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:種蛋受精及性別鑒別關(guān)系到家禽孵化、養(yǎng)殖的經(jīng)濟效益和動物福利倫理等，種蛋受精與性別信息的檢測是禽,、蛋產(chǎn)業(yè)發(fā)展的難題,，特別是種蛋性別的無損鑒定是世界難題,。合適有效的無損檢測技術(shù)，不僅應(yīng)獲得相關(guān)未知信息且不會對種蛋造成任何損傷,，因此無損檢測種蛋成為研究熱點,。然而,，由于蛋殼厚度和顏色等外部品質(zhì)形狀差異、內(nèi)部流體形態(tài)變化和胚胎發(fā)育等因素的影響,，難以實現(xiàn)準確檢測,。本文對比了現(xiàn)有種蛋無損檢測研究中的相關(guān)方法與技術(shù)，包括機器視覺技術(shù),、光譜技術(shù),、聲共振頻率分析、生物電信號分析,、敲擊振動法,、介電常數(shù)分析、氣味特征分析等,；分析了種蛋受精和性別信息無損檢測仍存在的技術(shù)限制,、發(fā)育階段檢測限制、蛋殼干擾和種蛋個體差異性等方面挑戰(zhàn),，并針對未來的研究及發(fā)展探討了高光譜成像,、X射線成像、超聲波成像和磁共振成像等新興技術(shù)應(yīng)用于種蛋受精與性別無損檢測的可行性,。

摘要:為實現(xiàn)穩(wěn)定可靠的植保機器人視覺伺服控制，提出了一種基于語義分割網(wǎng)絡(luò)的作物行特征檢測方法,?；谡Z義分割網(wǎng)絡(luò)ESNet實現(xiàn)農(nóng)田場景圖像像素級帶狀區(qū)域檢測，并利用最小二乘算法擬合得到每條行作物線特征,；在此基礎(chǔ)上通過設(shè)計一種主導航線提取算法獲取導航路徑,，并利用卡爾曼濾波對主導航線幾何參數(shù)進行平滑處理，有效抑制了不平整地面導致的機器人運動顛簸與視覺圖像測量噪聲引起的導航參數(shù)波動,。繼而構(gòu)建機器人前輪轉(zhuǎn)向,、后輪差速的阿克曼運動學模型；在圖像空間坐標下設(shè)計純追蹤控制器實現(xiàn)植保機器人的伺服運動控制,。大田環(huán)境下的現(xiàn)場實驗結(jié)果為：總體橫向偏差為0.092m,，驗證了本文方法的有效性。

摘要:為探究不同振動參數(shù)組合對蘋果采摘效果的影響,，建立蘋果樹二級樹枝振動力學模型，解析分析得到影響蘋果脫落的主要因素為振動頻率,、振幅及夾持位置。測量蘋果樹形態(tài)特征并基于矮砧密植整形原理建立紡錘形蘋果樹三維模型,，利用ANSYS軟件對蘋果樹模型進行有限元仿真分析,，仿真結(jié)果表明，振動頻率4~8Hz,、振幅20~30mm,、夾持位置0.35l~0.65l（l為二級樹枝長度）時，對果樹損傷較小且蘋果易脫落,。設(shè)計四因素三水平振動采摘試驗,，以確定蘋果樹不同位置樹枝最佳的振動參數(shù)組合，利用Design-Expert軟件對試驗數(shù)據(jù)進行分析和響應(yīng)面優(yōu)化,，參數(shù)優(yōu)化結(jié)果為：采摘蘋果樹上層蘋果時,，振動頻率為5Hz，振幅為28mm,，夾持位置為0.40l,；采摘蘋果樹中層蘋果時，振動頻率為4Hz,，振幅為30mm,，夾持位置為0.43l；采摘蘋果樹下層蘋果時,，振動頻率為8Hz,，振幅為20mm，夾持位置為0.65l,；通過驗證試驗得到蘋果樹上層,、中層、下層摘凈率為96.4%,、94.8%,、93.2%，與優(yōu)化值相近,，表明優(yōu)化模型可靠,。

摘要:針對西北地區(qū)玉米秸茬覆蓋地小麥免少耕寬幅溝播時,，由于玉米根茬阻礙秸稈流動導致的秸茬聚集壅堵,、土壤擾動大、種帶清潔率低,、播種質(zhì)量差等問題,，提出先被動切割、后主動拋撒的種帶清理方法,。設(shè)計了一種切拋組合式破茬清秸防堵裝置,，通過縱向布置的傾斜缺口圓盤與旋拋裝置配合作業(yè)對種帶殘茬與秸稈進行清理。適配防堵裝置設(shè)計了分流式開溝器,，實現(xiàn)行距穩(wěn)定的一溝兩行播種,。分析確定了缺口圓盤傾角與偏角參數(shù)；依據(jù)滑切理論設(shè)計計算了平直旋刀與側(cè)傾旋刀刃線結(jié)構(gòu)參數(shù),；建立MBD-DEM聯(lián)合仿真平臺并采用正交旋轉(zhuǎn)組合試驗方法,，以種帶清潔率、秸茬粘結(jié)鍵破碎率與土壤擾動寬度為指標進行旋拋裝置關(guān)鍵參數(shù)優(yōu)化仿真試驗,?；诜抡娼Y(jié)果建立各指標回歸模型并通過響應(yīng)面分析與多目標優(yōu)化得出，當側(cè)傾旋刀傾角為20°,、回轉(zhuǎn)速度為310r/min時,，防堵裝置種帶清潔率達到96.9%，秸茬粘結(jié)鍵破碎率為26.9%,，土壤擾動寬度為139mm,。在玉米秸茬覆蓋地進行小麥播種試驗，結(jié)果表明切拋組合式小麥寬幅溝播破茬清秸防堵裝置通過性良好,，種床清潔率為90.1%,，破茬率為96.2%，土壤擾動寬度為127mm,，土壤擾動量為6.9%,，整機作業(yè)質(zhì)量穩(wěn)定且播種后小麥出苗均勻，滿足寬幅溝播小麥免耕播種農(nóng)藝要求,。

摘要:針對玉米免耕播種機研發(fā)周期長和研發(fā)成本高等問題,，本文將元宇宙技術(shù)應(yīng)用于玉米免耕播種機作業(yè)機組的仿真試驗?；谠钪嫦到y(tǒng)架構(gòu)構(gòu)建仿真平臺,，在元宇宙環(huán)境下，采用標線法和轉(zhuǎn)換法對虛擬農(nóng)場中場景進行高度還原，構(gòu)建沉浸式玉米免耕播種機駕駛平臺并進行交互性能測試,，驗證沉浸式玉米免耕播種機駕駛平臺交互性能,。在此基礎(chǔ)上，在不同行駛速度下進行播種性能仿真試驗,，當玉米免耕播種作業(yè)機組前進速度不斷增大時,，播種質(zhì)量整體呈下降趨勢，趨勢接近實際田間試驗結(jié)果,，株距合格率大于88.52%,、重播率小于6.97%、漏播率小于4.51%,。試驗結(jié)果表明,，本文設(shè)計實現(xiàn)的元宇宙虛擬播種仿真平臺能夠用于玉米播種試驗,，對降低玉米免耕播種機研發(fā)成本,、縮短玉米免耕播種機研發(fā)周期具有重要意義。

摘要:針對油菜種子粒徑小、質(zhì)量輕,，單粒排種難度較大的問題,，設(shè)計了一種正負氣壓組合滾輪式精密排種器。闡明了排種器工作原理,，開展排種器吸種,、攜種和卸種環(huán)節(jié)受力分析和排種滾輪對種群拖帶過程解析；提出了通過控制充種區(qū)種層高度和種群壓力的防拖帶堆積機理,，設(shè)計了一種側(cè)向充種,、拖帶種子自由回落的充種室結(jié)構(gòu)，利用離散元仿真研究了充種種層高度和充種室結(jié)構(gòu)對排種器充種區(qū)內(nèi)充種性能的影響及對種群拖帶堆積的解決情況,；仿真結(jié)果表明,，排種器內(nèi)種子隨著充種種層高度的增大，種群平均動能均值逐漸增大,，對種群平均擾動能力逐漸增強,；在充種種層高度50mm條件下，設(shè)計的防拖帶堆積充種室降低了充種區(qū)域底部種群所受的壓力,，未出現(xiàn)種群拖帶堆積現(xiàn)象,，且保持了對充種區(qū)域種群的擾動作用。在JPS-12型排種器檢測試驗臺上進行了排種器性能試驗，結(jié)果表明,，當排種轉(zhuǎn)速為15~30r/min,、吸種負壓為1.0~1.2kPa時，排種器合格指數(shù)均保持在90%以上,；設(shè)計裝配正負氣壓組合滾輪式精密排種器的播種機開展播種試驗,，田間實測出苗后株距穩(wěn)定性變異系數(shù)為4.4%，各行苗數(shù)一致性變異系數(shù)為8.14%,；研究結(jié)果表明設(shè)計的排種器滿足精密播種要求,。

