎn)區(qū)相差不大,，卻顯著強(qiáng)于生態(tài)功能區(qū),，社會(huì)功能在生態(tài)功能區(qū)最強(qiáng)而重點(diǎn)發(fā)展區(qū)最弱，生態(tài)功能和總功能在農(nóng)產(chǎn)品主產(chǎn)區(qū)最強(qiáng)而在生態(tài)功能區(qū)最弱,。1995—2019年間耕地利用數(shù)量,、景觀格局和空間形態(tài)分別呈倒“N”形、“V”形和“N”形變化特征,；鄂中地區(qū)數(shù)量形態(tài)值高于鄂西與鄂東地區(qū),，而鄂西與鄂東之間差異不大；景觀格局,、空間形態(tài)值呈現(xiàn)鄂中地區(qū)最高而鄂西地區(qū)最低的分異格局,；數(shù)量形態(tài)值在重點(diǎn)發(fā)展區(qū)和農(nóng)產(chǎn)品主產(chǎn)區(qū)較高，景觀格局形態(tài)值和空間形態(tài)值由大到小依次為農(nóng)產(chǎn)品主產(chǎn)區(qū),、重點(diǎn)發(fā)展區(qū),、生態(tài)功能區(qū)且十分顯著。1995—2019年耕地利用總形態(tài)值呈“V”形變化態(tài)勢(shì),；在功能和空間形態(tài)的疊加影響下,，整體呈現(xiàn)出鄂中地區(qū)較高，而鄂東和鄂西地區(qū)較低的分異格局,；主體功能區(qū)上由大到小依次為農(nóng)產(chǎn)品主產(chǎn)區(qū),、重點(diǎn)發(fā)展區(qū)、生態(tài)功能區(qū),。不同主體功能區(qū)在社會(huì)經(jīng)濟(jì)條件,、功能定位、耕地資源稟賦等方面異質(zhì)性明顯,，應(yīng)采取差異化的調(diào)控政策,，優(yōu)化耕地利用的功能與空間形態(tài),，服務(wù)于湖北省耕地可持續(xù)利用和經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展。

摘要:針對(duì)河南省土壤旱情災(zāi)害頻發(fā)，地面土壤墑情監(jiān)測(cè)站監(jiān)測(cè)面積有限等問題,，將氣象干旱指數(shù)與遙感監(jiān)測(cè)模型相結(jié)合對(duì)土壤旱情開展預(yù)測(cè)研究,。以2012—2021年間氣象資料計(jì)算的標(biāo)準(zhǔn)化降水蒸散指數(shù)（Standardized precipitation evapotranspiration index, SPEI）為依據(jù)，對(duì)作物缺水指數(shù)（Crop water scarcity index, CWSI）,、植被供水指數(shù)（Vegetation supply water index, VSWI）,、溫度植被干旱指數(shù)（Temperature vegetation drought index, TVDI）和條件植被溫度指數(shù)(Vegetation temperature condition index, VTCI)4個(gè)指數(shù)的干旱監(jiān)測(cè)效果進(jìn)行適用性評(píng)價(jià)，然后分析2012—2021年間河南省的TVDI空間分布規(guī)律和變化趨勢(shì),，最后用ARIMA（Autoregressive integrated moving average）模型預(yù)測(cè)2022年土壤旱情,。結(jié)果表明，CWSI,、VSWI,、VTCI研究結(jié)果不符合實(shí)際土壤墑情結(jié)果，TVDI值與實(shí)地歷史記錄的土壤墑情變化趨勢(shì)整體一致,，總體呈現(xiàn)出河南省西北部,、中部、北部隨時(shí)間變化而呈增大趨勢(shì),，且ARIMA模型預(yù)測(cè)的2022年土壤墑情結(jié)果效果良好,，為河南省的農(nóng)業(yè)生產(chǎn)精準(zhǔn)管理提供參考依據(jù)。

