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:在當(dāng)前農(nóng)業(yè)信息化的發(fā)展進(jìn)程中,，多數(shù)農(nóng)業(yè)子領(lǐng)域面臨著數(shù)據(jù)資源分散,、信息整合難度大,、知識(shí)利用效率低等問題。作為近年來新興的一種知識(shí)表示技術(shù),，知識(shí)圖譜已在部分農(nóng)業(yè)特定領(lǐng)域展現(xiàn)出了強(qiáng)大的語(yǔ)義推理和數(shù)據(jù)整合能力,，同時(shí)幫助一些農(nóng)業(yè)上層應(yīng)用提高了性能,。為系統(tǒng)總結(jié)近年來農(nóng)業(yè)知識(shí)圖譜構(gòu)建與應(yīng)用方面的研究成果，本文首先闡述了知識(shí)圖譜基礎(chǔ)和農(nóng)業(yè)知識(shí)圖譜的構(gòu)建流程,，并從本體建模,、信息抽取、知識(shí)融合以及知識(shí)加工4方面總結(jié)了構(gòu)建農(nóng)業(yè)知識(shí)圖譜所涉及的關(guān)鍵技術(shù),。將當(dāng)前農(nóng)業(yè)知識(shí)圖譜的應(yīng)用分為信息檢索,、問答系統(tǒng)、推薦系統(tǒng),、專家診斷系統(tǒng)和作物預(yù)測(cè)5方面,，并對(duì)這些應(yīng)用工作進(jìn)行了梳理。最后,，對(duì)當(dāng)前農(nóng)業(yè)知識(shí)圖譜的研究現(xiàn)狀進(jìn)行了總結(jié),，并認(rèn)為未來農(nóng)業(yè)知識(shí)圖譜可以從多模態(tài)知識(shí)推理,、強(qiáng)時(shí)效性知識(shí)更新、多語(yǔ)言知識(shí)查詢,、跨領(lǐng)域數(shù)據(jù)融合以及子領(lǐng)域知識(shí)圖譜構(gòu)建等方面加以研究,。

摘要:星載激光雷達(dá)系統(tǒng)可以覆蓋機(jī)載系統(tǒng)難以到達(dá)的偏遠(yuǎn)地區(qū),，從機(jī)理上克服光學(xué)影像及合成孔徑雷達(dá)測(cè)量的技術(shù)缺陷，為快速準(zhǔn)確地獲取林下地形,、樹高,、生物量等森林結(jié)構(gòu)參數(shù)提供了可靠的數(shù)據(jù)源。對(duì)現(xiàn)有的星載激光雷達(dá)技術(shù)觀測(cè)體系進(jìn)行綜述,，討論了星載激光雷達(dá)數(shù)據(jù)估測(cè)多尺度森林結(jié)構(gòu)參數(shù)的適用性,，定量化分析現(xiàn)有星載激光雷達(dá)研究成果及存在的優(yōu)缺點(diǎn)。最后,，總結(jié)當(dāng)前存在的問題,，對(duì)星載激光雷達(dá)技術(shù)未來的前景和發(fā)展方向進(jìn)行了展望。建議后續(xù)研究可進(jìn)一步加大對(duì)反演不同森林結(jié)構(gòu)參數(shù),、產(chǎn)品體系及標(biāo)準(zhǔn)規(guī)范,、林業(yè)應(yīng)用精度評(píng)價(jià)、林業(yè)用激光雷達(dá)參數(shù)設(shè)計(jì)等方面的深入研究,。

摘要:為解決傳統(tǒng)人工操作采棉機(jī)長(zhǎng)距離對(duì)行作業(yè)時(shí)存在勞動(dòng)強(qiáng)度大,、作業(yè)速度受限和效率較低的問題,，利用棉花采用衛(wèi)星導(dǎo)航平行精準(zhǔn)播種的特性，提出了一種基于平行軌跡導(dǎo)航的采棉機(jī)自動(dòng)對(duì)行控制方法,。首先,，人工駕駛采棉機(jī)完成首行對(duì)行作業(yè)，記錄RTK定位軌跡數(shù)據(jù),，并進(jìn)行線性擬合,，得到參考導(dǎo)航線斜率；然后,，對(duì)后續(xù)各行收獲時(shí),，在任意起點(diǎn)對(duì)齊待收獲的棉花行，由起點(diǎn)坐標(biāo)和參考斜率計(jì)算得到平行導(dǎo)航基準(zhǔn)線；最后,，采用速度自適應(yīng)純追蹤算法,，實(shí)現(xiàn)采棉機(jī)自動(dòng)對(duì)行。田間試驗(yàn)表明,，該方法能夠從任意行起始位置開始自動(dòng)對(duì)行,，不同速度下，平均絕對(duì)橫向偏差為2.91cm,，最大絕對(duì)橫向偏差為9.22cm,，平均標(biāo)準(zhǔn)差為1.80cm,控制性能均優(yōu)于手動(dòng)對(duì)行，滿足采棉機(jī)對(duì)行精度要求,。相對(duì)機(jī)械觸碰式自動(dòng)對(duì)行方法,，該方法不受缺株歪株影響，并且在較高速7km/h行駛時(shí)仍能保持良好的對(duì)行精度,。