摘要:為解決傳統(tǒng)機械式蔬菜排種器無法實現(xiàn)精量播種及存在傷種的問題,，設(shè)計了一種紅蘿卜側(cè)面懸置排種勺式精量排種器,。采用排種盤側(cè)面懸置的排種勺完成種子的充種、清種,、投種,，實現(xiàn)了非接觸式作業(yè)過程，理論分析了種子進入及脫離種勺的運動過程,，并闡明其不傷種的基本原理,，確定了排種盤、排種勺以及排種管的基本結(jié)構(gòu)參數(shù),，采用EDEM離散元仿真軟件模擬了不同排種勺結(jié)構(gòu)尺寸下的工作過程,，以排種勺型孔直徑、深度及放樣曲面圓角比為試驗因素,，以單粒率,、多粒率、空粒率為試驗指標,，采用三因素五水平二次通用旋轉(zhuǎn)組合設(shè)計進行仿真試驗,，確定排種勺最優(yōu)結(jié)構(gòu)參數(shù)為：型孔直徑5mm，深度4.3mm,，放樣曲面圓角比0.12,，基于此參數(shù)進行離散元仿真試驗，通過自制排種器試驗臺進行臺架試驗以及將排種器安裝到播種機上進行田間試驗,，仿真試驗結(jié)果為單粒率93%,、多粒率4%、空粒率3%,，臺架試驗結(jié)果為合格指數(shù)平均值92.2%,、重播指數(shù)平均值4.6%、漏播指數(shù)平均值3.2%，相對誤差分別為0.86%,、15%,、6.67%，田間試驗結(jié)果為：合格指數(shù)90.5%,、重播指數(shù)6.9%,、漏播指數(shù)2.6%，證明此排種器精量播種性能良好,。同時與毛刷窩眼輪式排種器進行損傷率對比試驗,，損傷率分別為0.43%、1.27%,，相對誤差為66.14%,，表明種子損傷明顯降低。

摘要:為了提升穴盤播種過程中草炭裝盤,、壓穴,、覆料的仿真準確性，基于草炭的物料特性,，選擇Edinburgh Elasto-Plastic Adhesion（EEPA）模型在EDEM軟件中建立草炭離散元仿真模型,，通過單軸密閉壓縮和虛擬仿真試驗對草炭參數(shù)進行標定。通過物理試驗測得草炭密度,、粒徑分布和接觸參數(shù),，應(yīng)用Plackett-Burman Design和最陡爬坡試驗設(shè)計顯著性分析試驗，發(fā)現(xiàn)草炭間恢復系數(shù),、靜摩擦因數(shù),、草炭切向剛度因子和剪切模量影響顯著。應(yīng)用Central Composite Design試驗建立響應(yīng)值與4個顯著性參數(shù)的二次多項式回歸模型,，以單軸密閉壓縮20%,、50%軸向應(yīng)變對應(yīng)的軸向壓力3.83、91.45N為目標值對顯著性參數(shù)進行尋優(yōu),，得到最優(yōu)組合為：草炭間恢復系數(shù)0.202,、草炭間靜摩擦因數(shù)0.595、切向剛度因子0.667,、草炭剪切模量0.613MPa,。最后將該參數(shù)組合下的仿真值與實測值進行對比驗證，在軸向應(yīng)變范圍20%~50%內(nèi)實測值與仿真值的平均誤差約為8.08%。相對誤差在軸向應(yīng)變40%左右達到最大值,，為15.34%,。結(jié)果表明基于響應(yīng)面法標定的EEPA模型參數(shù)可用于離散元仿真研究。

摘要:針對當前液體糞肥施肥鏟存在的施肥不均勻,、近根施肥難、作業(yè)功能單一等問題,，從提高肥效,、降低排放、提升性能角度出發(fā),，設(shè)計了一種分層近根,、基施追施一體的液體糞肥施肥鏟，設(shè)計了施肥器和避障器等關(guān)鍵部件,，采用EDEM離散元法構(gòu)建施肥鏟-土壤力學仿真模型,，優(yōu)化追施過程施肥鏟側(cè)向排肥管參數(shù)，搭建施肥鏟性能測試平臺,，采用清水模擬方式,，開展了施肥鏟分層施肥和近根施肥效果試驗，結(jié)果表明：當施肥鏟側(cè)向排肥管后傾角為15°,、側(cè)向排肥管刃角為18°時,，施肥鏟基肥作業(yè)阻力最小,；采用分層施肥方式時,，當施肥鏟作業(yè)速度為3km/h、排肥量為5L/s時,，肥料在土壤中縱向擴散深度為235mm,，較改進前單口排肥方式，縱向覆蓋范圍提升65%,；采用近根施肥模式時,，當施肥鏟作業(yè)速度為1.2km/h、排肥量為3L/s時,，約80%的肥料分布在距作物根部中心100mm半徑范圍內(nèi),，較好地實現(xiàn)了近根施肥,。

摘要:針對現(xiàn)有農(nóng)機裝備數(shù)字孿生系統(tǒng)開發(fā)難度大,、配置要求高以及資源占用過高的問題,，提出基于輕量級網(wǎng)絡(luò)的聯(lián)合收獲機數(shù)字孿生系統(tǒng)構(gòu)建方法，包含物理,、虛擬,、數(shù)據(jù)交互、模型計算以及人機交互等多個子系統(tǒng)的實現(xiàn)方法,?；跀?shù)字孿生的技術(shù)特點和聯(lián)合收獲機的作業(yè)特性，設(shè)計了一種基于JavaScript語言的輕量級數(shù)字孿生系統(tǒng)框架,。通過采用Solidworks和CMdevelopment kit工具進行數(shù)字孿生系統(tǒng)的模型輕量化處理及坐標系整合,，實現(xiàn)了在不影響模型精度和功能的前提下，顯著降低系統(tǒng)對硬件要求和內(nèi)存占用量,。以雷沃GM100型聯(lián)合收獲機為對象,，開發(fā)基于輕量級網(wǎng)絡(luò)的聯(lián)合收獲機數(shù)字孿生系統(tǒng)，為聯(lián)合收獲機孿生系統(tǒng)性能分析,、實時監(jiān)控,、瞬時計算以及遠程操縱提供聯(lián)合仿真,、分析以及驗證平臺,。為驗證數(shù)字孿生系統(tǒng)性能和功能，開展了孿生系統(tǒng)性能測試及油耗預測實驗,。實驗結(jié)果表明,，在數(shù)據(jù)更新頻率20Hz下，響應(yīng)時間在78ms以內(nèi),，內(nèi)存占用量在331MB以內(nèi),；性能測試中，系統(tǒng)在運行狀態(tài)下CPU和GPU的平均占用率分別為17%和30%,；即使在高強度操作下,，系統(tǒng)幀率仍可保持在75.6f/s；在正常作業(yè)下油耗預測模型平均誤差為0.34L/h,，平均相對誤差僅為2.51%,。本系統(tǒng)提供了一種低成本,、高效率的數(shù)字孿生輕量化構(gòu)建方案。

摘要:大田玉米收獲機收獲制種玉米時容易產(chǎn)生傷穗落籽,、雜物堵塞等現(xiàn)象,，本文針對適收期制種玉米生物特性，設(shè)計了一種大型制種玉米聯(lián)合收獲機,，采用小行距對行柔性板式摘穗割臺和可替換組合式剝皮裝置,，確保低損摘穗、輸送,、剝皮作業(yè),，降低籽粒損失與損傷；其中割臺上方配備鋼質(zhì)覆膠弧形摘穗板,，“橡膠+鋼質(zhì)”夾持輸送鏈和六棱低速拉莖輥,，可替換組合式剝皮裝置采用柔性破皮+揉搓+降速組合形式。通過Plackett-Burman試驗設(shè)計篩選提取影響機具指標的主要因素,，采用Box-Behnken試驗設(shè)計原理,，以機具前進速度、拉莖輥轉(zhuǎn)速和剝皮輥轉(zhuǎn)速為試驗因素,，以總損失率與含雜率為性能指標,，通過田間試驗對機具進行檢驗，優(yōu)化得出機具最佳作業(yè)參數(shù),。試驗結(jié)果表明,，優(yōu)化后，當機具前進速度為4.87km/h,、拉莖輥轉(zhuǎn)速為877.27r/min,、剝皮輥轉(zhuǎn)速為442.52r/min時，果穗總損失率為1.61%,，含雜率為0.55%,。田間試驗結(jié)果表明，當收獲機前進速度為4.9km/h,、拉莖輥轉(zhuǎn)速為880r/min,、剝皮輥轉(zhuǎn)速為450r/min時，果穗總損失率為1.64%,，含雜率為0.57%,，滿足制種玉米機械化聯(lián)合收獲的作業(yè)要求,，可為制種玉米聯(lián)合收獲機設(shè)計與試驗提供參考。

