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:作物生長模型由最初的作物生長發(fā)育模型發(fā)展到農(nóng)業(yè)決策支持模型,，在科學(xué)研究,、農(nóng)業(yè)管理,、政策制定等方面發(fā)揮著越來越重要的作用,。本文首先回顧了作物生長模型的發(fā)展過程,，并按照模型主要驅(qū)動因子，將作物生長模型分為土壤因子,、光合作用因子和人為因子驅(qū)動3類并分別進(jìn)行了歸納闡述,；然后對典型的模型分別從模型模塊、時空尺度,、可模擬的作物類型等方面進(jìn)行列表式對比,；并對作物生長模型在氣候變化評估、生產(chǎn)管理決策支持,、資源管理優(yōu)化等方面的應(yīng)用,，以及面臨的極端條件、復(fù)雜農(nóng)業(yè)景觀和模型復(fù)雜度等挑戰(zhàn)進(jìn)行了總結(jié),，在此基礎(chǔ)上認(rèn)為遙感數(shù)據(jù)同化和孿生農(nóng)場是其發(fā)展方向。

摘要:針對目前果園壟間導(dǎo)航路徑識別方法存在準(zhǔn)確性與實(shí)時性難以同時兼顧、泛化能力弱等問題,，本文在U-Net模型的基礎(chǔ)上進(jìn)行優(yōu)化,，采用MobileNet-v3 Large作為U-Net的主干特征提取網(wǎng)絡(luò)，并在跳躍連接處引入坐標(biāo)注意力機(jī)制（Coordinate attention,，CA）,，構(gòu)建輕量化路徑識別模型。以該模型分割的壟間可行駛區(qū)域?yàn)榛A(chǔ),，利用最小二乘法重塑可行駛區(qū)域邊緣點(diǎn),，并進(jìn)一步提取壟間導(dǎo)航線。首先采用數(shù)據(jù)增強(qiáng)的草莓壟間數(shù)據(jù)集進(jìn)行模型訓(xùn)練，并進(jìn)一步遷移到葡萄和藍(lán)莓?dāng)?shù)據(jù)集上進(jìn)行權(quán)重微調(diào),，以提高模型適應(yīng)能力,。最后在相應(yīng)的驗(yàn)證集上進(jìn)行導(dǎo)航路徑識別，并通過可視化對比不同模型識別結(jié)果,，以驗(yàn)證模型準(zhǔn)確性,。試驗(yàn)結(jié)果表明，網(wǎng)絡(luò)模型在草莓,、藍(lán)莓和葡萄果園壟間路徑識別的平均交并比分別為98.06%,、97.36%和98.50%，平均像素準(zhǔn)確度分別達(dá)到99.13%,、98.75%和99.29%,。模型處理RGB圖像分割可行駛區(qū)域的理論推理速度可達(dá)19.23f/s，滿足導(dǎo)航實(shí)時性和準(zhǔn)確性的要求,。

摘要:針對農(nóng)田耕整載荷大,、測量精度低等問題，在經(jīng)典十字梁結(jié)構(gòu)基礎(chǔ)上,，設(shè)計了一種輻梁式六維力傳感器,，可同時測量力和力矩，通過仿真方法對傳感器結(jié)構(gòu)進(jìn)行了優(yōu)化,，確定了應(yīng)變梁長,、寬、高分別為9,、10,、6mm；分析了傳感器結(jié)構(gòu)在載荷下的應(yīng)變能力,，確定了應(yīng)變片貼片位置,。對傳感器開展了靜態(tài)標(biāo)定試驗(yàn)，基于標(biāo)定數(shù)據(jù)采用改進(jìn)型XGBoost(Extreme gradient boosting)機(jī)器學(xué)習(xí)網(wǎng)絡(luò)對力信號進(jìn)行解耦,，并與常規(guī)網(wǎng)絡(luò)進(jìn)行比對,。試驗(yàn)結(jié)果表明，改進(jìn)型XGBoost模型在X,、Y,、Z方向力和力矩6種加載方式的測試集決定系數(shù)R2P分別達(dá)到0.9804、0.9418、0.9434,、0.9868,、0.9969、0.9822,，預(yù)測效果較好,，避免了陷入局部最優(yōu)解。改進(jìn)型XGBoost模型在六維加載力,、力矩的R2P,、測試集平均絕對誤差（MAEP）均明顯優(yōu)于隨機(jī)森林模型、傳統(tǒng)多元線性回歸,，相較于傳統(tǒng)多元線性回歸方式,，六維加載力、力矩的R2P分別提升22.57%,、20.99%,、23.32%、26.27%,、26.05%,、18.72%?；跈C(jī)器學(xué)習(xí)的解耦算法可明顯減少耦合誤差的影響,，提高傳感器的測量精度, 為農(nóng)機(jī)優(yōu)化提供了技術(shù)支撐。

摘要:針對我國香蕉秸稈粉碎還田作業(yè)過程中香蕉秸稈粉碎質(zhì)量差，秸稈纏繞堵塞等問題,，設(shè)計了一種雙定刀滑切防纏式香蕉秸稈粉碎還田機(jī)?；诨卸ɡ?，解析了粉碎刀隨軸轉(zhuǎn)動過程中的動態(tài)滑切角和粉碎定刀滑切角的相對作用原理，以等速螺線設(shè)計L形粉碎定刀刀刃曲線,，確定了粉碎刀結(jié)構(gòu)參數(shù),；對香蕉秸稈纏繞粉碎刀輥進(jìn)行受力分析，設(shè)計防纏繞板并確定裝配數(shù)量與結(jié)構(gòu)參數(shù),；以裝置前進(jìn)速度,、粉碎刀輥轉(zhuǎn)速、防纏繞板高度為試驗(yàn)因素，以香蕉秸稈粉碎合格率,、拋撒不均勻度和香蕉秸稈纏繞數(shù)量為評價指標(biāo)進(jìn)行三因素三水平正交試驗(yàn),，建立因素與指標(biāo)的響應(yīng)面數(shù)學(xué)模型。試驗(yàn)結(jié)果表明,，最優(yōu)參數(shù)組合為作業(yè)機(jī)前進(jìn)速度1.5m/s,、防纏繞板高度41.6mm、粉碎刀輥轉(zhuǎn)速1800r/min,，此時香蕉秸稈粉碎合格率為93.8%,，香蕉秸稈纏繞數(shù)量為26，香蕉秸稈拋撒不均勻度為12.1%,。以最優(yōu)組合進(jìn)行田間試驗(yàn)驗(yàn)證,，試驗(yàn)結(jié)果表明雙定刀滑切防纏式香蕉秸稈粉碎還田機(jī)整機(jī)防纏性能優(yōu)越，滿足設(shè)計要求,。

摘要:針對冷浸田終年積水,、水土溫度低及排水不良，需進(jìn)行壟作栽培水稻的生產(chǎn)要求及目前缺乏相關(guān)機(jī)具的生產(chǎn)現(xiàn)狀,，設(shè)計了一種適宜于冷浸田作業(yè)的起壟平整裝置,，該裝置主要由起壟輥、微壟開溝器及平整部件組成,，實(shí)現(xiàn)大壟排水,、微壟蓄水作業(yè)，利于冷浸田排水及水稻種子生長發(fā)育,。根據(jù)《冷浸田機(jī)械起壟水稻栽培技術(shù)規(guī)程》,，對起壟輥、微壟開溝器及平整部件關(guān)鍵參數(shù)進(jìn)行了設(shè)計,，確定起壟輥回轉(zhuǎn)半徑為560mm,、錐形面倒角為28°，微壟開溝器寬度為50mm,、高度為40mm及平整部件可調(diào)節(jié)角度為5°,。基于DEM-FEM耦合仿真分析確定了裝置較優(yōu)運(yùn)行參數(shù),，當(dāng)機(jī)具前進(jìn)速度為0.6m/s,、旋耕刀輥轉(zhuǎn)速為230r/min,、起壟輥轉(zhuǎn)速為120r/min時，土壤回流率為3.51%,，并進(jìn)行了起壟輥應(yīng)力應(yīng)變分析,。田間試驗(yàn)結(jié)果表明，平均壟溝溝深為160.03mm,、溝頂寬為174.84mm,，平均壟頂寬為1888.89mm，平均廂面平整度為11.26mm,，平均微壟溝溝寬為60.16mm,、溝深為36.48mm，各項(xiàng)指標(biāo)均滿足冷浸田機(jī)械化起壟作業(yè)要求,。

摘要:針對現(xiàn)有排種器存在投種不順及大播量成穴性較差等問題,，本文設(shè)計了一種雙軌道彈射式水稻精量直播排種器,。基于理論分析設(shè)計了關(guān)鍵部件,，利用DEM-MBD耦合仿真技術(shù)得到了彈簧力參數(shù)及因素取值范圍,，明確了轉(zhuǎn)速超過35r/min后排種器的性能顯著下降。以合格率,、漏播率及重播率為性能評價指標(biāo)開展臺架正交試驗(yàn),，研究轉(zhuǎn)速、調(diào)節(jié)深度及稻種球度對排種器工作性能的影響,，建立排種性能評價指標(biāo)的回歸預(yù)測模型,。試驗(yàn)結(jié)果表明：排種輪轉(zhuǎn)速為23.06r/min、型孔深度為8.99mm,、稻種球度為52.7%時,，排種器合格率為88.58%、漏播率為4.43%,、重播率為6.99%,，排種器工作性能最佳。為驗(yàn)證排種器工作性能及優(yōu)化后參數(shù)的準(zhǔn)確性,，開展了田間試驗(yàn)，試驗(yàn)結(jié)果與優(yōu)化后結(jié)果保持一致,，回歸方程預(yù)測結(jié)果誤差小于2%,，驗(yàn)證了試驗(yàn)可行性及參數(shù)準(zhǔn)確性,，在最優(yōu)參數(shù)下排種器穴徑合格率為100%、平均穴徑為3.62cm,、穴徑變異系數(shù)為18.45%,、平均穴距為22.98cm、穴距變異系數(shù)為8.43%,、平均穴粒數(shù)為11.08,、穴粒數(shù)變異系數(shù)為17.56%。所設(shè)計的排種器具有較好的播種性能,、較高的穴徑合格率及較低的變異系數(shù),，表明該排種器具有良好的成穴性能。