摘要:針對(duì)果園陰暗光照條件下圖像特征點(diǎn)匹配數(shù)量少、易丟失以及點(diǎn)云稀疏問題,，對(duì)ORB-SLAM2算法進(jìn)行了改進(jìn),，提出了基于自適應(yīng)閾值ORB特征點(diǎn)提取的果園雙目三維地圖稠密建圖算法。首先在跟蹤線程中提出一種自適應(yīng)閾值的FAST角點(diǎn)提取方法,，通過計(jì)算不同光照下圖像平均像素求解閾值,，對(duì)左右目圖像提取ORB特征，增加了不同光照條件下的特征點(diǎn)匹配數(shù)量,；然后根據(jù)特征點(diǎn)估計(jì)相機(jī)位姿完成局部地圖跟蹤,，對(duì)跟蹤線程產(chǎn)生的關(guān)鍵幀地圖點(diǎn)進(jìn)行BA優(yōu)化完成局部地圖構(gòu)建。在原有算法基礎(chǔ)上添加了基于ZED-stereo型相機(jī)雙目深度融合的稠密建圖模塊,，對(duì)左右目關(guān)鍵幀進(jìn)行特征匹配獲得圖像對(duì),，利用圖像對(duì)求解深度信息獲取地圖點(diǎn)，經(jīng)過深度優(yōu)化獲取相機(jī)位姿,，根據(jù)相機(jī)位姿進(jìn)行局部點(diǎn)云的構(gòu)建與拼接,，最終對(duì)獲得的點(diǎn)云地圖進(jìn)行全局BA優(yōu)化，構(gòu)建果園三維稠密地圖。在KITTI數(shù)據(jù)集序列上進(jìn)行測(cè)試,，本文所改進(jìn)的ORB-SLAM2算法的絕對(duì)軌跡誤差更加收斂,，軌跡誤差標(biāo)準(zhǔn)差在00和07序列分別下降60.5%和62.6%，在其他序列上也有不同程度下降,，表明本文算法定位精度較原始算法有所提高,。不同光照環(huán)境下進(jìn)行算法性能測(cè)試，結(jié)果表明本文算法較原始算法能更好地適應(yīng)不同光照條件,，在較強(qiáng)光照,、正常光照、偏弱光照和陰雨天氣下特征點(diǎn)平均匹配數(shù)量增加5.32%,、4.53%,、8.93%、12.91%,。進(jìn)行果園直線和稠密建圖試驗(yàn),，結(jié)果表明直線行駛偏航角更加收斂，定位精確度高,，關(guān)鍵幀提取數(shù)量較原始算法下降2.86%,、平均跟蹤時(shí)間減少39.3%；稠密建圖效果好,，能夠很好地反映機(jī)器人位姿和果園真實(shí)環(huán)境信息,，滿足果園三維稠密點(diǎn)云地圖構(gòu)建需求，可為果園機(jī)器人導(dǎo)航路徑規(guī)劃提供支持,。