摘要:為確定南疆棗園切根撫育作業(yè)工藝，測(cè)定了棗園土壤含水率,、堅(jiān)實(shí)度,、孔隙度、容重,、粒徑分布等物理參數(shù),，統(tǒng)計(jì)了棗園待切根區(qū)的根系聚集深度、土壤含根量等，確定了切根區(qū)位置為距樹干750mm和切根作業(yè)深度應(yīng)在0～200mm范圍內(nèi)可調(diào)的農(nóng)業(yè)技術(shù)要求,。研究結(jié)果表明,，根土復(fù)合體具有各向異性，取樣角θ為0°,、45°,、90°時(shí)，根土復(fù)合體抗剪強(qiáng)度T關(guān)系為T0°＜T45°＜T90°,。為分析根土復(fù)合體產(chǎn)生各向異性現(xiàn)象的原因,，采用掃描電鏡（SEM）獲取了根土復(fù)合體在不同取樣方向上的微觀結(jié)構(gòu)圖像，通過(guò)PCAS軟件處理并獲取了根土復(fù)合體微觀結(jié)構(gòu)參數(shù),。將根土復(fù)合體的宏觀圖像,、微觀圖像、微觀結(jié)構(gòu)參數(shù),、抗剪強(qiáng)度參數(shù)結(jié)合,，定性和定量分析了根土復(fù)合體產(chǎn)生各向異性的原因及規(guī)律，得到微觀結(jié)構(gòu)參數(shù)與抗剪切強(qiáng)度相關(guān)性由強(qiáng)到弱依次為孔隙概率熵,、孔隙形態(tài)分維數(shù),、顆粒形狀系數(shù)、孔隙形狀系數(shù),、顆粒概率熵,、顆粒形態(tài)分維數(shù)。根據(jù)研究結(jié)果提出根土復(fù)合體抗剪強(qiáng)度測(cè)定時(shí),，環(huán)刀應(yīng)垂直于耕作過(guò)程產(chǎn)生的實(shí)際剪切發(fā)生面方向取樣,。本研究可為棗園切根撫育機(jī)具設(shè)計(jì)和研發(fā)提供理論依據(jù)，為土壤耕作類部件優(yōu)化設(shè)計(jì),、耕作類部件與土壤相互作用關(guān)系等研究提供參考,。

摘要:為合理開發(fā)利用咸水資源，優(yōu)化農(nóng)田灌溉設(shè)施前端連續(xù)式咸淡水混合攪拌反應(yīng)器結(jié)構(gòu)和運(yùn)行參數(shù),，探究了攪拌轉(zhuǎn)速和槳葉寬度對(duì)不同類型攪拌器咸淡水混合性能的影響,。以直徑為290mm的雙層槳葉攪拌器為研究對(duì)象，采用Realizable k-ε模型和歐拉多相流模型進(jìn)行數(shù)值模擬并利用試驗(yàn)結(jié)果對(duì)其進(jìn)行驗(yàn)證,。系統(tǒng)分析不同攪拌器結(jié)構(gòu)在不同攪拌轉(zhuǎn)速和槳葉寬度下的湍動(dòng)能,、速度流場(chǎng)、咸水體積分?jǐn)?shù)分布,、混合均勻所需時(shí)間及攪拌器功耗,，發(fā)現(xiàn)隨著攪拌轉(zhuǎn)速和槳葉寬度增加,，三葉開啟式攪拌器與組合錨式攪拌器湍動(dòng)能和液體流速均增加，反應(yīng)釜內(nèi)咸水體積分?jǐn)?shù)也隨之發(fā)生顯著變化,，到達(dá)混合均勻狀態(tài)所需時(shí)間縮短,，出口處咸水均勻度和攪拌器功率均呈上升趨勢(shì)。