摘要:針對玉米大豆帶狀復(fù)合種植條件下傳統(tǒng)機(jī)械式排種器不易實(shí)現(xiàn)二者兼用精量排種要求、現(xiàn)有氣力式排種器排種速度提高因型孔漏充存在漏播斷條等問題,，設(shè)計了一種具有腔盤組合孔結(jié)構(gòu)的排種盤,，分析確定了排種盤關(guān)鍵結(jié)構(gòu)參數(shù)，構(gòu)建了吸附過程和吸運(yùn)過程力學(xué)模型,。應(yīng)用EDEM離散元仿真與臺架試驗(yàn)相結(jié)合的方法進(jìn)行了排種盤型式優(yōu)選試驗(yàn),，結(jié)果得出：腔盤組合孔式排種盤具有提高充種室種群定向運(yùn)移平均速度和增大拖拽充種角的作用，有效抑制了型孔漏充率,。以安裝優(yōu)選種盤的玉豆兼用排種器為對象,，以機(jī)組前進(jìn)速度和工作負(fù)壓為試驗(yàn)因素,以漏充率和充種合格率為試驗(yàn)指標(biāo),采用二因素全因子試驗(yàn)設(shè)計開展了充種性能試驗(yàn)，結(jié)果表明：當(dāng)機(jī)組前進(jìn)速度為4.0~7.0km/h,、工作負(fù)壓在3.0~4.0kPa時,，玉米和大豆種子漏充率均小于3.6%、充種合格率均不小于96%,。田間驗(yàn)證試驗(yàn)表明,，在機(jī)組前進(jìn)速度為4.0~7.0km/h、工作負(fù)壓為3.0~4.0kPa條件下,腔盤組合孔式排種盤的排種器播種玉米和大豆漏充率分別不大于3.8%,、4.2%,；當(dāng)工作負(fù)壓為3.0kPa、機(jī)組前進(jìn)速度為7.0km/h時,，自擾動腔盤組合孔式排種盤相比無擾動平面排種盤,，播種玉米和大豆漏充率分別下降14.8、12.6個百分點(diǎn),。

摘要:為解決播種單體仿形機(jī)構(gòu)性能難以檢測的問題,，設(shè)計了俯仰式播種單體仿形性能檢測試驗(yàn)臺。闡述了試驗(yàn)臺組成結(jié)構(gòu)與工作原理,，對其高速傳動系統(tǒng),、液壓升降系統(tǒng)、監(jiān)控系統(tǒng)以及關(guān)鍵部件參數(shù)進(jìn)行設(shè)計,。應(yīng)用ANSYS軟件對臺架整體和關(guān)鍵部件進(jìn)行靜力學(xué)分析和模態(tài)分析,，驗(yàn)證結(jié)構(gòu)設(shè)計的合理性。為檢驗(yàn)俯仰式播種單體仿形性能檢測試驗(yàn)臺的實(shí)際檢測效果,，以德邦大為1205型牽引式免耕精量播種機(jī)播種單體為研究對象,，先以液壓桿伸出量與傳送帶速度為試驗(yàn)因素，以監(jiān)控系統(tǒng)誤差為評價指標(biāo)進(jìn)行試驗(yàn),。試驗(yàn)得出,，在液壓桿伸出量為0~200mm范圍內(nèi)，監(jiān)控系統(tǒng)角度傳感器最大誤差為0.69mm,；在傳送帶速度8~19km/范圍內(nèi),，光電編碼器最大誤差為0.18km/h。確認(rèn)監(jiān)控系統(tǒng)準(zhǔn)確性后,，再以單體速度為試驗(yàn)因素,，采集速度8、10,、12km/h下地塊的起伏數(shù)據(jù)為目標(biāo)曲線,，以地形起伏模擬曲線的絕對誤差平均值為指標(biāo)進(jìn)行單因素試驗(yàn)，試驗(yàn)得出,，所設(shè)計的試驗(yàn)臺可有效模擬田間地面的起伏頻率與起伏量,，絕對誤差平均值為1.86mm，滿足播種單體仿形性能檢測需求,。

摘要:為了解決現(xiàn)有空間行星輪系式分插機(jī)構(gòu)在再生稻寬窄行機(jī)械化種植取秧過程中出現(xiàn)側(cè)向偏移量和側(cè)向偏轉(zhuǎn)角的技術(shù)難題,，本文提出一種具有局部平面軌跡特性的空間軌跡不等速行星輪系機(jī)構(gòu),，并開展基于取秧口和機(jī)構(gòu)回轉(zhuǎn)中心位置約束下的寬窄行分插機(jī)構(gòu)綜合研究。構(gòu)建了基于關(guān)鍵位姿點(diǎn)（取秧起始點(diǎn),、取秧結(jié)束點(diǎn),、推秧點(diǎn)）的空間輪系機(jī)構(gòu)運(yùn)動綜合模型,，利用關(guān)鍵位姿點(diǎn)求解機(jī)構(gòu)桿長參數(shù)與空間交錯軸信息，并通過優(yōu)選二桿相對角位移參數(shù)實(shí)現(xiàn)機(jī)構(gòu)傳動比分配,。將不完全非圓齒輪副引入空間行星輪系機(jī)構(gòu)，利用間歇機(jī)構(gòu)鎖止弧約束行星軸,，實(shí)現(xiàn)機(jī)構(gòu)取秧過程側(cè)向零偏移量,、側(cè)向零偏轉(zhuǎn)角的平面軌跡段。通過仿真分析與機(jī)構(gòu)樣機(jī)試驗(yàn)驗(yàn)證了機(jī)構(gòu)實(shí)際作業(yè)性能與理論設(shè)計相一致,，結(jié)果表明：分插機(jī)構(gòu)取秧側(cè)向零偏移量,，取秧側(cè)向零偏轉(zhuǎn)角，推秧側(cè)向總偏移量為50.24mm,、取秧角為5.18°,、推秧角為71.56°、推秧側(cè)向角為16.26°,、插秧穴口寬度為22.43mm,、軌跡高度為289.76mm，滿足預(yù)期設(shè)計要求,。最后通過田間試驗(yàn)驗(yàn)證,，分插機(jī)構(gòu)可實(shí)現(xiàn)等行距取秧口和既定機(jī)構(gòu)回轉(zhuǎn)中心下寬行（40cm）與窄行(20cm)間隔機(jī)插，滿足再生稻寬窄行種植要求,。

摘要:針對現(xiàn)有植物莖稈夾持裝置存在夾傷莖稈、夾持行程及夾持力不可調(diào)等問題,，設(shè)計一種植物莖稈柔性夾持裝置,，夾持手內(nèi)置彈簧可實(shí)現(xiàn)植物莖稈柔性夾持，能進(jìn)行夾持力與夾持行程雙調(diào)節(jié),，更好適應(yīng)植物莖稈在力學(xué)試驗(yàn),、嫁接、莖稈切割試驗(yàn)等領(lǐng)域夾持需求,?；谒A持裝置剛?cè)狁詈戏抡婺Ｐ停M(jìn)行夾持力,、夾持行程,、彈簧剛度等多因素動力學(xué)對比仿真與試驗(yàn)分析，以彈簧剛度為設(shè)計變量進(jìn)行靈敏度及穩(wěn)定性分析,，研究不同彈簧剛度對柔性夾持裝置夾持性能的影響,。仿真與試驗(yàn)結(jié)果表明：裝置最大夾持直徑為68.8mm,，基于所構(gòu)建夾持裝置精準(zhǔn)夾持力模型，可平穩(wěn)調(diào)控夾持行程,、速度及夾持力,；隨著彈簧剛度的增加，夾持力逐漸變大,，夾持穩(wěn)定性增加,，綜合比較發(fā)現(xiàn)當(dāng)彈簧剛度為10N/mm時，可滿足裝置施加400N切割力時植物莖稈穩(wěn)定夾持需求,，柔性夾持力波動較小,，能有效避免損傷植物莖稈。

摘要:針對目前丘陵山地果園作業(yè)農(nóng)用底盤整機(jī)體積大,、行駛作業(yè)操作繁瑣和通過性差等問題,，結(jié)合丘陵山地果園開溝、除草和修剪等農(nóng)藝管理環(huán)節(jié)的實(shí)際需求,，設(shè)計了一款全液壓遙控式履帶動力底盤,。首先，對動力底盤的整機(jī)結(jié)構(gòu)和工作原理進(jìn)行了闡述,；其次,，對前置掛載機(jī)構(gòu)、行走系,、變幅寬底盤,、液壓系統(tǒng)、遙控系統(tǒng)等關(guān)鍵部件進(jìn)行設(shè)計和相應(yīng)的匹配選型,；最后,，對整機(jī)進(jìn)行了性能試驗(yàn)。試驗(yàn)結(jié)果表明：動力底盤在最小幅寬（1220mm）和最大幅寬(1620mm)的直線行駛偏移率分別為2.24％和2.2％,，均滿足相應(yīng)國家標(biāo)準(zhǔn)（≤6%）要求,。底盤的轉(zhuǎn)向機(jī)動性能良好，最小幅寬原地轉(zhuǎn)彎半徑為905mm,，可適應(yīng)丘陵山地果園相對狹窄的坡地作業(yè)環(huán)境,。遙控操作上下斜坡、翻越田埂、跨越畦溝等過程平穩(wěn),，滿足丘陵山地果園非結(jié)構(gòu)化地形行走要求,。掛載鏈?zhǔn)介_溝器進(jìn)行開溝作業(yè)時，溝深穩(wěn)定系數(shù)為88.5%,，溝寬穩(wěn)定系數(shù)為92.5%,，滿足國家標(biāo)準(zhǔn)（≥85%）要求。整機(jī)工作性能滿足丘陵果園復(fù)雜坡度地形管理作業(yè)要求,，可為丘陵山地果園田間管理作業(yè)的有效實(shí)施提供綜合應(yīng)用平臺和技術(shù)支撐,。