摘要:針對(duì)點(diǎn)動(dòng)控制的單側(cè)制動(dòng)式轉(zhuǎn)向履帶底盤在自主行走中控制精度低、轉(zhuǎn)向切換頻繁的問題,，提出了一種基于單側(cè)制動(dòng)轉(zhuǎn)向履帶底盤的三切線局部路徑動(dòng)態(tài)規(guī)劃算法,，根據(jù)履帶底盤轉(zhuǎn)向制動(dòng)力矩不可控特性，設(shè)計(jì)了“轉(zhuǎn)向-直行-轉(zhuǎn)向”的局部路徑規(guī)劃方式,。三切線局部路徑動(dòng)態(tài)規(guī)劃算法由1條直線與2條圓弧相切組成,，第1段圓弧與車輛行駛方向相切，車輛沿圓弧轉(zhuǎn)向逐步偏向目標(biāo)航線,；第2段直線與兩段圓弧相切,，車輛沿直線行駛逐步靠近目標(biāo)航線；第3段圓弧與目標(biāo)航線相切,，車輛沿圓弧轉(zhuǎn)向逐步與目標(biāo)航向一致,。車輛通過歷史移動(dòng)的橫向偏差和航向偏差采用加權(quán)遞推平均濾波計(jì)算轉(zhuǎn)彎半徑,，判斷當(dāng)前所處階段進(jìn)行調(diào)整。田間自動(dòng)直線行駛試驗(yàn)結(jié)果表明：在橫向偏差0.25m,、航向偏差為0°的起始狀態(tài)下,，以行駛速度0.4m/s前進(jìn)，在該算法下行駛的橫向偏差絕對(duì)值均值和橫向偏差標(biāo)準(zhǔn)差分別為0.085,、0.104m,，分別比bang-bang算法增加23.19%、19.54%,，航向偏差絕對(duì)值均值和航向偏差標(biāo)準(zhǔn)差分別為3.31°,、3.74°，分別比bang-bang算法減少25.95%,、25.64%,，總轉(zhuǎn)向控制次數(shù)為9次，比bang-bang算法減少43.75%,。三切線局部路徑動(dòng)態(tài)規(guī)劃算法適用于單側(cè)制動(dòng)式轉(zhuǎn)向履帶底盤,，具有更高的路徑跟蹤精度和較低的控制頻率，滿足田間作業(yè)需求,。

摘要:谷物收獲機(jī)械無(wú)人化作業(yè)可有效解決收獲季用工短缺問題,，全田塊自動(dòng)導(dǎo)航作業(yè)是無(wú)人收獲機(jī)智能化的核心,。為解決水稻無(wú)人收獲作業(yè)自動(dòng)打點(diǎn)問題，基于邊界線跟蹤與地頭區(qū)域檢測(cè)實(shí)現(xiàn)水稻田塊最外圈導(dǎo)航與剩余作業(yè)區(qū)域自動(dòng)打點(diǎn),，并提出一種目標(biāo)區(qū)域先驗(yàn)形態(tài)輔助的動(dòng)態(tài)感興趣區(qū)域設(shè)定方法,，改善作物邊界線提取可靠性。采用自控小車對(duì)所提方法進(jìn)行驗(yàn)證,，試驗(yàn)結(jié)果表明，當(dāng)車輛作業(yè)速度為0.8m/s時(shí),，水稻未收獲區(qū)域直線邊界跟蹤平均誤差小于5cm,，單幀圖像檢測(cè)時(shí)間小于50ms。水稻邊界自動(dòng)打點(diǎn)試驗(yàn)結(jié)果表明,，所設(shè)計(jì)自動(dòng)打點(diǎn)系統(tǒng)打點(diǎn)平均誤差為3.5cm,，滿足直角梯形水稻田塊自動(dòng)打點(diǎn)需求。

摘要:針對(duì)多旋翼無(wú)人機(jī)在飛行過程中容易受到各種外部擾動(dòng)的影響,，以復(fù)合翼無(wú)人機(jī)的旋翼控制系統(tǒng)為研究對(duì)象,，設(shè)計(jì)了一種自抗擾控制系統(tǒng)。首先,，建立了多旋翼無(wú)人機(jī)系統(tǒng)運(yùn)動(dòng)學(xué)模型和動(dòng)力學(xué)模型,；其次，對(duì)自抗擾控制算法的特點(diǎn)展開研究,，結(jié)合無(wú)人機(jī)模型分別設(shè)計(jì)了位置和姿態(tài)控制器,。并改進(jìn)了擴(kuò)張狀態(tài)觀測(cè)器，引入了更精確的動(dòng)力學(xué)模型,，提升了擾動(dòng)觀測(cè)速度和估計(jì)精度,，同時(shí)，降低了擴(kuò)張狀態(tài)觀測(cè)器的階數(shù),，提升了控制器調(diào)參簡(jiǎn)易性,；再次，依據(jù)六自由度力和力矩的平衡方程,，對(duì)本文研究對(duì)象搭建了控制分配模型,。最終，采用Matlab/Simulink完成仿真模型設(shè)計(jì)和參數(shù)調(diào)節(jié),，對(duì)控制目標(biāo)分別加入了內(nèi)部重力擾動(dòng)和外部風(fēng)力擾動(dòng),，仿真結(jié)果表明本文設(shè)計(jì)的控制器不僅可以很好地估計(jì)出系統(tǒng)內(nèi)外擾動(dòng)并進(jìn)行補(bǔ)償，而且具有極強(qiáng)的抗干擾性,，可以保證無(wú)人機(jī)從初始點(diǎn)快速且平穩(wěn)到達(dá)目標(biāo)位置,，并保持穩(wěn)定懸停，姿態(tài)控制穩(wěn)態(tài)誤差在0.05°以內(nèi),。