整體來(lái)說(shuō),，轉(zhuǎn)速對(duì)上述指標(biāo)的影響較槳葉寬度更為顯著,，另外，2種攪拌器類型中相關(guān)指標(biāo)受轉(zhuǎn)速和槳葉寬度變化的影響差異明顯,。與三葉開啟式攪拌器相比,，組合錨式攪拌器達(dá)到完全混合均勻狀態(tài)所需時(shí)間最小值雖然低6.8%，但其攪拌功耗卻高10%左右,。綜合考慮灌溉作物水量需求,、混合效率和設(shè)備能耗等因素,，推薦采用較低轉(zhuǎn)速（90r/min）,、寬槳葉(50mm)的三葉開啟式攪拌器，該配置在咸淡水混合過(guò)程中能夠有效保障混合效率,，并在連續(xù)混合設(shè)備中有效控制能耗的同時(shí)滿足實(shí)際應(yīng)用需求,。研究結(jié)果可為連續(xù)式咸淡水混合攪拌反應(yīng)器設(shè)計(jì)優(yōu)化提供參考。

摘要:揭示未來(lái)氣候變化對(duì)黃淮海平原冬小麥-夏玉米輪作系統(tǒng)作物物候和產(chǎn)量的影響，對(duì)保障我國(guó)糧食安全具有重要意義,。本研究基于文獻(xiàn)收集的多站點(diǎn)多年份大田試驗(yàn)數(shù)據(jù)來(lái)校準(zhǔn)和驗(yàn)證APSIM-Wheat和APSIM-Maize模型,，并結(jié)合CMIP6數(shù)據(jù)集10個(gè)全球氣候模型（Global climate models，GCMs）預(yù)測(cè)的未來(lái)氣象數(shù)據(jù),，驅(qū)動(dòng)校準(zhǔn)驗(yàn)證后的APSIM模型,，模擬分析了SSP2-4.5和SSP5-8.5兩種溫室氣體排放情景下黃淮海地區(qū)冬小麥-夏玉米輪作系統(tǒng)在2021—2060年（2040s）和2061—2100年（2080s）作物物候期和產(chǎn)量的變化情況?；诙嘣€性回歸方法分析其變化趨勢(shì),，并結(jié)合隨機(jī)森林（Random forest，RF）模型分析了氣候要素與作物生殖生長(zhǎng)期變化對(duì)作物產(chǎn)量的正負(fù)效應(yīng)及其重要性,。結(jié)果表明：與基準(zhǔn)期（1981—2020年）相比,，冬小麥營(yíng)養(yǎng)生長(zhǎng)期總體縮短，生殖生長(zhǎng)期總體延長(zhǎng),，產(chǎn)量增加,，且在SSP5-8.5情景下變化更明顯,；與基準(zhǔn)期相比，夏玉米營(yíng)養(yǎng)生長(zhǎng)期,、生殖生長(zhǎng)期都將縮短,，產(chǎn)量增加，但相較于SSP2-4.5,，夏玉米在SSP5-8.5情景下出現(xiàn)減產(chǎn)趨勢(shì),；與SSP2-4.5相比，在SSP5-8.5情景下冬小麥-夏玉米輪作系統(tǒng)的周年全生育期縮短,，周年總產(chǎn)量增加,，且冬小麥產(chǎn)量占比有所增加。在未來(lái)時(shí)段,，冬小麥產(chǎn)量主要與生育期內(nèi)太陽(yáng)輻射,、日均溫及累計(jì)降雨量之間呈正相關(guān)關(guān)系，但日均溫及累計(jì)降雨量的增加不利于在SSP5-8.5情景下2080s時(shí)間段內(nèi)實(shí)現(xiàn)冬小麥增產(chǎn),；夏玉米產(chǎn)量與氣象因子的相關(guān)性與冬小麥類似,，但夏玉米產(chǎn)量始終與日均溫直接呈顯著負(fù)相關(guān)。通過(guò)隨機(jī)森林模型分析可知,，冬小麥生殖生長(zhǎng)期,、生育期內(nèi)累計(jì)降雨量對(duì)冬小麥產(chǎn)量影響最大；夏玉米生育期內(nèi)CO2濃度,、日均溫及累計(jì)降雨量對(duì)夏玉米產(chǎn)量影響最大,。