摘要:針對耕層殘膜老化嚴(yán)重、力學(xué)性能差,，殘膜與土壤混合造成耕層殘膜回收拾凈率低,、含土量高等問題，提出了一種旋耕起拋膜土混合物,、彈齒順向旋轉(zhuǎn)撿膜,、逆向旋轉(zhuǎn)卸膜的主動回收方法。設(shè)計了卷輥式耕層殘膜回收機(jī)的整體方案,，實(shí)現(xiàn)了起膜,、卷輥正轉(zhuǎn)撿膜、反轉(zhuǎn)卸膜,、集膜的功能,。對起膜裝置、撿膜裝置,、正反轉(zhuǎn)機(jī)構(gòu)及卸膜裝置等關(guān)鍵作業(yè)部件進(jìn)行設(shè)計與參數(shù)計算,，獲得在彈齒機(jī)械力作用下，將混合物內(nèi)的殘膜有效鉤,、挑分離出來的臨界條件,。運(yùn)用ANSYS和SPH（Smoothed particle hydrodynamics）耦合方法，構(gòu)建彈齒撿拾殘膜過程的數(shù)值模擬計算模型,，獲得撿膜過程中殘膜所受的最大應(yīng)力及變形,，分析了彈齒撿拾殘膜的有效性。樣機(jī)驗(yàn)證試驗(yàn)表明,，當(dāng)起膜刀轉(zhuǎn)速為213.75r/min,、撿拾滾筒轉(zhuǎn)速為43.75r/min、卷輥正轉(zhuǎn)撿膜轉(zhuǎn)速為131.27r/min、卷輥反轉(zhuǎn)卸膜轉(zhuǎn)速為167.86r/min,、卸膜輪轉(zhuǎn)速為43r/min時,，卷輥式耕層殘膜回收機(jī)表層拾凈率為82.6%，深層拾凈率為71.1%,，試驗(yàn)結(jié)果符合國家與行業(yè)標(biāo)準(zhǔn)的要求,，能夠從膜土混合物中有效回收耕層殘膜。

摘要:為解決新疆地區(qū)現(xiàn)有葡萄藤清土機(jī)械傷藤率高、彩條布上方大量覆土影響葡萄藤清土上架和彩條布回收的問題,，采用柔性刷輥設(shè)計了一種刷輥式葡萄藤清土機(jī),。該機(jī)關(guān)鍵部件為清土裝置，作業(yè)時通過清土刷的旋轉(zhuǎn)運(yùn)動和橫向伸縮機(jī)構(gòu)的往復(fù)運(yùn)動將彩條布上方的覆土清除,。首先進(jìn)行清土刷結(jié)構(gòu)設(shè)計和材料選擇,，然后對清土刷工作過程進(jìn)行運(yùn)動學(xué)理論分析，得到影響清土機(jī)作業(yè)性能的主要參數(shù),。通過單因素試驗(yàn)確定清土刷轉(zhuǎn)速,、橫向伸縮機(jī)構(gòu)往復(fù)速度、清土刷回轉(zhuǎn)直徑的合理取值范圍,，以清土刷轉(zhuǎn)速,、橫向伸縮機(jī)構(gòu)往復(fù)速度、清土刷回轉(zhuǎn)直徑為試驗(yàn)因素,，以清土率和傷藤率為評價指標(biāo),，開展三因素三水平正交試驗(yàn)。試驗(yàn)結(jié)果表明,，各試驗(yàn)影響因素對清土率和傷藤率的影響顯著性大小順序?yàn)榍逋了⑥D(zhuǎn)速,、橫向伸縮機(jī)構(gòu)往復(fù)速度、清土刷回轉(zhuǎn)直徑,。較優(yōu)參數(shù)組合為：清土刷轉(zhuǎn)速250r/min,、橫向伸縮機(jī)構(gòu)往復(fù)速度0.14m/s和清土刷回轉(zhuǎn)直徑600mm，在此參數(shù)組合下進(jìn)行3次驗(yàn)證試驗(yàn)取平均值,，清土率為90.98%,，傷藤率為3.27%，與優(yōu)化值相對誤差均小于5%,，證明樣機(jī)設(shè)計合理,。

摘要:針對現(xiàn)有的牧草揉絲機(jī)效率低,、揉絲質(zhì)量差,、對高含水率牧草不適用等問題，以苜蓿為加工對象設(shè)計了一種鍘切揉碎協(xié)同式牧草揉絲機(jī),。對鍘切和揉碎過程進(jìn)行了理論分析,，并通過設(shè)計計算確定了揉絲機(jī)的總體結(jié)構(gòu)和關(guān)鍵部件結(jié)構(gòu)參數(shù)。以生產(chǎn)率,、絲化率為性能評價指標(biāo),，進(jìn)行了以電機(jī)輸出轉(zhuǎn)速、篩孔直徑,、喂入量,、含水率為試驗(yàn)因素的單因素試驗(yàn)；將含水率為65%的苜蓿作為加工對象,，進(jìn)行了以電機(jī)輸出轉(zhuǎn)速、篩孔直徑,、喂入量為試驗(yàn)因素的二次正交旋轉(zhuǎn)組合試驗(yàn),。單因素試驗(yàn)確定了試驗(yàn)因素的取值范圍，探究了揉絲機(jī)對不同含水率苜蓿的揉絲效果,。通過Design-Expert 12.0軟件對二次正交旋轉(zhuǎn)組合試驗(yàn)的試驗(yàn)結(jié)果進(jìn)行了響應(yīng)曲面分析,、回歸分析及目標(biāo)優(yōu)化，得到了試驗(yàn)因素與評價指標(biāo)之間的回歸方程,，以生產(chǎn)率和絲化率同時最大化為目標(biāo),，對電機(jī)輸出轉(zhuǎn)速、篩孔直徑,、喂入量進(jìn)行多目標(biāo)尋優(yōu)求解,，確定最優(yōu)參數(shù)組合為：電機(jī)輸出轉(zhuǎn)速443.77r/min、篩孔直徑14mm,、喂入量1.27kg/s,，揉絲驗(yàn)證試驗(yàn)表明，生產(chǎn)率為5065.98kg/h,、絲化率為94.87%,；該裝置揉絲效率高、質(zhì)量好,，而且能夠揉絲高含水率牧草,，滿足牧草揉絲機(jī)設(shè)計要求。

摘要:針對現(xiàn)有大田精準(zhǔn)施藥系統(tǒng)主要以藥量變量控制為主,，缺乏農(nóng)藥噴施作業(yè)數(shù)據(jù)遠(yuǎn)程監(jiān)測與溯源管理等問題，本文設(shè)計了基于農(nóng)藥噴施溯源的精準(zhǔn)變量噴藥監(jiān)控系統(tǒng),，可實(shí)現(xiàn)農(nóng)藥精準(zhǔn)變量噴施,，作業(yè)地塊、作業(yè)時間,、作業(yè)面積,、農(nóng)藥種類與配比、噴施藥量,、噴霧壓力,、實(shí)時流量和作業(yè)速度等信息的在線監(jiān)測、實(shí)時顯示和溯源管理,?；谠撓到y(tǒng)分別開展了施藥量計算精度、作業(yè)面積計算精度,、物聯(lián)網(wǎng)數(shù)據(jù)傳輸穩(wěn)定性,、變量調(diào)控系統(tǒng)動態(tài)響應(yīng)、變量調(diào)控精度和農(nóng)藥噴施均勻性等試驗(yàn),。試驗(yàn)結(jié)果表明,，北斗定位測速最大誤差為1.33%，平均誤差為0.82%,，施藥量計算誤差為1.73%,，作業(yè)面積計算誤差為2.61%，數(shù)據(jù)丟失率為3.51%,；速度連續(xù)變化下系統(tǒng)穩(wěn)定調(diào)節(jié)時間為4~5s,；不同設(shè)定施藥量和作業(yè)速度下，變量調(diào)控精度誤差為2.45%,；霧滴沉積點(diǎn)密度大于20滴/cm2下,，在噴霧機(jī)行走和噴霧方向上的噴霧覆蓋率變異系數(shù)均小于10%，滿足精準(zhǔn)變量作業(yè)要求,。本研究可在實(shí)現(xiàn)藥量變量調(diào)控下對農(nóng)藥噴施數(shù)據(jù)進(jìn)行溯源管理,，為后續(xù)開展大田作物農(nóng)藥殘留風(fēng)險評估提供支撐。

摘要:針對國內(nèi)連棟溫室缺乏植保噴霧機(jī),、機(jī)械走直定位與換軌轉(zhuǎn)向精度低等問題，設(shè)計了一種連棟溫室分段變距噴霧機(jī)器人,，在實(shí)現(xiàn)無人化噴藥的同時提高作業(yè)精度,。為滿足連棟溫室機(jī)械作業(yè)路軌結(jié)合、精準(zhǔn)切換的要求,，提出一種通用型移動底盤,，并確定其關(guān)鍵設(shè)計參數(shù)；為減少底盤上下軌時的偏移量,，設(shè)計軌上矯正裝置,，通過分析計算及試驗(yàn)驗(yàn)證，確定其安裝余量為4mm,；針對底盤對軌誤差大的問題,，提出一種二維碼融合陀螺儀及光電傳感器雙向垂直尋跡的路面關(guān)鍵點(diǎn)定位與轉(zhuǎn)向控制方法。設(shè)計分段變距噴霧裝置,，提出一種絲桿滑臺驅(qū)動的噴桿變距方案,，分析校驗(yàn)其驅(qū)動參數(shù)以滿足工作要求；基于滾針軸承設(shè)計噴桿輔助防抖裝置,，減小因噴桿劇烈抖動帶來的滑臺與噴桿損傷,。開發(fā)底盤運(yùn)動及分段變距噴霧控制系統(tǒng)，實(shí)現(xiàn)噴霧機(jī)器人在連棟溫室內(nèi)的全程自動化作業(yè),。最后,，對樣機(jī)進(jìn)行底盤性能與噴霧效果試驗(yàn),。底盤作業(yè)時直線行走與對軌誤差平均值分別為4.8,、5.8mm，滿足控制精度要求,；避障距離為34cm,，滿足安全性要求；防抖裝置的安裝使噴桿行進(jìn)方向的抖動量從-1°~1.3°降低到±0.4°內(nèi),，噴頭方向的抖動量從±0.5°降低到±0.3°內(nèi),，防抖效果顯著；分段變距噴霧作業(yè)后,，盛果期番茄葉片正面霧滴沉積量為1.76μL/cm2,，反面沉積量為0.2μL/cm2，霧滴體積中徑在100~180μm之間,，滿足作業(yè)要求,。