摘要:接觸參數(shù)影響控釋肥顆粒離散元仿真結(jié)果。為了精準(zhǔn)模擬控釋肥顆粒力學(xué)行為與運(yùn)動(dòng)規(guī)律,，本文基于離散元法對(duì)控釋肥顆粒的接觸參數(shù)進(jìn)行標(biāo)定與試驗(yàn),。首先，建立控釋肥離散元基礎(chǔ)模型,，并利用臺(tái)架和仿真試驗(yàn)相結(jié)合的方法,，在EDEM中對(duì)控釋肥顆粒與PVC板之間接觸參數(shù)進(jìn)行標(biāo)定,。其次，通過碰撞彈跳試驗(yàn),、斜面滑移試驗(yàn)和斜面滾動(dòng)試驗(yàn)測(cè)得控釋肥顆粒與PVC板之間的碰撞恢復(fù)系數(shù),、靜摩擦因數(shù)和滾動(dòng)摩擦因數(shù)分別為0.539、0.507和0.105,。最后,，通過堆積試驗(yàn)、最陡爬坡試驗(yàn)和正交旋轉(zhuǎn)組合試驗(yàn),，得到控釋肥顆粒間的碰撞恢復(fù)系數(shù),、靜摩擦因數(shù)和滾動(dòng)摩擦因數(shù)分別為0.38、0.25和0.09,，并通過無(wú)底圓筒提升試驗(yàn)和排肥臺(tái)架試驗(yàn)進(jìn)行驗(yàn)證,。試驗(yàn)結(jié)果表明，堆積角實(shí)際值與仿真結(jié)果的相對(duì)誤差為1.54%,，排肥量實(shí)際值與仿真結(jié)果4種轉(zhuǎn)速下的相對(duì)誤差分別為4.38%,、4.23%、4.41%,、4.36%,，所標(biāo)定的控釋肥接觸參數(shù)精準(zhǔn)有效，可為控釋肥離散元仿真提供數(shù)據(jù)和模型支撐,。

摘要:針對(duì)現(xiàn)有重型精量播種機(jī)在高速作業(yè)時(shí)存在覆土裝置影響播種均勻性,、種溝內(nèi)種子被“架空”等問題,，基于阿基米德螺線切刃曲線與擠壓式覆土原理相結(jié)合的思路，設(shè)計(jì)了一種阿基米德螺線型弧面雙齒盤覆土裝置,，實(shí)現(xiàn)了覆土厚度適宜且均勻一致,，降低覆土作業(yè)對(duì)播種均勻性影響的目的。本研究對(duì)覆土裝置的結(jié)構(gòu)參數(shù),、覆土量進(jìn)行分析,，確定了影響覆土效果的主要參數(shù)取值范圍；利用EDEM離散元仿真技術(shù)建立了覆土裝置-種子-土壤間的離散元模型,，對(duì)關(guān)鍵參數(shù)進(jìn)行仿真優(yōu)化，確定弧面雙齒盤的最優(yōu)參數(shù)組合,；通過田間試驗(yàn)對(duì)該裝置的作業(yè)性能進(jìn)行了驗(yàn)證,。研究結(jié)果表明：影響弧面雙齒盤作業(yè)性能的主要結(jié)構(gòu)參數(shù)為阿基米德螺線型弧面雙齒盤的中心間距,、安裝傾角、入土深度,。當(dāng)弧面雙齒盤的中心間距為142.6mm,、安裝傾角為20°、入土深度為55mm時(shí),，該裝置通過性能良好,，覆土厚度均勻一致，平均厚度為47mm,，合格粒距標(biāo)準(zhǔn)差,、變異系數(shù)與空白對(duì)照組分別相差0.22mm、1.81個(gè)百分點(diǎn),，對(duì)播種均勻性影響小,，滿足精量播種的農(nóng)藝要求。