摘要:針對目前玉米籽粒收獲機不能適應(yīng)15kg/s以上的大喂入量清選需要，設(shè)計了一種具備預清選功能的清選裝置,。首先對玉米脫出物離開螺旋輸送器到達預清選篩前的玉米籽粒進行受力分析,，然后對曲柄連桿機構(gòu)的運動模型加以簡化。其次分析玉米籽粒在篩面上的運動狀態(tài),；對離心風機葉輪,、蝸殼進行設(shè)計計算。采用單因素試驗確定風機轉(zhuǎn)速,、振動頻率,、上篩篩孔開度取值范圍；以風機轉(zhuǎn)速,、振動頻率,、上篩篩孔開度為試驗因素，以籽粒含雜率和清選損失率為評價指標,，設(shè)計三因素三水平中心組合試驗,，建立各因素與指標之間的回歸模型。通過響應(yīng)曲面方法對試驗結(jié)果進行分析,，并采用Design-Expert12對回歸模型進行多目標優(yōu)化,。玉米脫出物喂入量為16kg/s時，得出較優(yōu)組合為：風機轉(zhuǎn)速1202.50r/min,、振動頻率5.41Hz,、上篩篩孔開度18mm，在此條件下籽粒含雜率為0.79%,，清選損失率為1.10%,；驗證試驗結(jié)果表明，當風機轉(zhuǎn)速1200r/min,、振動頻率5Hz、上篩篩孔開度18mm時,，籽粒含雜率為0.82%,，清選損失率為1.14%，試驗值與優(yōu)化值相對誤差小于5%,，與傳統(tǒng)雙層往復振動篩清選裝置相比籽粒含雜率降低2.07個百分點,，清選損失率降低2.13個百分點,，證明所設(shè)計合理。

摘要:針對油莎豆機械化收獲過程中升運振動裝置除雜效果不明顯，導致油莎豆與土壤雜質(zhì)等分離不徹底,，漏土率較低,，傷果率較高的問題，以及在升運輸送過程中存在土壤堵塞,、回帶等問題,，結(jié)合油莎豆果-土-秧團聚體特性，設(shè)計了一種合頁篩片式升運裝置,，通過篩片折彎部分增大篩孔面積,，對團聚體提供與鏈篩運動方向相同的推力，使合頁式升運裝置提高漏土效率且有效避免了回帶現(xiàn)象,。對其傾角和固定位置進行了分析和設(shè)計,，運用EDEM進行仿真試驗，以油莎豆鏈篩線速度,、鏈篩板折彎高度,、鏈篩振動頻率為試驗因素，以油莎豆團聚體漏土率和傷果率為試驗指標,，通過三因素三水平正交仿真試驗,，最終得到輸送篩片最佳結(jié)構(gòu)參數(shù)組合為：鏈篩線速度1.151m/s、折彎高度27.779mm,、振頻9.561Hz,，此時升運裝置漏土率為96.524%、傷果率為2.439%,。田間驗證試驗結(jié)果表明:當鏈篩線速度為1.2m/s,、折彎高度為28mm、振頻為9.5Hz時,，合頁式升運裝置平均漏土率為96.05%,，平均傷果率為2.38%，與仿真試驗所測結(jié)果基本一致,，滿足油莎豆升運鏈篩工作要求,。

摘要:高地隙自走式噴霧機因其作業(yè)環(huán)境復雜易產(chǎn)生車輪滑轉(zhuǎn),，影響靜液壓驅(qū)動系統(tǒng)流量及壓力穩(wěn)定性,，嚴重時導致整機失去通過性能，故須進行防滑控制,，保證其具備驅(qū)動穩(wěn)定性和脫困能力,。本文提出一種高地隙自走式噴霧機靜液壓驅(qū)動系統(tǒng)防滑控制方法，采用雙線性模型定義滑轉(zhuǎn)率與附著系數(shù)之間的關(guān)系,，設(shè)計了滑?？刂破鳎⑼ㄟ^田間非道路試驗驗證了驅(qū)動防滑系統(tǒng)的控制性能,。試驗結(jié)果表明,，該系統(tǒng)可將噴霧機滑轉(zhuǎn)率控制在0.15以內(nèi)。在起步加速與勻速工況下,，噴霧機滑轉(zhuǎn)率均值為0.020和0.019,；在越溝工況下，可2s內(nèi)實現(xiàn)整機快速脫困,。以上結(jié)果驗證了所設(shè)計的噴霧機滑模驅(qū)動防滑系統(tǒng)具有良好的防滑性能,，能夠保證噴霧機在典型工況下平穩(wěn)行駛，有效減少了地面不利條件對整機行駛穩(wěn)定性的影響,。

摘要:為研究旋渦泵內(nèi)復雜的旋渦特征,，量化泵內(nèi)旋渦體積和強度，分析旋渦結(jié)構(gòu)對能量轉(zhuǎn)換和能量損失的影響規(guī)律,，采用非定常數(shù)值模擬和外特性實驗相結(jié)合的方法對單級旋渦泵進行分析,，綜合使用Ω方法和Liutex方法對泵內(nèi)旋渦進行識別和強度表征，提出平均旋渦強度進行量化研究,，并結(jié)合動能方程的渦動力學分解式以及渦量分解理論進行分析,。結(jié)果表明：泵內(nèi)的旋渦充分發(fā)展區(qū)域存在螺旋形的管狀旋渦結(jié)構(gòu)，該旋渦從葉輪流道流出進入側(cè)流道,，并且隨著流量的增大,，渦管數(shù)量減少且旋渦強度降低；流量的增大使得葉輪內(nèi)的旋渦體積和強度減小,，而其在側(cè)流道內(nèi)相對變化較小,，相同工況時葉輪內(nèi)的平均旋渦強度遠大于側(cè)流道內(nèi)；壓力梯度對流體動能轉(zhuǎn)換的貢獻最大,，旋渦結(jié)構(gòu)引起的動量輸運和耗散損失占比較小,，但剛性渦量即旋渦結(jié)構(gòu)的強度與動量輸運呈正相關(guān)，變形渦量則與擬渦能損失相關(guān)性較強,。

摘要:在宏觀尺度上剖析鄉(xiāng)村聚落的空間分布特征及其影響因素，有利于全面了解鄉(xiāng)村聚落的空間分異規(guī)律及其形成原因,，并為村莊規(guī)劃等工作提供研究基礎(chǔ),。以河北省為主要研究區(qū)域，借助景觀格局指數(shù),、最鄰近分析,、核密度估計等方法，分析鄉(xiāng)村聚落的總體變化和空間分布特征,，并綜合運用分布指數(shù),、因子分析法和多元線性回歸分析法探究影響鄉(xiāng)村聚落空間分布的主要因素。結(jié)果表明：2000年以來尤其是2010年之后,，河北省鄉(xiāng)村聚落主要以外延方式擴大規(guī)模,，且逐漸呈規(guī)模化,、集中化分布,，其主要集聚分布于地形平坦的東南部地區(qū)，且其集聚程度不斷提升,；高聳地形,、不利于農(nóng)業(yè)生產(chǎn)的土壤以及大小規(guī)模河湖等自然因素對鄉(xiāng)村聚落空間分布的限制性正在減弱，不同等級城鎮(zhèn),、道路等區(qū)位因素對鄉(xiāng)村聚落產(chǎn)生集聚作用的程度和影響半徑等有所差異,；鄉(xiāng)村產(chǎn)住規(guī)模、區(qū)域經(jīng)濟發(fā)展水平和區(qū)域基礎(chǔ)設(shè)施完善度是影響河北省鄉(xiāng)村聚落空間分布的主要社會和經(jīng)濟因素,，且不同因素的主要作用區(qū)域有所差異,。研究結(jié)果可為我國北方相關(guān)地區(qū)開展差異化的鄉(xiāng)村聚落優(yōu)化提供理論依據(jù)。

摘要:針對DeepLabV3+語義分割模型計算復雜度高,、內(nèi)存消耗大、難以在計算力有限的移動平臺上部署等問題,，提出一種改進的輕量化DeepLabV3+深度學習語義分割算法,，用于實現(xiàn)無人機蕎麥苗期圖像的分割與識別。該算法采用RepVGG（Re-parameterization visual geometry group）與MobileViT（Mobile vision transformer）模塊融合的方式建立主干網(wǎng)絡(luò)實現(xiàn)特征提取,；同時,，在RepVGG網(wǎng)絡(luò)結(jié)構(gòu)中引入SENet（Squeeze-and-excitation networks）注意力機制，通過利用通道間的相關(guān)性,，捕獲更多的全局語義信息,，保證蕎麥分割的性能。實驗結(jié)果表明,，與FCN（Fully convolutional networks）,、PSPNet（Pyramid scene parsing network）、DenseASPP（Dense atrous spatial pyramid pooling）,、DeepLabV3,、DeepLabV3+模型相比，本文提出的改進算法在較大程度上降低了模型參數(shù)規(guī)模,，更適合在移動端部署,，自建蕎麥苗期分割數(shù)據(jù)集上的語義分割平均像素準確率（Mean pixel accuracy，mPA）和平均交并比（Mean intersection over union,，mIoU）分別為97.02%和91.45%,，總體參數(shù)量、浮點運算次數(shù)（Floating-point operations,，F(xiàn)LOPs）和推理速度分別為9.01×106,、8.215×1010、37.83f/s,，綜合表現(xiàn)最優(yōu),。在全尺寸圖像分割中，訓練模型對不同飛行高度的蕎麥苗期分割的mPA和mIoU均能滿足要求,，也具有較好的分割能力和推理速度,，該算法可為后期蕎麥補種、施肥養(yǎng)護和長勢監(jiān)測等提供重要技術(shù)支持,，進而促進小雜糧產(chǎn)業(yè)智能化發(fā)展,。