摘要:噴灌是園藝作物有效的防霜技術(shù)之一,。為確定茶樹噴灌防霜需水量和節(jié)約水資源,，需研究噴灌過程中植株的儲水/冰量動態(tài)變化及影響因素。本文設(shè)計了一種防滴落,、莖桿水收集及稱量組合裝置,，可直接精確獲取整株茶樹的儲水/冰量；試驗(yàn)分析非凍結(jié)和凍結(jié),、微量和搖臂2類噴頭條件下儲水/冰量變化的異同,；最后探究了凍結(jié)下微量噴頭噴灌時長對儲冰量和莖桿水量的影響。研究結(jié)果表明,，非凍結(jié)條件下,，茶樹儲水量變化經(jīng)歷積累、動平衡和干燥3個階段,；凍結(jié)條件下的儲冰量隨噴灌進(jìn)行持續(xù)增加,，并在停噴后較長時間內(nèi)保持不變，即積累和保持階段,，隨后依次經(jīng)歷融化流失和干燥階段,；相同噴灌壓力和時長下，微量噴頭的儲水量和儲冰量分別是搖臂噴頭的1.2倍和2.0倍,；微量噴頭噴灌時長對最大儲水量無明顯影響,，約為0.22kg，最大儲冰量則隨噴灌時長的增加而顯著增加,，1.5h的儲冰量是0.5h的2.9倍,。微量噴頭作用的莖桿水量，在非凍結(jié)和凍結(jié)條件下也較高,，分別是搖臂噴頭的3.0倍和2.7倍,。本文研究了茶樹植株表面儲水/冰量變化及影響因素，改進(jìn)了灌木類植物冠層截留量的測量方法,，為提升防霜效果和實(shí)現(xiàn)精準(zhǔn)噴灌奠定了基礎(chǔ),。

摘要:液滴撞擊葉片時會使葉片發(fā)生彎曲變形,，這種變形會對液滴的撞擊行為產(chǎn)生影響,。基于前人液滴撞擊剛性表面的理論模型,，探究了液滴撞擊柔性辣椒葉片時葉片彈性系數(shù)對液滴撞擊行為的影響,，考慮葉片彈性勢能、液滴和葉片重力勢能,，建立了液滴撞擊柔性辣椒葉片最大擴(kuò)散因子數(shù)學(xué)預(yù)測模型,。以液滴粒徑、撞擊速度,、撞擊點(diǎn)到葉尖距離占比為試驗(yàn)因素,，對數(shù)學(xué)模型進(jìn)行了合理性驗(yàn)證。結(jié)果表明：3個因素對液滴粘附和飛濺均有顯著性影響（P<0.05）,。數(shù)學(xué)模型對液滴撞擊柔性辣椒葉片最大擴(kuò)散因子預(yù)測誤差在10%以內(nèi),，但此誤差會隨著葉片彈性系數(shù)的增加而減小。液滴撞擊柔性辣椒葉片沒有發(fā)生反彈,，和理論模型預(yù)測結(jié)果一致,。液滴粘附時，葉片彈性系數(shù)與液滴達(dá)到最大擴(kuò)散的時間呈負(fù)相關(guān),，與撞擊剛性固定葉片相比,，達(dá)到最大擴(kuò)散的時間增加量在0.5ms以內(nèi)，最大擴(kuò)散因子減小率在25%以內(nèi),，傳遞給葉片彈性勢能占初始總能量的比隨著葉片彈性系數(shù)的增加呈現(xiàn)先減小后增大趨勢,。液滴飛濺時，在到葉尖距離占比的20%,、40%,、60%、80%處,，與剛性葉片相比,，飛濺臨界值Kcrit分別增加16.202%、10.515%,、6.508%,、4.467%,，說明葉片越靠近彈性系數(shù)小的區(qū)域,，液滴越不容易飛濺。本文為液滴在柔性植物葉片上的撞擊行為研究和噴霧參數(shù)選擇提供了一種方法,。

摘要:離心泵葉片泥沙磨損是引黃泵站面臨的工程難題,，采用模型試驗(yàn)及數(shù)值模擬相結(jié)合的方法,，分析了雙吸式離心泵葉片出口的磨損破壞規(guī)律及其形成機(jī)制,。采用多層涂層法、絲線法和內(nèi)窺式成像技術(shù)對葉片的磨損特征和近壁面流態(tài)進(jìn)行了分析,，并結(jié)合數(shù)值模擬分析了葉輪流道內(nèi)的旋渦結(jié)構(gòu)及顆粒軌跡,。研究發(fā)現(xiàn)：葉片吸力面出口存在左右近似對稱的“三角形”磨損破壞區(qū)域，該區(qū)域存在明顯的流動分離,；葉輪內(nèi)的葉道渦和出口回流渦是導(dǎo)致葉片吸力面出口磨損的主要原因,。源于葉片壓力面進(jìn)口的葉道渦誘導(dǎo)泥沙顆粒向葉片吸力面出口聚集，造成吸力面出口的集中磨損,；葉片吸力面出口附近存在的回流渦誘導(dǎo)顆粒進(jìn)行軸向旋轉(zhuǎn)運(yùn)動,，加劇葉片吸力面出口的磨損破壞。本研究為雙吸式離心泵的抗磨損設(shè)計提供了理論支撐,。

摘要:針對當(dāng)前運(yùn)用單一光學(xué)衛(wèi)星反演土壤含水率時易受到云的影響,，單一SAR衛(wèi)星反演土壤含水率時易受到地表粗糙度和植被影響的問題,，以內(nèi)蒙古河套灌區(qū)沙壕渠為研究區(qū)域，以4個深度的土壤含水率為研究對象,，分別采用主成分分析（PCA）,、施密特正交變換（GS）融合Landsat8和Sentinel-1圖像以減少云、植被,、土壤粗糙度的影響,，并對融合后的圖像質(zhì)量進(jìn)行評價，然后用融合圖像的灰度構(gòu)建1134種遙感指數(shù),，基于相關(guān)系數(shù)分析,、變量投影重要性分析、灰色關(guān)聯(lián)分析3種變量篩選方法與BP神經(jīng)網(wǎng)絡(luò)（BP）,、極限學(xué)習(xí)機(jī)（ELM）,、隨機(jī)森林（RF）、支持向量機(jī)（SVM）4種機(jī)器學(xué)習(xí)算法的耦合模型反演沙壕渠土壤含水率,。研究結(jié)果表明：經(jīng)PCA,、GS融合后的融合圖像可同時保持Sentinel-1和Landsat8圖像的優(yōu)勢，并成功定量反演土壤含水率,?；谌诤蠄D像構(gòu)建的三維指數(shù)普遍比二維指數(shù)對土壤含水率更敏感。在表層土壤含水率反演中，基于GS融合的VIP-ELM模型精度最高（決定系數(shù)R2=0.66,，均方根誤差（RMSE）為1.35%）,。將GS融合的VIP-ELM模型應(yīng)用于其他土壤深度含水率的反演后發(fā)現(xiàn)，20~40cm反演精度最高（R2=0.79,，RMSE為0.94%）,，其次是0~10cm、40~60cm,、10~20cm,。該研究可為多源衛(wèi)星圖像融合反演土壤含水率提供參考。

摘要:葉片含水率和葉水勢反映植物組織中水分的狀態(tài),，是衡量植物水分供應(yīng)和水分利用效率的重要指標(biāo),。為探究基于不同高度下無人機(jī)多光譜影像反演葉片含水率和葉水勢模型的差異，本研究在3個飛行高度處理F30,、F60,、F100 (30、60,、100m)下采集多光譜影像數(shù)據(jù),，通過使用6種光譜反射率+經(jīng)驗(yàn)植被指數(shù)的組合與地面實(shí)測數(shù)據(jù)進(jìn)行相關(guān)性分析，獲得不同飛行高度下的光譜反射率+經(jīng)驗(yàn)植被指數(shù)組合與葉片含水率和葉水勢的反演模型及其決定系數(shù),，以決定系數(shù)為依據(jù)分別構(gòu)建支持向量機(jī)（SVM）,、隨機(jī)森林（RF）和徑向基神經(jīng)網(wǎng)絡(luò)（RBFNN）模型，分析不同飛行高度無人機(jī)多光譜影像反演芳樟葉片含水率和葉水勢的精度,。結(jié)果發(fā)現(xiàn)：3個飛行高度下,，基于RF模型的反演精度均高于SVM模型和RBFNN模型。F30處理對葉片含水率與葉水勢反演效果均優(yōu)于F60和F100處理,。F30處理對葉片含水率反演的敏感光譜反射率+植被指數(shù)組合為紅光波段反射率（R）,、紅邊1波段反射率（RE1）、紅邊2波段反射率（RE2）,、近紅外波段反射率（NIR）,、增強(qiáng)型植被指數(shù)（EVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）,。RF模型訓(xùn)練集的R2,、RMSE,、MRE分別為0.845,、0.548%,、0.712%；測試集的R2,、RMSE,、MRE分別為0.832、0.683%,、0897%,。對葉水勢反演的敏感光譜反射率+植被指數(shù)組合為R、RE2,、NIR,、EVI、SAVI,、花青素反射指數(shù)（ARI）,。RF模型訓(xùn)練集的R2、RMSE,、MRE分別為0.814,、0.073MPa、3.550%,；測試集的R2,、RMSE、MRE分別為0.806,、0.095MPa,、4.250%。研究結(jié)果表明飛行高度30m與RF方法分別為反演葉片含水率和葉水勢的最優(yōu)光譜獲取高度與最優(yōu)模型構(gòu)建方法,。本研究可為基于無人機(jī)平臺的矮林芳樟水分監(jiān)測提供技術(shù)支持,，并可為篩選無人機(jī)多光譜波段與經(jīng)驗(yàn)植被指數(shù)、實(shí)現(xiàn)植物長勢參數(shù)快速估測提供應(yīng)用參考,。

摘要:為了提高冬小麥種植區(qū)識別精度,，本文基于谷歌地球引擎（Google Earth Engine,，GEE）平臺和隨機(jī)森林算法，對比雷達(dá)和光學(xué)遙感數(shù)據(jù)對冬小麥提取效果的差異,，并對多類特征變量進(jìn)行重要性分析,，研究特征優(yōu)選對冬小麥識別精度的影響。選取2019年3—5月冬小麥關(guān)鍵生育期的Sentinel-1和Sentinel-2影像為數(shù)據(jù)源,，構(gòu)建Sentinel-1的極化特征和紋理特征以及Sentinel-2的光譜特征,、植被指數(shù)特征、植被指數(shù)變化率特征共5類特征變量；設(shè)置不同數(shù)據(jù)源和不同特征組合的冬小麥種植區(qū)提取方案,；對方案中特征變量進(jìn)行優(yōu)選,，得出最優(yōu)特征組合，利用最優(yōu)特征組合對河南省駐馬店市冬小麥種植區(qū)進(jìn)行提取,。結(jié)果表明,，無論是否進(jìn)行特征優(yōu)選，基于多源遙感數(shù)據(jù)的冬小麥識別精度均優(yōu)于僅采用光學(xué)或雷達(dá)數(shù)據(jù)的精度,；經(jīng)過特征優(yōu)選后,，各方案的分類精度均有不同程度的提升，說明多源數(shù)據(jù)特征變量組合和特征優(yōu)選均能夠提高分類精度,。不同月份和類型的特征變量對分類精度的貢獻(xiàn)率不同,，貢獻(xiàn)率由大到小為4月、3月和5月,；貢獻(xiàn)率由大到小的特征類型為極化特征,、植被指數(shù)變化率特征、植被指數(shù)特征,、光譜特征和紋理特征,。基于多源數(shù)據(jù)特征優(yōu)選提取的2019年駐馬店冬小麥空間分布最優(yōu),，總體精度為95.60%,，Kappa系數(shù)為0.93，冬小麥提取面積與統(tǒng)計年鑒數(shù)據(jù)相比,，相對誤差為2.23%,。本文可為基于多源光學(xué)和雷達(dá)遙感影像進(jìn)行農(nóng)作物種植區(qū)提取的研究提供理論參考。