總體上,，未來(lái)氣候變化將導(dǎo)致黃淮海地區(qū)冬小麥生殖生長(zhǎng)期延長(zhǎng),，夏玉米生殖生長(zhǎng)期縮短，產(chǎn)量增加,；但隨著時(shí)間推移,，溫度及降雨量對(duì)作物產(chǎn)量的正效應(yīng)會(huì)逐漸轉(zhuǎn)變?yōu)樨?fù)效應(yīng)，導(dǎo)致夏玉米在SSP5-8.5情景下2080s時(shí)間段內(nèi)出現(xiàn)減產(chǎn)趨勢(shì),，可見未來(lái)作物產(chǎn)量變化主要取決于氣候因子對(duì)作物產(chǎn)量的正效應(yīng)與作物生長(zhǎng)期縮短的負(fù)效應(yīng)的共同作用結(jié)果,，而非單一因素所決定。本研究可為黃淮海地區(qū)冬小麥-夏玉米輪作系統(tǒng)作物生產(chǎn)及應(yīng)對(duì)未來(lái)氣候變化影響提供科學(xué)依據(jù)和理論指導(dǎo),。

摘要:餐廚酸化液有機(jī)酸含量高,，作為碳源應(yīng)用于污水反硝化脫氮過(guò)程潛力巨大,，可緩解我國(guó)城市污水處理廠普遍面臨的碳源不足的問題,。基于全混式厭氧發(fā)酵反應(yīng)器,，探究在連續(xù)運(yùn)行條件下不同pH值,、有機(jī)負(fù)荷(OLR)和停留時(shí)間(HRT)對(duì)餐廚廢棄物厭氧產(chǎn)酸特性的影響，通過(guò)調(diào)控厭氧產(chǎn)酸類型,，獲取不同產(chǎn)酸類型的酸化液,，評(píng)估其作為外加碳源的反硝化性能。結(jié)果表明,，中溫條件下,，控制pH值為6.0，OLR為15.0g/(L·d)時(shí)獲得最大TVFAs產(chǎn)量,，為50.05g/L,，產(chǎn)酸類型為丁酸型發(fā)酵；控制pH值為5.0時(shí),，產(chǎn)酸類型為乙酸型發(fā)酵,，具有最佳反硝化速率，為7.62mg/(g·h),，介于葡萄糖(5.39mg/(g·h))和乙酸鈉(9.47mg/(g·h)) 之間,；同等COD下,，餐廚酸化液的反硝化能力(0.21g/g)相當(dāng)于乙酸鈉的84%,。因此，餐廚酸化液作為一種新的,、可持續(xù)的,、低成本的碳源具有巨大的市場(chǎng)和應(yīng)用潛力。

摘要:為明確等離子體處理對(duì)藏羊肉貯藏品質(zhì)的影響，選取歐拉藏羊后腿肉作為材料,，對(duì)其進(jìn)行不同時(shí)間(0,、2、3,、4min)等離子體處理后,，將肉樣置于4℃冰箱貯藏不同時(shí)間（0、1,、3,、5,、7d），在不同貯藏時(shí)間點(diǎn)分別取樣,，測(cè)定藏羊肉中菌落總數(shù),、pH值、色度,、質(zhì)構(gòu),、蒸煮損失、TBARS值,、羰基含量的變化,。結(jié)果表明：在貯藏7d時(shí)，等離子體處理時(shí)間為2,、3,、4min的藏羊肉組菌落總數(shù)分別比對(duì)照組低18.56%、23.08%,、27.09%,，pH值分別比對(duì)照組低1.53%、2.21%,、1.02%,，a*值分別比對(duì)照組低4.44%、11.71%,、21.62%,，硬度分別比對(duì)照組低5.79%、26.18%,、26.43%,，蒸煮損失率分別比對(duì)照組低1.66、5.26,、2.71個(gè)百分點(diǎn)(P<0.05),。此外，等離子體處理時(shí)間為2,、3min藏羊肉組的TBARS值分別比對(duì)照組低1.89%,、13.21%，羰基含量分別比對(duì)照組低11.33%,、13.33%,，而處理時(shí)間為4min的藏羊肉組TBARS值比對(duì)照組高13.21%，羰基含量比對(duì)照組高13.33%(P<0.05),。