摘要:為解決機(jī)械式大豆排種器高速播種質(zhì)量差的問題，設(shè)計(jì)了一種獨(dú)立分充式大豆雙排毛刷高速精量排種器,，采用雙排種盤結(jié)構(gòu)增加型孔數(shù)量,，獨(dú)立分充避免種群積壓互擾，實(shí)現(xiàn)高速精量排種作業(yè),。通過理論分析,，明確了充種、投種性能的影響因素,，并確定了型孔與導(dǎo)流槽相關(guān)參數(shù),。以作業(yè)速度、型孔傾角,、導(dǎo)流槽傾角為試驗(yàn)因素進(jìn)行了正交試驗(yàn),，試驗(yàn)結(jié)果表明：在大豆株距為8cm、排種器作業(yè)速度為9km/h時(shí),，較優(yōu)組合為型孔傾角54°,、導(dǎo)流槽傾角39°，此時(shí)合格指數(shù)為95.5％,，漏播指數(shù)為2.0％,，株距變異系數(shù)為13.1％。對(duì)比試驗(yàn)結(jié)果表明：作業(yè)速度為8~12km/h時(shí),，獨(dú)立分充式排種器合格指數(shù)比常規(guī)毛刷式排種器至少提升1.3個(gè)百分點(diǎn),，漏播指數(shù)至少減少0.8個(gè)百分點(diǎn),，株距變異系數(shù)至少減少2個(gè)百分點(diǎn)。窄行密植農(nóng)藝適應(yīng)性試驗(yàn)結(jié)果表明：在作業(yè)速度8~12km/h的條件下,，獨(dú)立分充式排種器合格指數(shù)達(dá)到90.1％,，漏播指數(shù)不高于4.6％，株距變異系數(shù)不大于20.1％,，窄行密植種植農(nóng)藝適應(yīng)性較高,。

摘要:針對(duì)小麥精量勻播作業(yè)條件下氣流輔助投種裝置內(nèi)部壓力梯度變化方向與種子運(yùn)動(dòng)方向不一致,、造成種子倒流或碰撞、降低粒距穩(wěn)定性等問題,，設(shè)計(jì)了一種小麥氣流輔助直線投種裝置,。基于氣-固兩相流數(shù)學(xué)模型建立CFD-DEM單向耦合仿真模型模擬投種過程,，仿真結(jié)果表明：入口氣壓與管道長(zhǎng)度對(duì)總壓損失及流場(chǎng)壓力分布影響顯著,；投種裝置內(nèi)部流場(chǎng)壓力分布均勻，壓力梯度變化方向與種子運(yùn)動(dòng)方向一致,；小麥種子運(yùn)動(dòng)軌跡為“直線-曲線-直線”,，無(wú)倒流與碰撞現(xiàn)象。以入口氣壓,、管道長(zhǎng)度,、作業(yè)速度為試驗(yàn)因素，以粒距變異系數(shù)為試驗(yàn)評(píng)價(jià)指標(biāo)進(jìn)行了響應(yīng)曲面優(yōu)化試驗(yàn),。試驗(yàn)結(jié)果表明：影響粒距變異系數(shù)因素的主次順序?yàn)槿肟跉鈮?、作業(yè)速度、管道長(zhǎng)度,；入口氣壓與管道長(zhǎng)度和作業(yè)速度均存在交互作用,。通過參數(shù)優(yōu)化得到較優(yōu)參數(shù)組合為：入口氣壓5.1kPa、管道長(zhǎng)度24.2cm,、作業(yè)速度0.11m/s,，經(jīng)土槽試驗(yàn)驗(yàn)證，該條件下粒距變異系數(shù)為6.3%,，平均粒距為5.3cm,，滿足小麥精量勻播農(nóng)藝要求。采用氣流輔助直線投種可解決小麥種子倒流與碰撞的問題，從而顯著改善播種作業(yè)效果,，為小麥精量勻播提供技術(shù)支撐,。