摘要:針對圖像處理與計算機(jī)視覺技術(shù)中低對比度,、邊緣模糊圖像的邊緣檢測問題,，參考局部極值與梯度方向兩種因素，并結(jié)合圖像邊緣方向趨勢,，提出了一種單像素邊緣跟蹤策略,。相較于應(yīng)用廣泛的Canny算法，該跟蹤策略無需設(shè)置全局閾值,，實(shí)現(xiàn)方式更為簡潔,、高效,；提取的圖像邊緣連續(xù)、平滑,、完整,，并有效地減少了圖像邊緣的冗余像素，進(jìn)而提升了圖像后續(xù)處理的效率,；邊緣跟蹤方向抗干擾性強(qiáng),，具有較強(qiáng)的魯棒性,。為了減小檢測的圖像邊緣與真實(shí)圖像邊緣之間的偏差,、提高圖像邊緣檢測的精度，參考邊緣像素點(diǎn)的相鄰區(qū)域灰度,，以邊緣像素點(diǎn)的梯度分布為依據(jù)對該像素點(diǎn)進(jìn)行亞像素定位,。經(jīng)實(shí)驗(yàn)驗(yàn)證，經(jīng)過亞像素優(yōu)化的圖像邊緣檢測策略可用于檢測邊緣模糊,、對比度低的圖像,，檢測的圖像邊緣完整、連續(xù)且平滑,。該策略有效地消除了程序運(yùn)算中引入的截斷誤差,，提升了圖像邊緣檢測精度，且適用于亮度5~100000lx的高動態(tài)成像場景中,。

摘要:為實(shí)現(xiàn)復(fù)雜自然環(huán)境下對桑樹嫩葉處枝干的識別檢測，改變當(dāng)前桑葉采摘設(shè)備作業(yè)過程中依賴人工輔助定位的現(xiàn)狀,，解決識別目標(biāo)姿態(tài)多樣和環(huán)境復(fù)雜導(dǎo)致的低識別率問題,，提出一種基于改進(jìn)YOLO v5模型的桑樹枝干識別模型(YOLO v5-mulberry)，并結(jié)合深度相機(jī)構(gòu)建定位系統(tǒng),。首先,，在YOLO v5的骨干網(wǎng)絡(luò)中加入CBAM(Convolutional block attention module)注意力機(jī)制，提高神經(jīng)網(wǎng)絡(luò)對桑樹枝干的關(guān)注度,；并增加小目標(biāo)層使模型可檢測4像素×4像素的目標(biāo),，提高了模型檢測小目標(biāo)的性能；同時使用GIoU損失函數(shù)替換原始網(wǎng)絡(luò)中的IoU損失函數(shù),，有效防止了預(yù)測框和真實(shí)框尺寸較小時無法正確反映預(yù)測框及真實(shí)框之間位置關(guān)系的情況,；隨后,，完成深度圖和彩色圖的像素對齊,，通過坐標(biāo)系轉(zhuǎn)換獲取桑樹枝干三維坐標(biāo),。試驗(yàn)結(jié)果表明：YOLO v5-mulberry檢測模型的平均精度均值為94.2%，較原模型提高16.9個百分點(diǎn),，置信度也提高12.1%,；模型室外檢測時應(yīng)檢測目標(biāo)數(shù)53，實(shí)際檢測目標(biāo)數(shù)為48,，檢測率為90.57%,；桑樹嫩葉處枝干三維坐標(biāo)識別定位系統(tǒng)的定位誤差為(9.4985mm,11.285mm,19.11mm)，滿足使用要求,。該研究可實(shí)現(xiàn)桑樹嫩葉處枝干的識別與定位,，有助于推動桑葉智能化采摘機(jī)器人研究。

摘要:針對菊花種類繁多，花型差別細(xì)微,，準(zhǔn)確標(biāo)注比較困難的問題,，基于深度主動學(xué)習(xí)與混合注意力機(jī)制模塊(Convolutional block attention module,CBAM)，提出了一種標(biāo)號數(shù)據(jù)不足情況下的菊花表型智能識別方法和框架,。首先,，通過主動學(xué)習(xí)策略基于最優(yōu)標(biāo)號和次優(yōu)標(biāo)號法（Best vs secondbest,BvSB）在未標(biāo)記菊花樣本中選取信息量較大的樣本進(jìn)行標(biāo)記，并將標(biāo)記后的樣本放入訓(xùn)練樣本中,；其次,，使用深度卷積神經(jīng)網(wǎng)絡(luò)ResNet50作為本文的主干網(wǎng)絡(luò)訓(xùn)練標(biāo)記樣本，引入混合注意力機(jī)制模塊CBAM,，使模型能夠更為準(zhǔn)確地提取細(xì)粒度圖像中的高層語義信息,；最后，用更新后的訓(xùn)練樣本繼續(xù)訓(xùn)練分類模型,，直到模型達(dá)到迭代次數(shù)后停止,。實(shí)驗(yàn)結(jié)果表明，該方法在少量菊花標(biāo)記樣本下,，精確率,、召回率和F1值分別達(dá)到93.66%、93.15%和93.41%,。本文方法可為標(biāo)號數(shù)據(jù)不足情況下的菊花等花卉智能化識別提供技術(shù)支撐,。

摘要:針對黃花傳統(tǒng)人工識別效率低,，辨識標(biāo)準(zhǔn)不統(tǒng)一的問題,，提出基于輕量化和高效層聚合過渡網(wǎng)絡(luò)的黃花成熟度識別方法LSEB YOLO v7,。首先，引入輕量化卷積對高效層聚合網(wǎng)絡(luò)和過渡模塊進(jìn)行輕量化處理,，減少模型計算量,。其次，在特征提取與特征融合網(wǎng)絡(luò)之間增加通道注意力機(jī)制,，提升模型檢測性能,。最后，在特征融合網(wǎng)絡(luò)中,，優(yōu)化通道信息融合方式,，使用雙向特征金字塔網(wǎng)絡(luò)替換Concatenate，增加信息融合通道,，持續(xù)提升模型性能,。實(shí)驗(yàn)結(jié)果表明：與原始模型相比,，在黃花成熟度檢測中,，改進(jìn)后的LSEB YOLO v7模型參數(shù)量和浮點(diǎn)運(yùn)算量分別減少約2.0×106和7.7×109。訓(xùn)練時長由8.025h降低至7.746h,，模型體積壓縮約4MB,。同時，訓(xùn)練精確率和召回率分別提升約0.64個百分點(diǎn)和0.14個百分點(diǎn),，[email protected]和[email protected]：0.95分別提升約1.84個百分點(diǎn)和1.02個百分點(diǎn),。此外，調(diào)和均值性能保持不變,，均為84.00%,。LSEB YOLO v7算法可均衡模型復(fù)雜性與性能，為黃花成熟度檢測和智能化采摘設(shè)備提供技術(shù)支持,。

摘要:蘋果樹疏花是果園生產(chǎn)管理中的重要環(huán)節(jié)。準(zhǔn)確高效地識別蘋果中心花和邊花,，是研發(fā)智能疏花機(jī)器人的前提,。針對蘋果疏花作業(yè)中的實(shí)際需求，提出了一種基于CRV-YOLO的蘋果中心花和邊花識別方法,。本文基于YOLO v5s模型進(jìn)行了如下改進(jìn)：將C-CoTCSP結(jié)構(gòu)融入Backbone,，更好地學(xué)習(xí)上下文信息并提高了模型特征提取能力，提高了模型對外形相似和位置關(guān)系不明顯的中心花和邊花的檢測性能,。在Backbone中添加改進(jìn)RFB結(jié)構(gòu),，擴(kuò)大特征提取感受野并對分支貢獻(xiàn)度進(jìn)行加權(quán),，更好地利用了不同尺度特征。采用VariFocal Loss損失函數(shù),，提高了模型對遮擋等場景下難識別樣本檢測能力,。在3個品種1837幅圖像數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明,，CRV-YOLO的精確率,、召回率和平均精度均值分別為95.6%、92.9%和96.9%,，與原模型相比,，分別提高3.7、4.3,、3.9個百分點(diǎn),，模型受光照變化和蘋果品種影響較小。與Faster R-CNN,、SSD,、YOLOX、YOLO v7模型相比,，CRV-YOLO的精確率,、平均精度均值、模型內(nèi)存占用量和復(fù)雜度性能最優(yōu),，召回率接近最優(yōu),。研究成果可為蘋果智能疏花提供技術(shù)支持。

摘要:針對畜禽疫病文本語料匱乏、文本內(nèi)包含大量疫病名稱及短語等未登錄詞問題,，提出了一種結(jié)合詞典匹配的BERT-BiLSTM-CRF畜禽疫病文本分詞模型,。以羊疫病為研究對象，構(gòu)建了常見疫病文本數(shù)據(jù)集,，將其與通用語料PKU結(jié)合,，利用BERT(Bidirectional encoder representation from transformers)預(yù)訓(xùn)練語言模型進(jìn)行文本向量化表示；通過雙向長短時記憶網(wǎng)絡(luò)(Bidirectional long short-term memory network, BiLSTM)獲取上下文語義特征,；由條件隨機(jī)場(Conditional random field, CRF)輸出全局最優(yōu)標(biāo)簽序列,。基于此,，在CRF層后加入畜禽疫病領(lǐng)域詞典進(jìn)行分詞匹配修正,，減少在分詞過程中出現(xiàn)的疫病名稱及短語等造成的歧義切分,，進(jìn)一步提高了分詞準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明,，結(jié)合詞典匹配的BERT-BiLSTM-CRF模型在羊常見疫病文本數(shù)據(jù)集上的F1值為96.38%,，與jieba分詞器、BiLSTM-Softmax模型,、BiLSTM-CRF模型,、未結(jié)合詞典匹配的本文模型相比，分別提升11.01,、10.62,、8.3、0.72個百分點(diǎn),，驗(yàn)證了方法的有效性,。與單一語料相比，通用語料PKU和羊常見疫病文本數(shù)據(jù)集結(jié)合的混合語料,，能夠同時對畜禽疫病專業(yè)術(shù)語及疫病文本中常用詞進(jìn)行準(zhǔn)確切分,，在通用語料及疫病文本數(shù)據(jù)集上F1值都達(dá)到95%以上，具有較好的模型泛化能力,。該方法可用于畜禽疫病文本分詞,。