由此可見,，等離子體處理可有效降低藏羊肉菌落總數(shù)，提高嫩度與持水性,，然而,，較長(zhǎng)時(shí)間的處理對(duì)肉色產(chǎn)生了負(fù)面影響,。綜合來(lái)看，等離子體處理時(shí)間為3min時(shí),，藏羊肉的菌落總數(shù)顯著降低,，嫩度與持水性提高，延緩了脂質(zhì)和蛋白質(zhì)氧化,。本研究可為大氣等離子體技術(shù)在羊肉貯藏過(guò)程中品質(zhì)的改善提供理論依據(jù),。

摘要:針對(duì)濕軟地面農(nóng)用步行輪足容易沉陷以及缺少相關(guān)互作力學(xué)理論等問題,，對(duì)典型的足地互作承壓和剪切力學(xué)模型進(jìn)行了修正。首先通過(guò)設(shè)計(jì)不同剛?cè)嶙愣艘约皹?gòu)造不同濕度沙土和農(nóng)田土松軟地面,，利用萬(wàn)能試驗(yàn)機(jī)研究了足端對(duì)濕軟地面的承壓以及剪切阻力-位移變化規(guī)律,。其次通過(guò)EDEM離散元仿真方法探究了足端下顆粒速度場(chǎng)和運(yùn)動(dòng)趨勢(shì)，用以觀測(cè)濕軟地面的細(xì)觀行為,。承壓試驗(yàn)中,，半圓柱體足端更容易破壞足端下土壤結(jié)構(gòu)，其抗沉陷性能比長(zhǎng)方體足端差,。剛性與剛?cè)狁詈献愣说某袎禾匦圆町惒幻黠@,。沙土地面承載力隨濕度增加而提高，而農(nóng)田土則相反,。剪切試驗(yàn)中,，足端剪切阻力與濕度關(guān)系不大，但都隨著法向負(fù)載增加而增大,。足端持續(xù)推動(dòng)斜上方的土壤，有較多的土壤堆積,，因此需要進(jìn)一步考慮推土作用帶來(lái)的影響,。最后，基于承壓試驗(yàn)數(shù)據(jù),，對(duì)典型的承壓模型進(jìn)行修正,，補(bǔ)充了不同含水率沙土和農(nóng)田土地面的沉陷-深度關(guān)系?；诩羟性囼?yàn)數(shù)據(jù),，對(duì)典型的剪切模型進(jìn)行修正，得到考慮足端有推土影響的剪切阻力-位移關(guān)系,，可為濕軟地面步行輪足研制提供設(shè)計(jì)參考和理論依據(jù),。

摘要:針對(duì)傳統(tǒng)蟻群算法(Ant colony optimization,，ACO)在應(yīng)用于移動(dòng)機(jī)器人路徑規(guī)劃時(shí)存在優(yōu)化能力差，易于死鎖,，搜索效率低等問題,，提出一種多級(jí)視野自適應(yīng)蟻群(Multilevel field of view adaptive ant colony optimization，MLFVAACO)算法,。首先在ACO的基礎(chǔ)上依次擴(kuò)展2級(jí)視野使得規(guī)劃出的路徑更加平滑,；其次設(shè)計(jì)了自適應(yīng)全局初始信息素更新策略，既避免了螞蟻在算法初期出現(xiàn)盲目搜索現(xiàn)象又加強(qiáng)了螞蟻選擇可選區(qū)域的指導(dǎo)作用,；然后對(duì)算法迭代過(guò)程中的死鎖螞蟻進(jìn)行優(yōu)化,，以提高蟻群的利用率和增加搜索解的多樣性；最后對(duì)螞蟻的狀態(tài)轉(zhuǎn)移規(guī)則進(jìn)行改進(jìn)來(lái)避免螞蟻陷入局部最優(yōu)解,。通過(guò)仿真選取MLFVAACO算法的最優(yōu)參數(shù),，在2種不同復(fù)雜程度的格柵地圖中分別與傳統(tǒng)ACO算法、改進(jìn)ACO算法和圖搜索算法進(jìn)行對(duì)比,，驗(yàn)證MLFVAACO算法的可行性和有效性,。