摘要:為準確獲取葡萄空間變化信息,，實現(xiàn)產(chǎn)業(yè)規(guī)劃和可持續(xù)發(fā)展，針對葡萄種植區(qū)布局分散,、面積不一,，地物類型復雜,，相應(yīng)不同時相影像異質(zhì)性較大，嚴重影響變化區(qū)域檢測精度的問題,，提出了一種融合注意力機制和多尺度信息的變化檢測模型（Multiscale difference feature capture net, MDFCNet）,。在ResNet101主干網(wǎng)絡(luò)的基礎(chǔ)上融合SE（Squeeze and excitation）注意力機制，提升網(wǎng)絡(luò)對遙感影像中變化特征提取的能力,，抑制無關(guān)像素干擾,。并且設(shè)計了交叉差異特征捕獲（Cross difference feature capture,CDFC）模塊,，捕獲具有密集上下文信息的差異特征來提升地物類型復雜情況下的變化檢測精度,，同時設(shè)計了監(jiān)督集成注意力（Supervised ensemble attention,SEA）模塊，逐層融合低層細節(jié)紋理特征和高層抽象語義特征來豐富多尺度特征,，以此增強網(wǎng)絡(luò)對布局分散,、面積不一的種植區(qū)的檢測能力。在構(gòu)建的寧夏葡萄種植區(qū)變化數(shù)據(jù)集上進行實驗,，結(jié)果表明,，相較于目前主流的SNUNet、A2Net,、DSIFN和ResNet-CD變化檢測模型,，本文MDFCNet方法檢測結(jié)果最優(yōu)，相較于性能第2的模型,，評價指標中交并比,、召回率、F1值和精確率分別提高5.42,、5.62,、3.48、0.95個百分點,。通過消融實驗也證明了融合各模塊的有效性,，相較于基礎(chǔ)網(wǎng)絡(luò)，增加3個模塊使得交并比,、召回率,、F1值和精確率分別提高12.9、5.63,、8.64,、11.75個百分點。本文模型提取出感受野更大的差異特征可為變化檢測提供豐富的推斷信息,，融合的多尺度特征可以有效避免結(jié)果中誤檢測和漏檢測問題,，提高了變化區(qū)域的完整性和邊緣細節(jié)保留，為背景復雜的大范圍葡萄種植區(qū)的變化檢測任務(wù)提供了解決思路,。

摘要:根系是植物吸收水分的主要通道，根系表型與植物抗旱能力息息相關(guān),。為了快速準確地獲取小麥根系表型指標,，利用土培根盒法進行了小麥干旱脅迫實驗，共采集18個時間點的根系時序圖像,。設(shè)計了一套基于深度學習的根系圖像處理與分析流程,，針對土壤遮蔽引起的斷根問題，提出了一種融合目標檢測網(wǎng)絡(luò)和沙漏注意力網(wǎng)絡(luò)的檢測-修復兩階段斷根修復方法,，以修復根系斷裂區(qū)域,，并通過多尺度訓練和自適應(yīng)迭代法提高修復精度和魯棒性。提取了小麥在干旱脅迫和對照處理下的根面積,、總根長,、根寬、根深,、根寬深比,、根密度6個表型性狀，分析了小麥根系對干旱脅迫的表型響應(yīng),。結(jié)果顯示,，干旱脅迫下，小麥會有更低的根系生物量,、更深的根系扎根深度及更分散的根系構(gòu)型,。同時計算了小麥根系干旱脅迫耐受性指數(shù)，結(jié)合主成分分析法,，對小麥品種的抗旱能力進行了描述和排序,。

摘要:為進行表型原位自動化測量,，實現(xiàn)甜椒數(shù)字化育種和管理，針對原位果實表型測量中的目標遮擋問題,，提出一種多視角甜椒果實點云的三維重構(gòu)方法,。通過虛擬葉片的方法，創(chuàng)建增強數(shù)據(jù)集,，建立基于YOLO v5算法的甜椒果實識別模型,，實現(xiàn)對不同遮擋程度果實的識別,，同時，構(gòu)建考慮果實位置與遮擋程度的果實表型采集算法,，實現(xiàn)多視角的果實三維數(shù)據(jù)采集,。最后，配準甜椒果實三維點云,，提取甜椒表型參數(shù),，并通過溫室甜椒果實表型，對點云重構(gòu)方法的有效性進行驗證,。相較手動測量數(shù)據(jù),，果實果寬平均相對誤差為1.72%，果高平均相對誤差為1.60%,。試驗結(jié)果表明,，本文所提出的甜椒原位表型點云重構(gòu)方法，可為遮擋條件下作物表型提供有效的解決思路和可行方法,。

摘要:針對現(xiàn)階段小麥生育期信息獲取需依靠人工觀測，效率低,、主觀性強等問題,，本文構(gòu)建包含冬小麥越冬期、返青期,、拔節(jié)期和抽穗期4個生育期共計4599幅小麥圖像數(shù)據(jù)集,，并提出一種基于FasterNet的輕量化網(wǎng)絡(luò)模型FSST(Fast shuffle swin transformer)，開展4個關(guān)鍵生育期的智能識別,。在FasterNet部分卷積的基礎(chǔ)上引入Channel Shuffle機制,，以提升模型計算速度。引入Swin Transformer模塊來實現(xiàn)特征融合和自注意力機制,用來提升小麥關(guān)鍵生育期識別準確率,。調(diào)整整個模型結(jié)構(gòu),，進一步降低網(wǎng)絡(luò)復雜度，并在訓練中引入Lion優(yōu)化器,，加快網(wǎng)絡(luò)模型收斂速度,。在自建的數(shù)據(jù)集上進行模型驗證，結(jié)果表明,，F(xiàn)SST模型參數(shù)量僅為1.22×107,，平均識別準確率,、F1值和浮點運算量分別為97.22%、78.54%和3.9×108,，與FasterNet,、GhostNet、ShuffleNetV2和MobileNetV3 4種模型相比,，F(xiàn)SST模型識別精度更高,，運算速度更快，并且識別時間分別減少84.04%,、73.74%,、72.22%和77.01%。提出的FSST模型能夠較好地進行小麥關(guān)鍵生育期識別,，并且具有識別快速精準和輕量化的特點,，可以為大田作物生長實時監(jiān)測提供信息技術(shù)支持。

摘要:株高是鑒別玉米種質(zhì)性狀及作物活力的重要表型指標,，苗期玉米遺傳特性表現(xiàn)明顯，準確測量苗期玉米植株高度對玉米遺傳特性鑒別與田間管理具有重要意義,。針對傳統(tǒng)植株高度獲取方法依賴人工測量,，費時費力且存在主觀誤差的問題，提出了一種融合混合注意力信息的改進ZoeDepth單目深度估計模型,。改進后的模型將Shuffle Attention模塊加入Decoder模塊的4個階段,，使Decoder模塊在對低分辨率特征圖信息提取過程中能更關(guān)注特征圖中的有效信息，提升了模型關(guān)鍵信息的提取能力,，可生成更精確的深度圖,。為驗證本研究方法的有效性，在NYU-V2深度數(shù)據(jù)集上進行了驗證,。結(jié)果表明,，改進的Shuffle-ZoeDepth模型在NYU-V2深度數(shù)據(jù)集上絕對相對差、均方根誤差,、對數(shù)均方根誤差為0.083,、0.301mm、0.036,，不同閾值下準確率分別為93.9%,、99.1%、99.8%,，均優(yōu)于ZoeDepth模型,。同時,，利用Shuffle-ZoeDepth單目深度估計模型結(jié)合玉米植株高度測量模型實現(xiàn)了苗期玉米植株高度的測量，采集不同距離下苗期玉米圖像進行植株高度測量試驗,。當玉米高度在15~25cm,、25~35cm、35~45cm3個區(qū)間時,，平均測量絕對誤差分別為1.41,、2.21、2.08cm,，平均測量百分比誤差分別為8.41%,、7.54%、4.98%,。試驗結(jié)果表明該方法可僅使用單個RGB相機完成復雜室外環(huán)境下苗期玉米植株高度的精確測量,。

摘要:為實現(xiàn)香梨自動化采摘,，本文以YOLO v7-S為基礎(chǔ)模型,，針對果園中香梨果實、果葉和枝干之間相互遮擋,，不易精準檢測的問題,，設(shè)計了一種輕量化香梨目標檢測M-YOLO v7-SCSN+F模型。該模型采用MobileNetv3作為骨干特征提取網(wǎng)絡(luò),，引入?yún)f(xié)同注意力機制(Coordinate attention，CA)模塊,，將YOLO v7-S中的損失函數(shù)CIoU替換為SIoU,，并聯(lián)合Normalized Wasserstein distance (NWD)小目標檢測機制，以增強網(wǎng)絡(luò)特征表達能力和檢測精度,?；诟道锶~變換（Fourier transform，F(xiàn)T）的數(shù)據(jù)增強方法,，通過分析圖像頻域信息和重建圖像振幅分量生成新的圖像數(shù)據(jù),，從而提高模型泛化能力。實驗結(jié)果表明,，改進的M-YOLO v7-SCSN+F模型在驗證集上的平均精度均值（mAP）,、精確率和召回率分別達到97.23%、97.63%和93.66%,，檢測速度為69.39f/s,，與Faster R-CNN、SSD,、YOLO v3,、YOLO v4,、YOLO v5s、YOLO v7-S,、YOLO v8n,、RT-DETR-R50模型在驗證集上進行性能比較，其平均精度均值（mAP)分別提高14.50,、26.58,、3.88、2.40,、1.58,、0.16、0.07,、0.86個百分點,。此外，改進的M-YOLO v7-SCSN+F模型內(nèi)存占用量與YOLO v8n和RT-DETR-R50檢測模型對比減少16.47,、13.30MB,。本文提出的檢測模型對成熟期香梨具有很好的目標檢測效果，為背景顏色相近小目標檢測提供參考,，可為香梨自動化采摘提供有效的技術(shù)支持,。