摘要:多目標(biāo)小鼠跟蹤是小鼠行為分析的基本任務(wù),，是研究社交行為的重要方法,。針對傳統(tǒng)小鼠跟蹤方法存在只能跟蹤單只小鼠以及對多目標(biāo)小鼠跟蹤需要對小鼠進(jìn)行標(biāo)記從而影響小鼠行為等問題，提出了一種基于實(shí)例分割網(wǎng)絡(luò)YOLO v8n-seg和改進(jìn)Strongsort相結(jié)合的多目標(biāo)小鼠無標(biāo)記跟蹤方法,。使用RGB攝像頭采集多目標(biāo)小鼠的日常行為視頻,，標(biāo)注小鼠身體部位分割數(shù)據(jù)集，對數(shù)據(jù)集進(jìn)行增強(qiáng)后訓(xùn)練YOLO v8n-seg實(shí)例分割網(wǎng)絡(luò),，經(jīng)過測試,，模型精確率為97.7%，召回率為98.2%,，mAP50為99.2%,，單幅圖像檢測時間為3.5ms，實(shí)現(xiàn)了對小鼠身體部位準(zhǔn)確且快速地分割,，可以滿足Strongsort多目標(biāo)跟蹤算法的檢測要求,。針對Strongsort算法在多目標(biāo)小鼠跟蹤中存在的跟蹤錯誤問題,，對Strongsort做了兩點(diǎn)改進(jìn)：對匹配流程進(jìn)行改進(jìn)，將未匹配上目標(biāo)的軌跡和未匹配上軌跡的目標(biāo)按歐氏距離進(jìn)行再次匹配,；對卡爾曼濾波進(jìn)行改進(jìn),，將卡爾曼濾波中表示小鼠位置和運(yùn)動狀態(tài)的小鼠身體輪廓外接矩形框替換為以小鼠身體輪廓質(zhì)心為中心、對角線為小鼠體寬的正方形框,。經(jīng)測試,，改進(jìn)后Strongsort算法的ID跳變數(shù)為14，MOTA為97.698%,，IDF1為85.435%,，MOTP為75.858%，與原Strongsort相比,，ID跳變數(shù)減少88%,，MOTA提升3.266個百分點(diǎn)，IDF1提升27.778個百分點(diǎn),，與Deepsort,、ByteTrack和Ocsort相比，在MOTA和IDF1上均有顯著提升,，且ID跳變數(shù)大幅降低,，結(jié)果表明改進(jìn)Strongsort算法可以提高多目標(biāo)無標(biāo)記小鼠跟蹤的穩(wěn)定性和準(zhǔn)確性，為小鼠社交行為分析提供了一種新的技術(shù)途徑,。

摘要:針對已有水質(zhì)預(yù)測模型在數(shù)據(jù)降噪,、網(wǎng)絡(luò)參數(shù)初始值設(shè)置和優(yōu)化、精度提高等方面能力的不足,，構(gòu)建了一種優(yōu)化的水質(zhì)三維預(yù)測模型,。利用主成分分析算法篩選出水質(zhì)關(guān)鍵參數(shù)，并基于自適應(yīng)噪聲的完全集合經(jīng)驗(yàn)?zāi)B(tài)分解算法結(jié)合小波閾值模型對三維水質(zhì)參數(shù)和氣象數(shù)據(jù)降噪處理,，使用3維卷積神經(jīng)網(wǎng)絡(luò)（Three-dimensional convolutional neural networks,3-D CNN）提取出特征數(shù)據(jù)集,，自編碼器（Autoencoder,AE）獲得徑向基函數(shù)（Radial basis function,RBF）網(wǎng)絡(luò)參數(shù)初始化值，改進(jìn)布谷鳥搜索算法(Improved cuckoo search, ICS)優(yōu)化更新網(wǎng)絡(luò)中超參數(shù)動態(tài)初始化值,。廣東省湛江市徐聞縣大水橋水庫區(qū)域22個典型在線監(jiān)測站點(diǎn)以及6個手持監(jiān)測點(diǎn)的實(shí)測數(shù)據(jù)對比驗(yàn)證結(jié)果表明,，濁度和藻密度分別與總氮含量強(qiáng)正相關(guān)，葉綠素含量與氣溫強(qiáng)正相關(guān),，所提出的水質(zhì)預(yù)測模型在5個典型精準(zhǔn)性評價指標(biāo)方面優(yōu)于已有文獻(xiàn)方法,。研究成果可為管理部門和研究者對水質(zhì)監(jiān)測提供參考。

摘要:為明確氣候變暖和“雙晚技術(shù)”背景下華北地區(qū)冬小麥的適宜播期,，基于WMAIP集成模型，對華北地區(qū)冬小麥適宜播期,、冬前積溫下限及最遲播期進(jìn)行了分析,。研究結(jié)果表明，華北地區(qū)晚播減產(chǎn)幅度由南向北增大,，南部晚播減產(chǎn)幅度最?。?19.5%），中部晚播減產(chǎn)幅度在26.4%以內(nèi),，北部晚播減產(chǎn)幅度最大,，最高可達(dá)32.0%。華北地區(qū)北部,、中部和南部的適宜播期分別在9月25日—10月5日之間,、9月30日—10月20日之間和10月10日—11月5日之間。華北地區(qū)冬小麥基于高產(chǎn)和高水分利用效率的適宜冬前積溫下限分別在497~629℃·d和 344~581℃·d之間,，并由南部向北部遞增,。在高產(chǎn)和高水分利用效率條件下，河北,、山東,、河南大部分地區(qū)的最遲播期分別為10月1—13日、10月10—16日,、10月22—28日和10月7—19日、10月16—22日,、10月31日—11月12日,。研究結(jié)果可為氣候變暖背景下華北地區(qū)“雙晚技術(shù)”的推廣和應(yīng)用提供參考。

摘要:為探明不同連作年限設(shè)施農(nóng)用地土壤有機(jī)碳（Soil organic carbon, SOC）與細(xì)菌群落功能變化及其動態(tài)響應(yīng)關(guān)系，以北京市南郊設(shè)施農(nóng)業(yè)集中地為研究區(qū)，采用時空替代法系統(tǒng)分析了未種植（CK）,、連作年限0~5年（0~5a）,、5~10年（5~10a）、10~20年（10~20a）和20年以上（20a+）SOC,、細(xì)菌群落結(jié)構(gòu)及其代謝功能的變化,。結(jié)合冗余分析（RDA）、典型相關(guān)分析（CCA）,、PICRUSt2功能預(yù)測及Mantel test探究了SOC及其活性組分與細(xì)菌優(yōu)勢菌群的動態(tài)響應(yīng),，以及與細(xì)菌代謝功能的相互關(guān)系。結(jié)果表明：連作使研究區(qū)微生物生物量碳（Microbial biomass carbon, MBC）,、易氧化有機(jī)碳（Easily oxidizes organic carbon, EOC）,、SOC含量及土壤有機(jī)碳密度（Soil organic carbon density, SOCD）均隨種植年限先增后減，可溶性有機(jī)碳（Dissolved organic carbon, DOC）含量在20a+時最高,，微生物熵（Q）隨連作年限增加而減小,。連作降低了土壤細(xì)菌的多樣性，但提高了細(xì)菌種群間差異,，PICRUSt2預(yù)測不同連作年限土壤細(xì)菌功能均以新陳代謝為主,，5~20a土壤細(xì)菌二級代謝功能豐度明顯高于0~5a、20a+,、CK,。相對豐度前10的細(xì)菌群中Acidobacteriota與SOC及其活性組分含量均呈負(fù)相關(guān)，主導(dǎo)和參與SOC累積循環(huán)的關(guān)鍵菌群在連作20a+后出現(xiàn)由富營養(yǎng)型菌群向寡營養(yǎng)和致病類菌群轉(zhuǎn)變的趨勢,；Mantel分析顯示,，第3層級有53類與土壤有機(jī)碳含量呈顯著相關(guān)的代謝功能（p<0.05），其中23類隸屬于第1層級的新陳代謝,，與EOC呈顯著相關(guān)的代謝功能高達(dá)51類,。本研究結(jié)果可為優(yōu)化碳循環(huán)相關(guān)細(xì)菌功能群，提升小尺度設(shè)施農(nóng)用地土壤碳匯功能提供參考,。

摘要:對畜禽糞污好氧堆肥中產(chǎn)生的氨氣與厭氧發(fā)酵后沼液中的氨氮進(jìn)行回收,，不僅可以減少污染物和溫室氣體的排放,，達(dá)到減污降碳的目的，還能獲得氮肥產(chǎn)品,，增加糞污處理的經(jīng)濟(jì)性,。針對現(xiàn)有氨氣捕集過程中設(shè)備體積大和靈活性差等問題，提出了采用中空纖維膜來實(shí)現(xiàn)氨氣捕集的目標(biāo)。采用空氣吹掃氨水溶液模擬了不同情形下的氨氣濃度與空氣流量,，測試不同情形下氨氣捕集的通量和回收率,，分析影響氨氣捕集的主要因素和傳質(zhì)特性。結(jié)果表明,，氨氣向膜內(nèi)傳質(zhì)的阻力主要受氣相傳質(zhì)阻力和膜的傳質(zhì)阻力影響,，低空氣流量下氣相傳質(zhì)阻力占主導(dǎo)地位。提升空氣流量至5L/min時,，氣相傳質(zhì)阻力比0.5L/min時下降53.6%,，此時膜內(nèi)傳質(zhì)阻力占主導(dǎo)。氨氣捕集通量隨進(jìn)膜氨氣濃度的增大而提升,。在空氣流量低于1L/min下,，氨氮回收率高于95%，0.5L/min時的氨氮回收率高于99%,。在氨氣停留時間足夠的條件下,，氨氮回收率僅與酸液吸收容量相關(guān)。在溫度差和濃度差的影響下,，空氣中的水蒸氣會向膜內(nèi)的吸收劑中傳遞,。吸收劑中含質(zhì)量分?jǐn)?shù)26%的硫酸銨比僅含1%的硫銨溶液水回收通量高13.3倍，氨氮分離因子由41.6降低至3.06,。酸液質(zhì)量分?jǐn)?shù)對氨氣的傳質(zhì)無顯著影響,。文獻(xiàn)對比表明典型狀態(tài)下糞污處理中的氨氣釋放質(zhì)量濃度與本研究中涉及的質(zhì)量濃度區(qū)間基本一致，說明中空纖維膜捕集氨氣具有較廣的適用性,。