仿真結(jié)果表明，在簡(jiǎn)單與復(fù)雜環(huán)境中,，MLFVAACO算法相較于傳統(tǒng)ACO算法最優(yōu)路徑分別縮短12.74%和4.38%,，路徑轉(zhuǎn)折點(diǎn)分別減少50%和63.16%，螞蟻利用率分別提升99.99%和99.95%,，搜索效率分別提高60.14%和62.17%,；相較于改進(jìn)ACO算法和圖搜索算法，MLFVAACO算法能夠規(guī)劃出路徑平滑度更好的最短路徑,，同時(shí)搜索解的質(zhì)量也更好,。這充分驗(yàn)證了MLFVAACO算法在應(yīng)用于移動(dòng)機(jī)器人路徑規(guī)劃時(shí)具有出色的綜合性能。

摘要:因受外界不確定性擾動(dòng)影響，仿人機(jī)器人運(yùn)動(dòng)狀態(tài)在短時(shí)間內(nèi)可能發(fā)生大幅變化,，使得機(jī)器人難以持續(xù)行走而摔倒,。基于線性倒立擺,，對(duì)經(jīng)典步態(tài)規(guī)劃方法中由步行參數(shù)確定目標(biāo)落腳點(diǎn)的關(guān)系式進(jìn)行了優(yōu)化調(diào)整,，以實(shí)現(xiàn)更為協(xié)調(diào)的行走步態(tài)；以兩步為一周期生成步行模式，通過(guò)預(yù)觀后續(xù)兩個(gè)目標(biāo)落腳點(diǎn),，提出一種基于單步和兩步內(nèi)落腳點(diǎn)偏差優(yōu)化的步態(tài)規(guī)劃方法,；對(duì)小型仿人機(jī)器人進(jìn)行了大幅加/減速行走仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明,，改進(jìn)的步態(tài)規(guī)劃方法能夠顯著降低落腳點(diǎn)偏差極大值,，可將經(jīng)典方法中運(yùn)動(dòng)狀態(tài)突變時(shí)連續(xù)兩步的落腳點(diǎn)偏差從1.1、0.8cm降至0.6,、0.7cm,。同時(shí)，改進(jìn)的步態(tài)規(guī)劃方法也能削弱慣性力對(duì)軀干穩(wěn)定性的影響,，可使由經(jīng)典方法導(dǎo)致的軀干俯仰角最大變化幅度從7.8°減至6.0°,。

摘要:針對(duì)載體儀器設(shè)備調(diào)姿隔振的雙重需求,，提出了一種3-(PRRPR)RC調(diào)姿隔振平臺(tái)新構(gòu)型。機(jī)構(gòu)主要由3個(gè)分支組成,，分支中大行程作動(dòng)器和被動(dòng)隔振單元以閉環(huán)子鏈的形式存在,。被動(dòng)隔振時(shí)，假定作動(dòng)器瞬時(shí)鎖定,，采用等效運(yùn)動(dòng)旋量描述閉環(huán)子鏈,，將調(diào)姿隔振平臺(tái)瞬時(shí)等效為3-R(RC并聯(lián)機(jī)構(gòu)?；谛看鷶?shù)及QR分解,，推導(dǎo)了調(diào)姿隔振平臺(tái)被動(dòng)隔振模式下動(dòng)平臺(tái)及分支桿件的一、二階影響系數(shù),?；趧?dòng)力學(xué)模型推導(dǎo)了基礎(chǔ)受到簡(jiǎn)諧運(yùn)動(dòng)激勵(lì)時(shí)調(diào)姿隔振平臺(tái)運(yùn)動(dòng)微分方程，采用振型疊加法對(duì)其振動(dòng)響應(yīng)進(jìn)行求解,，并給出了相應(yīng)的數(shù)值算例,。設(shè)計(jì)了調(diào)姿隔振平臺(tái)原理樣機(jī)，搭建了實(shí)驗(yàn)系統(tǒng),，并進(jìn)行了x、y,、z軸方向的隔振實(shí)驗(yàn),。數(shù)值算例與實(shí)驗(yàn)結(jié)果表明，3個(gè)方向原理樣機(jī)振動(dòng)傳遞率均低于55%，即隔離45%以上的振動(dòng),，驗(yàn)證了所設(shè)計(jì)的并聯(lián)平臺(tái)被動(dòng)隔振的有效性,。