摘要:為了實現(xiàn)在復雜非結(jié)構(gòu)環(huán)境下對木薯葉4種主要病害的高精度檢測，提出一種基于選擇性注意力機制的木薯葉病害神經(jīng)網(wǎng)絡(luò)檢測改進算法MAISNet (Multiattention IBN Squareplus neural network),。以V2-ResNet-101為基礎(chǔ)網(wǎng)絡(luò),，先使用多重注意力算法優(yōu)化加權(quán)系數(shù)，調(diào)整特征通道的語義表達,，在特征圖中初步構(gòu)建顯著性特征,；然后在殘差單元之后采用實例批歸一化方法來抑制特征表達中的協(xié)變量偏移，在特征圖中構(gòu)建出顯著性語義特征,，實現(xiàn)高質(zhì)量語義特征表達,；最后在殘差分支中采用Squareplus激活函數(shù)替代ReLU激活函數(shù),，保持語義特征在負數(shù)域的數(shù)值分布,，減少特征擬合過程中的截斷誤差。對比試驗結(jié)果顯示,，經(jīng)過上述改進后構(gòu)建出的MAISNet-101神經(jīng)網(wǎng)絡(luò),，對4種常見木薯葉病害檢測的平均準確率達到95.39%,，明顯優(yōu)于目前主流算法EfficientNet-B5和RepVGG-B3g4等。網(wǎng)絡(luò)提取特征的可視化分析結(jié)果表明,，高質(zhì)量木薯葉病害顯著性語義特征,，是提高木薯葉病害檢測準確率的關(guān)鍵,。所提出的MAISNet神經(jīng)網(wǎng)絡(luò)模型可以完成實際場景下木薯葉病害高精度檢測。

摘要:針對小麥腥黑穗病輕度患病籽粒易與健康籽粒混淆,，人工識別難度大的問題,，將校正光譜序列融合技術(shù)與深度學習模型相結(jié)合，實現(xiàn)小麥腥黑穗病籽?？焖?、精準分類。以健康,、輕度患病,、重度患病各300粒小麥籽粒的高光譜數(shù)據(jù)為樣本，通過多元散射校正算法(MSC)和標準正態(tài)變換算法(SNV)對原始光譜進行預處理,，并利用二維相關(guān)光譜法(2D-COS)分析SNV與MSC算法處理后的光譜之間的互補性,。使用校正光譜序列融合技術(shù)將原始光譜、SNV預處理光譜與MSC預處理光譜三者進行融合得到序列融合光譜,，以充分利用不同光譜預處理數(shù)據(jù)間的互補信息,。最終，利用序列融合光譜數(shù)據(jù)建立基于ResNet 50算法的小麥腥黑病分類模型,。試驗結(jié)果表明,，序列融合光譜ResNet 50模型總體準確率最高為93.89%，F(xiàn)1值為93.87%,，分類性能優(yōu)于單一預處理光譜建立的ResNet 50模型。為進一步評估模型分類效果,，使用序列融合光譜分別建立偏最小二乘判別分析(PLS-DA),、支持向量機(SVM)以及集成學習算法模型隨機森林(RF)與極端梯度提升樹(XGBoost)模型，并進行對比,，結(jié)果顯示：SVM,、PLS-DA、RF與XGBoost總體準確率分別為81.67%,、84.44%,、89.44%與90.55%，F(xiàn)1值分別為81.59%,、84.04%,、89.49%與90.59%,，ResNet 50總體準確率與F1值優(yōu)于傳統(tǒng)光譜分析模型。因此,，本研究表明校正光譜序列融合技術(shù)結(jié)合深度學習模型,，能夠?qū)崿F(xiàn)對不同患病程度腥黑穗病籽粒的有效分類。

摘要:針對煙草領(lǐng)域中問句意圖識別存在的特征稀疏,、術(shù)語繁多和捕捉文本內(nèi)部的語義關(guān)聯(lián)困難等問題,提出了一種基于SBERT-Attention-LDA(Sentence-bidirectional encoder representational from transformers-Attention mechanism-Latent dirichlet allocation)與ML-LSTM(Multi layers-Long short term memory)特征融合的問句意圖識別方法,。該方法首先基于SBERT預訓練模型和Attention機制對煙草問句進行動態(tài)編碼,轉(zhuǎn)換為富含語義信息的特征向量,同時利用LDA模型建模出問句的主題向量,捕捉問句中的主題信息;然后通過更改后的模型級特征融合方法ML-LSTM獲得具有更為完整、準確問句語義的聯(lián)合特征表示;再使用3通道的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)提取問句混合語義表示中隱藏特征,輸入到全連接層和Softmax函數(shù)中實現(xiàn)對問句意圖的分類,?；跓煵菪袠I(yè)權(quán)威網(wǎng)站上獲取的數(shù)據(jù)集開展了實驗驗證,實驗結(jié)果表明,所提方法相比其他幾種深度學習結(jié)合注意力機制的方法精確率、召回率和F1值上有顯著提升,與BERT和ERNIE(Enhanced representation through knowledge integration and embedding)-CNN模型相比提升明顯,F1值分別提升2.07,、2.88個百分點,。

摘要:奶牛的動作行為（進食,、躺臥,、站立、行走和甩尾）直接或間接地反映了奶牛的健康及生理狀況,是奶牛疾病監(jiān)測及感知奶牛異常的關(guān)鍵,，為準確高效地對奶牛行為進行識別,，提出了一種融合時間和空間注意信息的多分支并行的CAFNet（ConvNeXt-ACM-FAM）奶牛行為識別模型，該模型在卷積網(wǎng)絡(luò)ConvNeXt的基礎(chǔ)上融合非對稱多分支卷積模塊（ACM）和特征注意力模塊（FAM）,。首先,，利用ACM劃分通道分支提取特征并保留一部分原始特征，防止信息過度丟失,。其次,，F(xiàn)AM對不同通道的特征進行融合并引入SimAM注意力機制，不增加網(wǎng)絡(luò)參數(shù)的同時增強重要特征的有效提取,。實驗結(jié)果表明,，該方法對進食、躺臥,、站立,、行走和甩尾行為識別準確率分別為95.50%、93.72%、90.26%,、86.43%,、89.39%，平均準確率為91.06%,，參數(shù)量相較于原模型減少了1.5×106,，浮點運算量減少了3×108，相較于其他模型,，本文模型識別平均準確率平均提升8.63個百分點,。本文研究成果可為奶牛疾病監(jiān)測及預防提供技術(shù)支持。

摘要:隨著我國畜牧業(yè)的快速發(fā)展，牛只養(yǎng)殖由分散性養(yǎng)殖逐漸向精準化養(yǎng)殖轉(zhuǎn)變,。針對分散養(yǎng)殖中農(nóng)戶無法對每頭牛只健康狀況給予足夠關(guān)注的問題,，通過分析牛只行為模式結(jié)合視覺方向特征，設(shè)計了綜合管理方法來準確識別和跟蹤牛只行為,。首先,，采用改進YOLO v8算法對牛只進行目標監(jiān)測，其中,，在Backbone和Neck端使用C2f-faster結(jié)構(gòu),，增強模型特征提取能力；引入上采樣算子CARAFE,，拓寬感受視野進行數(shù)據(jù)特征融合,；針對牛只幼仔檢測加入BiFormer注意力機制，以識別牛只小面積特征,；更換動態(tài)目標檢測頭DyHead,，融合尺度、空間和任務(wù)感知,；然后,，使用Focal SIoU函數(shù)，解決正負樣本分配不均衡和CIoU局限性的問題,。最后,，將YOLO v8檢測到的行為類別信息引入BoTSORT算法中，實現(xiàn)在復雜場景下牛只多目標行為識別跟蹤,。實驗結(jié)果表明，提出的FBCD-YOLO v8n（FasterNet,、BiFormer,、CARAFE、DyHead）模型在牛只行為數(shù)據(jù)集上，相比較YOLO v5n,、YOLO v7tiny和原YOLO v8n模型的[email protected]分別提升3.4,、3.1、2.4個百分點,，尤其牛只回舔行為識別平均精度提高7.4個百分點,。跟蹤方面，BoTSORT算法的MOTA為96.1%,，MOTP為78.6%,，IDF1為98.0%，HOTA為78.9%,；與ByteTrack,、StrongSORT算法比，MOTA和IDF1顯著提升,，跟蹤效果良好,。研究表明，在牛舍養(yǎng)殖環(huán)境下,，本研究構(gòu)建的多目標牛只行為識別跟蹤系統(tǒng),，可有效幫助農(nóng)戶監(jiān)測牛只行為，為牛只的自動化精準養(yǎng)殖提供技術(shù)支持,。