摘要:為了探究超微粉碎/NaOH同步處理對小麥秸稈纖維素分離及其微觀形貌結(jié)構(gòu)和熱穩(wěn)定性的影響,，將小麥秸稈與質(zhì)量分?jǐn)?shù)6%的NaOH溶液按照料液比0.1g/mL混合,，進(jìn)行了不同時長的超微粉碎/NaOH同步處理，并使用1.4%酸性亞氯酸鈉溶液漂白和水浴式超聲處理,，分離得到纖維素纖維,。系統(tǒng)表征了不同處理時長對小麥秸稈木質(zhì)纖維素分離以及小麥秸稈纖維素微觀形貌、晶體結(jié)構(gòu)和熱穩(wěn)定性影響,。結(jié)果表明：在同步處理0~60min范圍內(nèi),，機(jī)械力顯著降低了麥秸樣品的粒度，有效促進(jìn)了秸稈木質(zhì)纖維組分分離,；經(jīng)不同時長超微粉碎/NaOH同步處理后分離獲得的小麥秸稈纖維素中，大量微米和納米纖維素呈相互纏繞的網(wǎng)狀分布,；隨處理時間延長,，纖維素結(jié)晶度先降低后趨于穩(wěn)定，處理30~60min是纖維素結(jié)晶度降低的轉(zhuǎn)折點(diǎn)；Person相關(guān)性分析結(jié)果表明,，小麥秸稈纖維素?zé)岱€(wěn)定性與其結(jié)晶度以及處理時長呈現(xiàn)顯著相關(guān)性（P<0.05）,。

摘要:氧化還原電位（Oxidation-reduction potential, ORP）反映了發(fā)酵系統(tǒng)的氧化還原狀態(tài)，與酵母代謝以及香氣化合物合成密切相關(guān),，其水平在各酒精發(fā)酵階段存在差異,。為了實(shí)現(xiàn)ORP在不同發(fā)酵階段的科學(xué)控制，通過氣相色譜-質(zhì)譜（Gas chromatography-mass spectrometry, GC-MS）和感官量化分析法在葡萄酒酒精發(fā)酵的不同階段控制不同水平的ORP,，觀察酵母生長,、香氣化合物合成以及感官品質(zhì)的變化。結(jié)果表明,，在0～48h階段ORP的變化對酵母活菌數(shù)和香氣化合物含量的影響遠(yuǎn)高于其他階段,。提高此階段ORP有利于酵母生長和糖消耗，而較低ORP有利于香氣化合物合成,。與對照相比,，0mV（0～48h）-自然條件（48～96h）-自然條件（96h至發(fā)酵結(jié)束）處理組可顯著提高中鏈脂肪酸乙酯中的己酸乙酯、癸酸乙酯含量,；0mV-0mV-60mV處理組可顯著提高乙酸酯含量,；60mV-0mV-60mV處理組可顯著提高高級醇含量。0mV-自然條件-自然條件處理增強(qiáng)了赤霞珠葡萄酒中紅色水果香氣和愛格麗葡萄酒花果類香氣,，并減弱了愛格麗葡萄酒的動物類氣味,。ORP的階段性控制為葡萄酒發(fā)酵過程的精準(zhǔn)調(diào)控提供了依據(jù)，為提高葡萄酒香氣化合物含量以改善葡萄酒的香氣質(zhì)量提供了基礎(chǔ),。

摘要:大豆分離蛋白（Soybean protein isolate,，SPI）對外界環(huán)境的變化極其敏感,，中和工段中pH值微小的變化就會改變蛋白質(zhì)的結(jié)構(gòu)和功能性質(zhì)。通過添加NaOH調(diào)控凝乳的pH值,，利用紅外光譜和內(nèi)源熒光光譜分析SPI的結(jié)構(gòu)及功能性質(zhì),，研究發(fā)現(xiàn)在中性條件下SPI具有較好的起泡性，堿性條件時SPI具有較好的乳化性,，當(dāng)體系pH值為7時,，SPI的起泡性最佳，當(dāng)體系pH值為8.5時，SPI的乳化性最佳。建立了25L大豆SPI中和工段pH值精細(xì)調(diào)控體系，利用Matlab模擬生產(chǎn)過程,，通過動態(tài)線性與靜態(tài)非線性擬合，采用模糊自適應(yīng)控制結(jié)合Wiener模型調(diào)控中和罐的加堿量,，當(dāng)將中和罐中pH值調(diào)控為7時,，調(diào)節(jié)時間為37.4s，生產(chǎn)的SPI起泡性指數(shù)為57.22%,，將中和罐中pH值調(diào)控為8.5時,，調(diào)節(jié)時間為33.4s，生產(chǎn)的SPI乳化活性指數(shù)為69.35m2/g,，體系無超調(diào)量用堿,。

摘要:酚類物質(zhì)是評價葡萄成熟品質(zhì)的重要指標(biāo)，本文利用可見-近紅外光譜技術(shù)結(jié)合化學(xué)計量學(xué)定量分析方法對葡萄皮總酚,、籽總酚,、皮單寧和籽單寧含量開展了無損檢測研究。通過手持式可見-近紅外光譜儀采集巨玫瑰葡萄波長400~1029nm范圍內(nèi)的漫反射光譜,，采用SPXY算法將其劃分為校正集和預(yù)測集,，結(jié)合標(biāo)準(zhǔn)正態(tài)變換（Standard normal variate，SNV）,、多元散射校正（Multiplicative scatter correction,，MSC）、一階導(dǎo)數(shù)（First derivative,，1D）,、二階導(dǎo)數(shù)（Second derivative，2D）,、Savitzky-Golay卷積平滑（Savitzky-Golay smoothing ,，SG）和Savitzky-Golay卷積平滑+一階導(dǎo)數(shù)（SG+1D）6種預(yù)處理方法以及偏最小二乘回歸（Partial least squares regression，PLSR）,、支持向量機(jī)回歸（Support vector machine regression,，SVR）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network,，CNN）3種建模算法,，分別建立了基于全波段和特征波長的葡萄皮總酚,、籽總酚、皮單寧和籽單寧定量預(yù)測模型并進(jìn)行綜合對比分析,。結(jié)果表明,，對于皮總酚、籽總酚和籽單寧,，經(jīng)特征波長篩選后建立的模型效果優(yōu)于全波段,，而對于皮單寧，全波段建立的模型較特征波長效果更佳,；因此,，在預(yù)測皮總酚、籽總酚,、皮單寧和籽單寧含量時,，最優(yōu)模型分別為RAW-CARS-SVR、1D-CARS-SVR,、RAW-CNN和RAW-CARS-PLSR,，校正集相關(guān)系數(shù)（Correlation coefficient of calibration set，Rc）分別為0.96,、0.99,、0.96和0.91，預(yù)測集相關(guān)系數(shù)（Correlation coefficient of prediction set,，Rp）分別為0.95,、0.99、0.83和0.89,，剩余預(yù)測偏差（Residual predictive deviation,，RPD）分別為3.56、7.30,、1.92和2.25,。因此，結(jié)合可見-近紅外光譜和合適的回歸模型,，可以實(shí)現(xiàn)對巨玫瑰葡萄的皮-籽總酚,、皮-籽單寧含量的無損檢測。

摘要:為了解決裂紋皮蛋分選中存在的效率低,、人力成本高等問題,，提出了一種基于改進(jìn)YOLO v5的皮蛋裂紋在線檢測方法。使用EfficientViT網(wǎng)絡(luò)替換主干特征提取網(wǎng)絡(luò),，并采用遷移學(xué)習(xí)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練,，分別得到Y(jié)OLO v5n_EfficientViTb0和 YOLO v5s_EfficientViTb1兩個模型。YOLO v5n_EfficientViTb0為輕量化模型,，相較于改進(jìn)前參數(shù)量減少14.8%,，浮點(diǎn)數(shù)計算量減少26.8%；YOLO v5s_EfficientViTb1為高精度檢測模型,，平均精度均值為878%,。采用GradCAM++對模型可視化分析，得出改進(jìn)模型減少了對背景區(qū)域的關(guān)注度,，證明了改進(jìn)模型的有效性,。設(shè)計了視頻幀的目標(biāo)框匹配算法，實(shí)現(xiàn)了視頻中皮蛋的目標(biāo)追蹤,，依據(jù)皮蛋的檢測序列實(shí)現(xiàn)了對皮蛋的定位和裂紋與否的判別,。輕量化模型的判別準(zhǔn)確率為92.0%，高精度模型的判別準(zhǔn)確率為943%,。研究結(jié)果表明,，改進(jìn)得到的輕量化模型為運(yùn)算能力較差的皮蛋裂紋在線檢測裝備提供了解決方案，改進(jìn)得到的高精度模型為生產(chǎn)要求更高的皮蛋裂紋在線檢測裝備提供了技術(shù)支持,。

摘要:大功率拖拉機(jī)作業(yè)時載荷沖擊會造成發(fā)動機(jī)的輸出轉(zhuǎn)矩大范圍波動，為減小載荷沖擊對拖拉機(jī)動力單元的影響,，提出以發(fā)動機(jī)和雙電機(jī)為動力源的拖拉機(jī)雙流耦合動力系統(tǒng)構(gòu)型,，以減小載荷沖擊引起的動力傳動系統(tǒng)換擋頻次?；贖aar小波分解提出了基于功率預(yù)測的轉(zhuǎn)矩分配策略,，首先記錄拖拉機(jī)的作業(yè)參數(shù)，基于徑向基神經(jīng)網(wǎng)絡(luò)對拖拉機(jī)旋耕作業(yè)時的功率需求進(jìn)行預(yù)測,，由Haar小波變換確定高頻和低頻轉(zhuǎn)矩需求值的范圍,，并分別由電機(jī)和發(fā)動機(jī)提供。最后,，通過硬件在環(huán)試驗(yàn)對提出的動態(tài)轉(zhuǎn)矩分配進(jìn)行了可行性驗(yàn)證,，測試結(jié)果表明：提出的基于神經(jīng)網(wǎng)絡(luò)功率需求預(yù)測模型對行駛端和動力輸出端 (Power take-off，PTO)的功率進(jìn)行預(yù)測,，實(shí)際值和預(yù)測值均方根誤差分別占最大功率的7.6%和7.9%,；提出的轉(zhuǎn)矩分配策略能夠應(yīng)對拖拉機(jī)旋耕時的載荷波動,。發(fā)動機(jī)轉(zhuǎn)矩波動與傳統(tǒng)構(gòu)型相比減小35.0%，有效地縮小了發(fā)動機(jī)轉(zhuǎn)矩波動范圍,，緩解了拖拉機(jī)作業(yè)時載荷沖擊對發(fā)動機(jī)的影響,。