摘要:為了滿足熱驅(qū)動(dòng)器可靠性要求,，提出一種基于區(qū)間非概率模型的熱驅(qū)動(dòng)柔順機(jī)構(gòu)可靠性拓?fù)鋬?yōu)化方法,。采用區(qū)間非概率模型描述熱載荷的不確定性，以輸出位移構(gòu)建可靠性功能函數(shù),，在可靠性指標(biāo)約束條件下尋求機(jī)構(gòu)體積最小化,，建立基于區(qū)間非概率模型的熱驅(qū)動(dòng)柔順機(jī)構(gòu)可靠性拓?fù)鋬?yōu)化模型，利用移動(dòng)漸近線算法更新設(shè)計(jì)變量,。與確定性優(yōu)化結(jié)果相比,，可靠性拓?fù)鋬?yōu)化獲得的熱驅(qū)動(dòng)柔順機(jī)構(gòu)體積有所增加，能夠有效地滿足可靠性指標(biāo)約束,，可靠性設(shè)計(jì)的熱驅(qū)動(dòng)柔順機(jī)構(gòu)輸出位移上,、下限理論值與有限元分析結(jié)果誤差均小于5%，驗(yàn)證了設(shè)計(jì)方法有效性,；并且分析了不同輸出剛度和熱載荷區(qū)間對(duì)熱驅(qū)動(dòng)柔順機(jī)構(gòu)可靠性拓?fù)鋬?yōu)化結(jié)果的影響,。

摘要:仿生波動(dòng)推進(jìn)方式具有機(jī)動(dòng)性好,、適應(yīng)性強(qiáng)、環(huán)境友好等優(yōu)勢(shì),，在水下機(jī)器人應(yīng)用中具有廣闊前景,。為提高仿生波動(dòng)鰭推進(jìn)速度、減小質(zhì)量與體積,、提高可靠性,，提出了一種基于凸輪驅(qū)動(dòng)的模塊化仿生波動(dòng)推進(jìn)器，基于自抗擾控制方法實(shí)現(xiàn)仿生波動(dòng)鰭的頻率連續(xù)精確控制,。針對(duì)波動(dòng)鰭仿生構(gòu)型進(jìn)行設(shè)計(jì),，對(duì)正弦波發(fā)生機(jī)構(gòu)進(jìn)行理論計(jì)算與運(yùn)動(dòng)仿真，推導(dǎo)了凸輪機(jī)構(gòu)瞬時(shí)效率公式,，平均效率最高可達(dá)83.6%,。以波動(dòng)鰭輸出頻率為控制目標(biāo),，建立了波動(dòng)鰭控制模型。理論推導(dǎo)與流體仿真結(jié)果表明,，在定常頻率下波動(dòng)鰭內(nèi)部特性與外部負(fù)載均呈非線性時(shí)變效應(yīng),。設(shè)計(jì)了線性自抗擾波頻控制器，基于STM32單片機(jī)搭建了波動(dòng)鰭測(cè)控實(shí)驗(yàn)系統(tǒng),。實(shí)驗(yàn)結(jié)果表明,，在低頻與高頻下波動(dòng)鰭均能準(zhǔn)確跟蹤期望頻率，響應(yīng)曲線平緩連續(xù)且無(wú)超調(diào),，穩(wěn)態(tài)波動(dòng)誤差小于2.3%,。當(dāng)頻率為3Hz時(shí)，自抗擾控制器與PID控制器輸出波動(dòng)誤差分別為6.3%和2.1%,，自抗擾控制精度提高66.7%,。研究結(jié)果表明，該模塊化仿生波動(dòng)推進(jìn)器控制精度高,、集成度好,，可任意數(shù)量配置到仿生水下機(jī)器人上，具有較好的應(yīng)用價(jià)值,。