摘要:水稻灌溉水量、氮肥和種植面積的高效管理有助于提升農(nóng)業(yè)經(jīng)濟效益,，提高資源利用效率和改善生態(tài)環(huán)境,。以黑龍江省13個市（區(qū)）為研究區(qū)域，利用Meta分析量化不同灌溉方式和施氮量對水稻產(chǎn)量和溫室氣體（CO2,、CH4,、N2O）排放的影響，并建立水肥生產(chǎn)函數(shù),。在此基礎(chǔ)上,，以經(jīng)濟效益、溫室氣體排放量,、水肥利用效率為目標函數(shù)構(gòu)建多目標優(yōu)化模型,，以優(yōu)化分配各地區(qū)的水肥資源，調(diào)整水稻種植面積,。優(yōu)化結(jié)果表明：控制灌溉和施加氮肥不同程度影響產(chǎn)量和溫室氣體排放,，優(yōu)化后水稻種植面積減少3.76%,，水利用效率提高18.4%，灌溉水量均值為4513.54m3/hm2,，氮肥施用量減少11%,，氮肥利用效率提高32%，氮肥施用量均值為100kg/hm2;經(jīng)濟效益增加8.1%,，溫室氣體排放降低10.6%,。本模型可以量化表征區(qū)域尺度基于控制灌溉的水肥施用與產(chǎn)量及溫室氣體排放的響應(yīng)關(guān)系，協(xié)同優(yōu)化稻田水土肥資源最佳配比,，平衡經(jīng)濟,、溫室氣體排放和資源利用效率，有助于黑龍江省水稻不同目標間的水肥資源優(yōu)化和種植面積調(diào)整,，促進農(nóng)業(yè)可持續(xù)發(fā)展,，可為水稻水土肥資源優(yōu)化與管理提供參考。

摘要:為探求溫室番茄節(jié)水減排優(yōu)產(chǎn)的灌溉模式，以番茄（金鵬8號）為研究對象,，設(shè)置I1和I2（對應(yīng)作物-皿系數(shù)kcp為0.8和1.0）2個灌水水平,，F(xiàn)1和F2（對應(yīng)施氮量180kg/hm2和240kg/hm2）2個施氮水平，A1,、A2和CK（1倍和2倍文丘里加氣量,，不加氣CK作為對照處理）3個加氣水平，采用3因素完全隨機設(shè)計,，共10個處理,，每個處理重復3次，采用靜態(tài)暗箱-氣相色譜法對番茄全生育期溫室氣體排放進行監(jiān)測分析,，探究土壤CO2,、N2O、CH4排放與番茄產(chǎn)量的變化規(guī)律,；分析灌水水平,、施氮水平和加氣水平對溫室番茄產(chǎn)量和溫室氣體排放的影響，綜合全球凈增溫潛勢（Net global warming potential, NGWP）和溫室氣體排放強度（Greenhouse gas intensity, GHGI）,，提出以節(jié)水減排高產(chǎn)為目標的溫室番茄水肥氣一體化滴灌管理模式,。結(jié)果表明：灌溉水平和施氮水平增大均會增加土壤CO2、N2O排放通量,，I2處理較I1處理平均增加24.8%（P<0.05）與14.8%（P>0.05）,，F(xiàn)2處理比F1處理平均增加8.6%（P>0.05）與34.9%（P<0.05）,；加氣灌溉對土壤CO2、N2O排放通量有顯著影響,，與CK處理相比，A1和A2處理分別平均增加5.5%,、10.0%（P>0.05）和20.9%,、62.9%（P<0.05）。番茄全生育期內(nèi)土壤CH4排放通量呈現(xiàn)土壤為CH4的匯,，灌水水平增大會增加土壤CH4排放通量,，而施氮水平增加則會減小CH4排放通量，I2處理比I1處理平均增加27.8%（P<0.05）,，F(xiàn)2處理比F1處理平均減少25.5%（P<0.05）,；加氣、施氮和灌水會顯著增加番茄產(chǎn)量（P<0.05）,。綜合考慮經(jīng)濟因素和生態(tài)因素,，A1F2I1處理效益最佳，即加氣水平A1,、施氮水平F2,、灌水水平I1的組合策略可以兼顧節(jié)水優(yōu)產(chǎn)減排要求，為西北地區(qū)溫室番茄較優(yōu)灌溉模式,。

摘要:為探究鄱陽湖平原區(qū)洪澇時期不同泥沙含量下受淹脅迫對雙季稻生長及產(chǎn)量的影響,，采用大田試驗與室內(nèi)分析相結(jié)合的方法,，設(shè)置淹2/3株高和全淹2種受淹深度，S1（0kg/m3）,、S2（0.5kg/m3）,、S3（1.0kg/m3）3種泥沙含量，對淹水后6,、9d早稻和中稻的生長指標和水稻產(chǎn)量進行了觀測研究,。結(jié)果表明：適度受淹刺激水稻伸長，節(jié)間不斷分化,，葉片伸長,、增寬。早稻抽穗開花期受淹株高,、節(jié)間長增加9.35%,、12.75%,，2/3淹下葉面積增加11.00%。但脅迫過大抑制水稻生長,，中稻全淹下株高和分蘗數(shù)減小33.49%,、29.28%，葉面積減小30.94%,，此時中稻難以伸出水面,，導致功能葉片附沙嚴重，泥沙含量增大進一步抑制了水稻生長,。受淹導致早稻和中稻穗干物質(zhì)量平均減小32.35%,、58.72%（P<0.05）。結(jié)實率和千粒質(zhì)量減小是早稻抽穗開花期受淹后產(chǎn)量下降的主要原因,，此時泥沙含量和淹水時間的影響并不明顯,。中稻全淹下泥沙導致減產(chǎn)加劇，S2,、S3下減產(chǎn)率比S1下顯著增加31.63%,、52.20%（P<0.05），此時產(chǎn)量下降是穗長,、有效穗數(shù),、穗粒數(shù)、結(jié)實率,、千粒質(zhì)量綜合作用的結(jié)果,。研究結(jié)果可為鄱陽湖平原區(qū)洪澇災害治理和糧食安全保障提供理論和技術(shù)支撐。

摘要:探明散射輻射變化對稻田生態(tài)系統(tǒng)總初級生產(chǎn)力（Gross primary productivity, GPP）的影響可為稻田碳匯能力評估和產(chǎn)量估算提供參考,。本研究以鄱陽湖平原雙季稻田為研究對象,，利用渦度相關(guān)（Eddy covariance, EC）系統(tǒng)對稻田CO2通量進行了連續(xù)兩年（2017—2018年）的定位觀測，選取水稻生育中期數(shù)據(jù),，按照散射輻射比例（Diffuse fraction, DF）進行分段,，分析了散射輻射對稻田GPP的影響，探明并量化了不同DF條件下散射輻射與其他氣象因素對稻田GPP的影響機制,。結(jié)果表明：不同類型輻射對GPP的影響存在差異,，GPP隨著直接光合有效輻射（Direct photosynthetically active radiation, PAR-dir）的增加先迅速增長，隨后達到飽和,；在不同DF條件下,，早晚稻GPP隨著散射光合有效輻射（Diffuse photosynthetically active radiation, PAR-dif）的變化趨勢存在差異，當DF為0.1～0.4時,，早稻GPP隨PAR-dif無明顯變化趨勢,，晚稻GPP隨PAR-dif呈上升趨勢（決定系數(shù)R2為0.23）,，當DF為0.4～0.7時，早晚稻GPP隨PAR-dif呈下降趨勢（R2為0.38,、0.02）,，當DF為0.7～1.0時，早晚稻GPP隨PAR-dif呈明顯上升趨勢（R2為0.32,、0.89）,，可見PAR-dif是影響水稻GPP的重要因素。早晚稻GPP與DF呈二次曲線關(guān)系（R2為0.45,、0.67），早晚稻光能利用效率（Light use efficiency, LUE）則與DF呈顯著的線性正相關(guān)關(guān)系（R2為0.68,、0.82）,，早晚稻最優(yōu)DF為0.48和0.40。DF變化同時引起氣溫（Air temperature, Ta）和飽和水汽壓差（Water vapor pressure deficit, VPD）的變化,，進而對水稻GPP產(chǎn)生協(xié)同影響,。氣象因素與水稻GPP的通徑分析結(jié)果表明：不同DF條件下，氣象因素對水稻GPP的影響存在明顯差異,?？傮w而言，Ta和VPD升高分別對水稻GPP起促進和抑制作用,，當DF為0.1～0.4,、0.4～0.7和0.7～1.0時，影響早稻GPP的主要氣象因素為Ta,、PAR-dir和PAR-dif,，影響晚稻GPP的主要氣象因素則為PAR-dif、PAR-dir和PAR-dif,。

摘要:為揭示不同施肥措施和土壤類型對我國西北地區(qū)典型農(nóng)田土壤氮素礦化特征的影響,，通過室內(nèi)恒溫好氣培養(yǎng)法，分別研究不施肥（CK）,、單施尿素（U）,、單施有機肥（M）和尿素配施有機肥（U+M）施肥模式對土壤氮素礦化動態(tài)過程的影響，并對土壤累積礦化氮量進行一級動力學方程擬合及相關(guān)性分析,。結(jié)果表明,，施肥和土壤類型均顯著影響土壤銨態(tài)氮含量、硝態(tài)氮含量和累積礦化氮量,，且兩者之間存在顯著的交互作用,。不同類型土壤累積礦化氮量和礦化速率由大到小依次為塿土,、黃綿土、黃河灌淤土,、灰棕漠土,。與CK處理相比，不同施肥處理顯著增加土壤累積礦化氮量,、礦化速率常數(shù)（k）和礦化勢（N0）,，處理間差異顯著（P<0.05）。單施尿素和尿素配施有機肥處理的累積礦化氮量和礦化速率分別較CK處理增加2.83~6.71倍和3.83~7.70倍,。相關(guān)分析表明,，土壤累積礦化氮量與土壤有機質(zhì)含量和全氮含量呈顯著正相關(guān)關(guān)系。研究結(jié)果表明,，有機無機肥配施處理可顯著促進西北地區(qū)不同土壤類型氮素礦化,，提高氮素有效性和供氮能力，有利于保持土壤礦質(zhì)氮含量,，對農(nóng)田氮素高效利用有重要作用,。