摘要:針對分布式驅(qū)動農(nóng)業(yè)車輛在路面參數(shù)辨識過程中,，因路面環(huán)境變化出現(xiàn)的狀態(tài)模型誤差和時變噪聲，導(dǎo)致辨識結(jié)果發(fā)散的問題,，提出了基于自適應(yīng)強(qiáng)跟蹤無跡卡爾曼濾波(Adaptive strong tracking unscented Kalman filter, ASTUKF)的辨識方法。與傳統(tǒng)內(nèi)燃機(jī)農(nóng)業(yè)車輛相比,，分布式驅(qū)動可以直接獲取驅(qū)動輪的狀態(tài)信息,，結(jié)合含有峰值附著系數(shù)和極限滑轉(zhuǎn)率的μ-s曲線模型，建立了無跡卡爾曼濾波(Unscented Kalman filter, UKF)辨識算法的狀態(tài)方程和量測方程,。同時,，將強(qiáng)跟蹤濾波(Strong tracking filter, STF)和自適應(yīng)濾波(Adaptive filter, AF)引入辨識算法，用以提高對多變環(huán)境的識別精度和魯棒性,，并采用奇異值分解(Singular value decomposition, SVD)解決了迭代過程中出現(xiàn)的非正定矩陣的問題,。仿真試驗(yàn)結(jié)果表明，在突變噪聲環(huán)境工況下,，ASTUKF辨識結(jié)果可以快速收斂至目標(biāo)值附近,，且不受突變噪聲的影響，各驅(qū)動輪峰值附著系數(shù)估計結(jié)果的平均絕對誤差(Mean absolute error, MAE)分別為0.0144,、0.0267,、0.0144、0.0267,，極限滑轉(zhuǎn)率估計結(jié)果的MAE分別為0.0025,、0.0028、0.0025,、0.0028,。實(shí)車試驗(yàn)表明，在已耕地和未耕地的試驗(yàn)路面上,，ASTUKF辨識結(jié)果的均值95%置信區(qū)間能夠匹配測量值,，整車的附著系數(shù)辨識結(jié)果為0.4061(未耕地)、0.3991(已耕地),，極限滑轉(zhuǎn)率辨識結(jié)果0.1484(未耕地),、0.3600(已耕地)，可為分布式電動農(nóng)業(yè)車輛作業(yè)參數(shù)感知提供理論參考,。

摘要:為解決無人駕駛牽引式農(nóng)機(jī)在非結(jié)構(gòu)化環(huán)境中作業(yè)時直線跟蹤精度低,、上線速度慢,、抗干擾能力差等問題，提出了一種基于模糊快速滑?？刂频霓r(nóng)用牽引式車輛直線路徑跟蹤控制方法,。首先利用車輛運(yùn)動學(xué)模型與參考路徑建立牽引車輛直線路徑跟蹤誤差模型，并提出一種基于模糊參數(shù)整定的快速滑模直線路徑跟蹤方法,，解決了滑?？刂扑惴ǖ目刂破鞫墩衽c機(jī)具快速上線問題。通過Lyapunov穩(wěn)定性分析可知,，所設(shè)計控制方法可保證牽引機(jī)具跟蹤參考路徑,，同時鉸接角收斂至零。最后,，基于Simulink仿真與實(shí)車試驗(yàn)對該控制方法的有效性與優(yōu)越性進(jìn)行測試,。田間實(shí)車試驗(yàn)表明，使用本文控制方法時,，拖車和掛車最大路徑跟蹤橫向誤差分別為0.11,、0.12m，拖車和掛車跟蹤誤差方差分別為0.0013,、0.0015m2,；相較于傳統(tǒng)基于等速趨近律設(shè)計的滑模控制器,，上線時間提升約58%,，最大跟蹤誤差減小約66%。

摘要:針對蟻群算法易陷入局部最優(yōu),、路徑轉(zhuǎn)折點(diǎn)多,、收斂速度慢的問題，提出一種基于動態(tài)擴(kuò)展鄰域蟻群算法（Dynamic extended neighbourhoods ant colony optimization，DENACO）,。在螞蟻搜索方式上采用動態(tài)擴(kuò)展鄰域方法,，并定義新的信息素計算方式和增量規(guī)則，在取得更優(yōu)收斂路徑長度的同時,，減少路徑轉(zhuǎn)折點(diǎn)數(shù)量及路徑節(jié)點(diǎn)數(shù)量,；引入自適應(yīng)調(diào)整因子改進(jìn)啟發(fā)函數(shù)，提高算法的全局搜索能力,，并設(shè)定迭代閾值,，提升算法的收斂速度；提出一種路徑節(jié)點(diǎn)雙優(yōu)化策略,，對規(guī)劃好的路徑進(jìn)一步優(yōu)化,，提高路徑綜合質(zhì)量。不同復(fù)雜度及不同規(guī)模柵格地圖中的仿真實(shí)驗(yàn)表明,，DENACO算法所規(guī)劃的路徑更優(yōu),，路徑轉(zhuǎn)折點(diǎn)數(shù)量減少，收斂速度加快,，路徑節(jié)點(diǎn)數(shù)量明顯減少，表明算法具有更高的可行性和適用性,。

摘要:農(nóng)業(yè)環(huán)境起伏多變，邊界模糊,，大多呈非結(jié)構(gòu)化分布,。四足機(jī)器人在復(fù)雜農(nóng)業(yè)環(huán)境中作業(yè)時，易出現(xiàn)因傾覆失去運(yùn)動能力的情況,，因此機(jī)器人需具備傾覆后自我恢復(fù)能力,。傳統(tǒng)四足機(jī)器人傾覆后恢復(fù)多數(shù)依靠腿部運(yùn)動來實(shí)現(xiàn)，而可重構(gòu)四足機(jī)器人,，可通過軀干與腿部協(xié)調(diào)運(yùn)動來實(shí)現(xiàn)傾覆后自我恢復(fù),。本文基于可重構(gòu)軀干構(gòu)型多變，得到了多種仿生形態(tài)的可重構(gòu)四足機(jī)器人,，規(guī)劃了基于可重構(gòu)理論的傾覆后恢復(fù)機(jī)理,。對比傾覆后可重構(gòu)機(jī)器人利用軀干拱起折疊和單側(cè)翻轉(zhuǎn)折疊兩種恢復(fù)方式，分析R1型,、R2型可重構(gòu)四足機(jī)器人恢復(fù)的運(yùn)動特性,。利用軟件ADAMS進(jìn)行仿真，對仿真數(shù)據(jù)進(jìn)行分析，證明了可重構(gòu)軀干比剛性軀干更有效地減少了恢復(fù)過程中的沖擊,。最后設(shè)計樣機(jī)并進(jìn)行實(shí)驗(yàn),，驗(yàn)證機(jī)理實(shí)施的可行性與穩(wěn)定性，研究結(jié)果表明其可降低實(shí)現(xiàn)靜態(tài)自我恢復(fù)的難度,。

摘要:直線共軛內(nèi)嚙合齒輪泵是液壓系統(tǒng)中的關(guān)鍵組件,，因其高效的壓力輸送特性而廣泛應(yīng)用于工程領(lǐng)域。本文采用計算流體動力學(xué)模擬方法對直線共軛內(nèi)嚙合齒輪泵進(jìn)行研究,，分析軸向間隙和徑向間隙對齒輪泵泄漏和流場的影響,。研究結(jié)果表明：配合間隙的變化對齒輪泵的流場特性產(chǎn)生廣泛影響，軸向間隙是引發(fā)泄漏的主要因素,，約占總泄漏量的80%,；當(dāng)軸向間隙由0.03mm增加到0.07mm后，輸出流量減少20.81%,，平均壓力下降33.15%,，空化產(chǎn)生的氣體體積分?jǐn)?shù)增加0.021；而設(shè)置相同徑向間隙后,，輸出流量僅下降0.69%,，平均壓力下降2.76%，空化產(chǎn)生的氣體體積分?jǐn)?shù)增加0.005,。此外,，導(dǎo)致泵內(nèi)流速變化的主要配合間隙是軸向間隙，適當(dāng)減小軸向間隙可提升泵內(nèi)的流體速度,，從而提升泵的整體效率,。

摘要:測量噪聲對擴(kuò)張狀態(tài)觀測器帶寬的限制是影響電液伺服系統(tǒng)自抗擾位置控制器性能的關(guān)鍵問題,。為此,，提出了一種基于噪聲抑制擴(kuò)張狀態(tài)觀測器的改進(jìn)自抗擾控制方法。建立電液伺服系統(tǒng)非線性模型,，通過坐標(biāo)變換構(gòu)造鏈?zhǔn)椒e分器結(jié)構(gòu),，明確電液伺服系統(tǒng)“總擾動”。引入低通濾波器抑制高頻測量噪聲,，利用濾波后的位置信號構(gòu)建改進(jìn)型擴(kuò)張狀態(tài)觀測器,，補(bǔ)償濾波器導(dǎo)致的相位滯后,，分離狀態(tài)反饋與擾動估計，增加新的擾動估計調(diào)節(jié)參數(shù),，調(diào)和觀測器高帶寬,、高估計性能與噪聲放大間的矛盾。采用李雅普諾夫穩(wěn)定性理論證明了閉環(huán)系統(tǒng)的穩(wěn)定性,。仿真與試驗(yàn)結(jié)果表明,，在系統(tǒng)受擾狀態(tài)下，與傳統(tǒng)LADRC相比,，本文所提出控制方法擾動抑制能力更強(qiáng),，位置跟蹤精度更高，為自抗擾控制器的工程應(yīng)用提供了參考,。