摘要:針對現(xiàn)行農(nóng)業(yè)水價標準過低的問題,，選取糧食主產(chǎn)區(qū)——黑龍江省為研究區(qū)域，從農(nóng)業(yè)用水全價值和全成本出發(fā),，利用能值理論分析確定農(nóng)業(yè)用水價值,，采用全成本水價法確定用水成本，結(jié)合現(xiàn)行水價制定不同情境下農(nóng)業(yè)水資源定價方案,；運用雙對數(shù)模型建立農(nóng)業(yè)用水需求價格函數(shù),，揭示水價提升帶來的研究區(qū)域節(jié)水潛力，結(jié)合指數(shù)分析法確定農(nóng)戶可承受能力,，從而判斷所制定水價方案的可行性,。結(jié)果表明：2020年，農(nóng)業(yè)水資源全價值為0.594元/m3,，地表水與地下水全成本分別為0.180元/m3和0.355元/m3,；針對設(shè)計的3種階梯水價調(diào)整方案，利用2005,、2010,、2015、2020年進行實證分析,，過渡期和長期水價方案平均年節(jié)水量分別可達2.72×109,、4.45×109m3，平均年節(jié)水潛力分別為12.74%、19.48%,，且一階水價均在農(nóng)戶可承受能力范圍,，確定為可行方案。本文為研究區(qū)農(nóng)業(yè)水價綜合改革提供了支持,，可結(jié)合實際情況逐步提高農(nóng)業(yè)水價到合理水平,。

摘要:針對溫室內(nèi)不同時間,、位置的環(huán)境參數(shù)存在變異性，且隨天氣與季節(jié)變化,，日光溫室冠層光照強度,、空氣溫度和空氣相對濕度的分布差異性問題，構(gòu)建了基于無線傳感器網(wǎng)絡(luò)的環(huán)境監(jiān)測系統(tǒng),。環(huán)境感知節(jié)點部署在作物冠層位置，集成了光照強度,、空氣溫濕度等傳感器,。首先，基于實時采集的溫室環(huán)境數(shù)據(jù),，采用反距離加權(quán)算法進行插值分析,，得到環(huán)境參數(shù)的離散曲面；其次,，通過基于質(zhì)心坐標的K-means聚類算法,，得到了溫室內(nèi)連通及非連通區(qū)域的代表性特征點；最后,，采用半變異函數(shù)與變異系數(shù)方法對溫室環(huán)境的空間變異性與時間變異性進行分析,。實驗結(jié)果表明，夏季日光溫室在下午表現(xiàn)為高溫與高光照,，08:00,、16:00的光照強度分別為12:00的24.2%、72.9%,，08:00的空氣溫度（27.7℃）較12:00,、16:00低約6.0℃，對應(yīng)的空氣濕度（90%）高約30%,。晴天最大光照強度分別為陰天,、雨天的1.4倍和4.6倍，晴天,、陰天最高空氣溫度高于雨天（29.5℃）約6℃,，最小空氣相對濕度遠低于雨天（84%）,。夏季日光溫室晴天與陰天表現(xiàn)為高溫和低濕，雨天表現(xiàn)為高濕和低光照,。各環(huán)境參數(shù)中,，光照強度的空間變異性最強，變程為10.34m,?？諝鉁貪穸鹊目臻g變異性較弱，整體分布均勻,。光照強度,、空氣溫度和空氣相對濕度的時間變異性均為中等變異程度。環(huán)境參數(shù)的特征點及時空變化規(guī)律有助于日光溫室傳感器的高效部署,，為揭示作物與環(huán)境的交互作用提供了基礎(chǔ),。

摘要:為了探究秸稈類生物質(zhì)在熱解和氣化過程中的產(chǎn)氣規(guī)律,，以我國東北地區(qū)典型的玉米秸稈為原料,，基于自行建立的管式爐生物質(zhì)熱解氣化實驗裝置，系統(tǒng)研究了玉米秸稈在氮氣氣氛下熱解和在含氧氣氛下氣化過程中CO,、H2,、CO2、CH4和CnHm等小分子生物質(zhì)燃氣成分的釋放特性,，對比分析了不同熱解溫度和氣化溫度對不同燃氣組分釋放規(guī)律及其產(chǎn)率的影響,。實驗結(jié)果表明：玉米秸稈熱解過程中最先釋放的小分子氣相產(chǎn)物是CO和CO2；當溫度升高時生物質(zhì)燃氣中逐漸出現(xiàn)CH4和H2,，且隨著熱解溫度升高,，CO的產(chǎn)率峰值最先出現(xiàn)且峰值出現(xiàn)在升溫階段，而CO2,、CH4和H2的產(chǎn)率峰值幾乎同時出現(xiàn)在恒溫階段,；熱解溫度升高，玉米秸稈熱解產(chǎn)生的CO體積分數(shù)幾乎沒有變化,，而CO2的占比則隨著溫度的升高而降低,；在400~500℃之間CH4體積分數(shù)隨著熱解溫度的升高而增加，在500℃以后,，基本穩(wěn)定在13%,。在O.2體積分數(shù)為8%、N2體積分數(shù)為92%的含氧氣氛下，隨著氣化溫度的升高,，玉米秸稈氣化產(chǎn)生CO2氣體的體積分數(shù)呈先增加后降低的趨勢,，而CO的體積分數(shù)隨著溫度的升高而增大，這說明高溫氣化條件下更有利于CO的釋放,，而低溫條件下有利于CO2的產(chǎn)生,。

摘要:在農(nóng)業(yè)生產(chǎn)中，過量偏施氮肥導致的硝酸鹽富集是次生鹽漬化,、酸化等土壤障礙的重要誘因,。生物炭因良好的吸附特性逐漸成為緩解鹽漬化的土壤調(diào)理劑，但果菜秸稈生物炭對硝酸鹽等離子的吸附研究鮮見報道,。以甜椒,、番茄和茄子3種果菜秸稈為原料熱解制備生物炭，進行硝態(tài)氮吸附試驗,。通過掃描電鏡（SEM）和傅里葉近紅外光譜（FTIR）等技術(shù)對生物炭吸附前,、后表面形貌、官能團等進行表征分析,，利用吸附動力學模型和等溫吸附模型等進行擬合分析，綜合模型參數(shù)和形貌表征解析果菜秸稈生物炭的吸附性能和機制,。研究結(jié)果表明,，3種果菜秸稈生物炭對硝態(tài)氮均具有一定吸附能力，茄子秸稈生物炭吸附能力最強,，最大理論平衡吸附量為114.788mg/g,，其次為番茄（29.736mg/g）和甜椒（9.759mg/g）；茄子和甜椒秸稈生物炭吸附性能優(yōu)于玉米,、稻殼等大田作物秸稈生物炭,，吸附過程符合準二級動力學模型，受化學鍵吸附,、表面吸附和內(nèi)擴散吸附過程的控制,，番茄秸稈生物炭吸附過程符合準一級動力學模型，主要為物理吸附,；FTIR分析顯示,，3種生物炭均含有羥基、甲基、亞甲基,、羧基和羰基官能團,，除此之外，甜椒和茄子秸稈生物炭還含有醚鍵,，番茄秸稈生物炭含有醇羥基,。因此，3種果菜秸稈生物炭對硝態(tài)氮均具有吸附能力,，茄子秸稈生物炭吸附能力最強,，受孔隙填充、官能團和絡(luò)合作用等多種理化機制的影響,，具有消減土壤次生鹽漬化的潛力,。本研究對鹽漬化土壤修復和果菜秸稈資源化利用具有理論意義。

摘要:針對有機廢棄物堆肥過程中物料溶氧效率低導致的堆體起溫速率慢、發(fā)酵不徹底等問題,，設(shè)計了一種高效堆肥通風攪拌系統(tǒng),，該系統(tǒng)由分段式通風系統(tǒng)和組合式攪拌裝置構(gòu)成，通過對兩個主要裝置進行理論設(shè)計和DEM-FEM耦合仿真,，〖JP3〗實現(xiàn)堆肥通風和攪拌工藝優(yōu)化,。結(jié)果顯示，通風系統(tǒng)中的最大應(yīng)力出現(xiàn)在通風管上,，為13.064MPa,，最大形變量為0.038126mm，攪拌裝置中最大應(yīng)力出現(xiàn)在抄板上,，為190.31MPa,，最大形變量為0.34417mm，符合設(shè)計要求,。在此基礎(chǔ)上,，以食物垃圾和梧桐葉為原料，進行為期14d的堆肥試驗,，監(jiān)測堆肥過程中關(guān)鍵參數(shù)變化并測定發(fā)酵產(chǎn)物相關(guān)指標,，完成通風攪拌系統(tǒng)性能驗證試驗。試驗結(jié)果表明：使用該通風攪拌系統(tǒng)的滾筒式堆肥反應(yīng)器,，其內(nèi)部堆體溫度在3d時達到53.34℃,，堆肥過程中堆體最高溫度可達69.56℃,，堆體高溫期（大于50℃）可持續(xù)6d以上；試驗結(jié)束后其產(chǎn)物含水率降至27.21%,、pH值升至8.4,、種子發(fā)芽指數(shù)最高可達131.4%，符合有機肥料測定標準(NY/T 525—2021),，滾筒反應(yīng)器運行成本僅65.51元/t,。

摘要:隨著區(qū)塊鏈技術(shù)在食品溯源領(lǐng)域的發(fā)展,，預制食品的質(zhì)量安全得到了有效保障。然而,，預制食品上下游生產(chǎn)加工環(huán)節(jié)眾多的產(chǎn)業(yè)特點,，使溯源變得困難。在溯源的同時安全共享食譜,、秘方等隱私數(shù)據(jù),，使供應(yīng)鏈更好地協(xié)同生產(chǎn)則十分重要。為解決上述問題,，提出了一種面向預制食品溯源的門限代理重加密(Threshold proxy re-encryption)隱私數(shù)據(jù)共享的方法,，設(shè)計了一條預制食品溯源區(qū)塊鏈和追溯生產(chǎn)批號關(guān)聯(lián)相關(guān)溯源數(shù)據(jù)，確保數(shù)據(jù)的真實可信,。使用門限代理重加密,，預制食品生產(chǎn)商通過門限代理重加密將研發(fā)的食譜加密為初加密密文，同時在本地生成重加密密鑰,，將初加密密文與重加密密鑰上傳至預制食品溯源區(qū)塊鏈中,；第三方半誠實服務(wù)商將從區(qū)塊鏈上獲取的重加密材料進行重加密生成重加密密文，將重加密密文上傳至區(qū)塊鏈,；監(jiān)管部門等數(shù)據(jù)訪問者則使用自身私鑰將從區(qū)塊鏈上獲取的重加密密文進行重加密解密，實現(xiàn)隱私數(shù)據(jù)在溯源區(qū)塊鏈上的安全共享,。該方法基于Hyperledger Fabric,，搭建了一個預制食品溯源區(qū)塊鏈原型系統(tǒng)進行測試。測試結(jié)果表明,，所提出的面向預制食品溯源的隱私數(shù)據(jù)加密共享方法在隱私數(shù)據(jù)共享方面與常用的數(shù)據(jù)加密共享方法相比計算開銷較低,。數(shù)據(jù)上鏈、公開數(shù)據(jù)查詢,、隱私數(shù)據(jù)查詢的平均時延分別為1.4738,、63.9,、59.9ms，系統(tǒng)性能良好,。實驗結(jié)果表明,，提出的方法達到了供應(yīng)鏈隱私數(shù)據(jù)安全共享的目的，確保了商業(yè)機密和知識產(chǎn)權(quán)的安全共享,，對預制食品行業(yè)發(fā)展和食品安全提升具有參考價值,。

摘要:為提高早酥梨-美樂低醇復合果酒的品質(zhì),，以體積比50∶50復配的早酥梨和美樂葡萄汁為試材,，在酒精發(fā)酵前分別添加0.25g/L的酵母細胞壁、水溶性β葡聚糖和甘露糖蛋白,，接種釀酒酵母和非釀酒酵母進行混菌發(fā)酵,，采用頂空固相微萃取結(jié)合氣相色譜質(zhì)譜聯(lián)用技術(shù)（HS-SPME-GC-MS）測定發(fā)酵酒樣的揮發(fā)性香氣化合物，結(jié)合模糊數(shù)學感官評價法分析探討其對酒體品質(zhì)的影響,。結(jié)果表明,，3種酵母多糖均對早酥梨-美樂低醇復合果酒酒精發(fā)酵動力學和理化指標有一定影響，尤其是添加酵母甘露糖蛋白的復合果酒與空白對照組酒樣的CIELab顏色參數(shù)差異顯著,。此外,，添加酵母甘露糖蛋白可以提高酒樣中萜烯類、酯類,、高級醇類物質(zhì),，尤其是2-甲基丁酸乙酯、丁酸乙酯,、乙酸苯乙酯,、癸酸乙酯、香茅醇和香葉醇等化合物含量,，呈現(xiàn)較為突出的花香,、果香屬性；模糊數(shù)學綜合感官評價達到7.400分,。綜上,，外源添加酵母甘露糖蛋白能夠有效穩(wěn)定早酥梨-美樂低醇果酒顏色，改善香氣品質(zhì),。

摘要:以大豆分離蛋白（SPI）為原料,，采用堿性蛋白酶（Alcalase）進行酶解（0~180min），通過凝膠電泳,、傅里葉紅外光譜（FT-IR）和內(nèi)源熒光光譜等方法探究酶解產(chǎn)物的結(jié)構(gòu)變化,；通過表面張力、界面蛋白吸附量等指標說明酶解產(chǎn)物的界面行為,，并分析結(jié)構(gòu)變化和界面行為對泡沫性質(zhì)的影響,。經(jīng)酶解后，蛋白中7S和11S典型條帶消失并有新條帶產(chǎn)生（約24ku）,；與SPI相比,，水解物中α螺旋含量減少，β轉(zhuǎn)角和無規(guī)則卷曲含量增加,；熒光波長發(fā)生紅移,。以上結(jié)果說明蛋白結(jié)構(gòu)展開，進而促進蛋白功能性的改變,。結(jié)果發(fā)現(xiàn),，酶解90min時樣品起泡性最好（起泡性指數(shù)143.20%），可能由于此時水解物平均粒徑最低（208.10nm）,，溶解度較高（90.44%）,，表面張力最低，有利于提升水解物在空氣-水界面的吸附速率,，但由于酶解作用產(chǎn)生較小的肽段失去了蛋白質(zhì)網(wǎng)絡(luò)結(jié)構(gòu)的能力,，因而對泡沫穩(wěn)定性有負面的影響。此外,，酶解作用大大提高了蛋白抗氧化性,。通過酶解可以有效地改善SPI的起泡性，拓寬了酶解后的SPI作為一種有效的起泡劑在食品中的應(yīng)用范圍,。

摘要:發(fā)動機性能變化和牽引阻力波動等時變因素對大功率動力換擋拖拉機（PST）換擋策略的適應(yīng)性具有巨大威脅,。為了構(gòu)建動態(tài)精準模型和應(yīng)對負載波動,，以提高PST換擋策略的適應(yīng)性，提出了一種基于數(shù)字孿生的自適應(yīng)換擋策略,。一方面,，將發(fā)動機狀態(tài)變化視作內(nèi)部干擾,，基于深度確定性策略梯度（DDPG）算法對虛擬PST發(fā)動機進行實時校準,，結(jié)合PST機理模型,，實現(xiàn)對PST的實時動態(tài)精準建模。另一方面,，將牽引阻力波動視作外部干擾,，提出基于深度Q網(wǎng)絡(luò)（DQN）的換擋策略生成方法。在實時動態(tài)精準建模和換擋策略自動生成兩個機制的協(xié)同作用下,，實現(xiàn)換擋策略的自適應(yīng)調(diào)整,。最后，開展了犁耕工況下的虛擬PST訓練仿真及本文方法與模糊自適應(yīng)方法的車速跟蹤對比試驗,。結(jié)果表明,，發(fā)動機轉(zhuǎn)矩和燃油消耗率跟蹤誤差均值不超過7.28N·m和1.55g/(kW·h)，實現(xiàn)了對物理PST的動態(tài)精準建模,。在長時間使用之后,，發(fā)動機和牽引阻力的變化導致模糊自適應(yīng)方法的換擋點和模糊規(guī)則不再完全適用，換擋表現(xiàn)逐漸變差,，而本文方法的換擋表現(xiàn)和車速跟蹤效果全程良好,，其車速跟蹤誤差均值、燃油消耗率均值和總換擋次數(shù)分別為0.0125m/s,、229.76g/(kW·h)和42,，比模糊自適應(yīng)方法分別減小0.91%、11.14%,、34.38%,，驗證了本文方法的適應(yīng)性和優(yōu)越性。

摘要:基于方位特征（POC）方程的并聯(lián)機構(gòu)設(shè)計理論與方法,，設(shè)計了一種全部由低副組成,、具有位置正解符號化且部分運動解耦的兩平移一轉(zhuǎn)動（2T1R）并聯(lián)機構(gòu)，并對機構(gòu)的主要拓撲特征（POC,、自由度,、耦合度、運動解耦性）進行分析與計算,；基于拓撲特征運動學建模原理,，導出機構(gòu)符號式位置正解和反解；同時,，由位置反解分析了機構(gòu)奇異性,，基于符號式位置正解求解了機構(gòu)工作空間；根據(jù)基于虛功原理的序單開鏈法,，對該機構(gòu)動力學性能進行分析,，計算得施加在3個驅(qū)動副上的驅(qū)動力,；最后，對該機構(gòu)應(yīng)用于無人機操作及其安全著陸的動作原理進行了概念設(shè)計闡述,。