摘要:為實(shí)現(xiàn)南瓜種子定向播種,，提出先調(diào)整南瓜種子運(yùn)動(dòng)姿態(tài)再進(jìn)行定向的組合式定向方法，設(shè)計(jì)了一種南瓜種子組合式定向排種器,。該定向裝置的關(guān)鍵部件包括限位清種板和導(dǎo)向板兩部分,。基于南瓜種子幾何特性確定了限位清種板的結(jié)構(gòu)參數(shù),。建立南瓜種子定向過程的運(yùn)動(dòng)學(xué)方程,，明確了南瓜種子定向過程中姿態(tài)變化與導(dǎo)向板結(jié)構(gòu)參數(shù)的關(guān)系，確定了導(dǎo)向板結(jié)構(gòu)參數(shù),。利用CFD-DEM耦合法,，驗(yàn)證了南瓜種子組合式排種器定向排種的可行性，確定了排種盤轉(zhuǎn)速取值范圍,。搭建試驗(yàn)臺(tái),，以平躺吸附率為試驗(yàn)指標(biāo)，通過單因素試驗(yàn)確定了排種盤型孔直徑,。以單粒率為試驗(yàn)指標(biāo),，通過單因素試驗(yàn)確定了負(fù)壓和排種盤型孔數(shù)取值范圍。選取負(fù)壓,、排種盤型孔數(shù),、排種盤轉(zhuǎn)速為試驗(yàn)因素，以單粒率,、定向成功率為試驗(yàn)指標(biāo),，進(jìn)行了三因素三水平二次中心組合試驗(yàn)，得出影響排種器單粒率的主次因素為負(fù)壓,、排種盤型孔數(shù),、排種盤轉(zhuǎn)速，影響排種器定向成功率的主次因素為排種盤轉(zhuǎn)速,、負(fù)壓,、排種盤型孔數(shù)。對(duì)優(yōu)化后參數(shù)進(jìn)行田間驗(yàn)證試驗(yàn),，結(jié)果表明,，當(dāng)排種盤型孔數(shù)為16、負(fù)壓為10kPa,、排種盤轉(zhuǎn)速為4r/min時(shí),，單粒率為94.7%,，定向成功率為82.7%，南瓜種子落入穴盤的正負(fù)偏轉(zhuǎn)角度為18.5°,。

摘要:為探索一種能實(shí)現(xiàn)高速取苗后無(wú)停頓快速投苗,、同步接苗技術(shù)方案,，分析氣動(dòng)下壓式高速取投苗裝置高速取苗后不停頓快速投苗4個(gè)階段運(yùn)動(dòng)過程，得到穴盤苗運(yùn)動(dòng)時(shí)間,。采用高速攝像機(jī)對(duì)自制高速取投苗裝置無(wú)停頓快速投苗過程進(jìn)行拍攝,，通過PCC軟件進(jìn)行捕捉分析和計(jì)算，分析了穴盤苗在無(wú)停頓拋投過程中位移和時(shí)間關(guān)系,。經(jīng)同步接苗極限分析和交集運(yùn)算得不同取苗頻率吊杯同步接苗提前相位角范圍,，獲得了高速取投苗裝置高速取苗、無(wú)停頓快速投苗與吊杯同步接苗時(shí)空匹配關(guān)系,。在高速移栽樣機(jī)上開展吊杯同步接苗試驗(yàn),，試驗(yàn)結(jié)果表明，當(dāng)取苗頻率為180株/min時(shí),，吊杯同步接苗成功率為96.4%,。研究結(jié)果為高速取投苗裝置與吊杯時(shí)空匹配關(guān)系提供基礎(chǔ)數(shù)據(jù)。

摘要:針對(duì)現(xiàn)有取苗試驗(yàn)臺(tái)不能滿足多種型號(hào)缽盤和取苗機(jī)構(gòu)進(jìn)行取苗試驗(yàn)的需求,，設(shè)計(jì)了一種由多個(gè)步進(jìn)電機(jī)驅(qū)動(dòng),、可調(diào)取苗機(jī)構(gòu)傾角、可編程控制系統(tǒng)的多功能取苗試驗(yàn)臺(tái),。該試驗(yàn)臺(tái)通過調(diào)節(jié)取苗機(jī)構(gòu)安裝支架的位姿,、改變缽盤驅(qū)動(dòng)鼠籠鋼絲間距以及所在圓周直徑，可以適應(yīng)不同型號(hào)缽盤和滿足多種取苗機(jī)構(gòu)的試驗(yàn)要求,；通過編寫控制器程序可控制3個(gè)步進(jìn)電機(jī)聯(lián)動(dòng)并實(shí)現(xiàn)送苗裝置的橫,、縱向送苗與取苗機(jī)構(gòu)取苗進(jìn)程相匹配。在三維軟件中對(duì)試驗(yàn)臺(tái)進(jìn)行了建模,、裝配和虛擬仿真,，在加工制造的物理樣機(jī)上進(jìn)行了2種型號(hào)缽盤和3種取苗機(jī)構(gòu)的取苗試驗(yàn)。3次試驗(yàn)結(jié)果表明：在此試驗(yàn)臺(tái)上能夠順利完成取苗試驗(yàn)，證明該試驗(yàn)臺(tái)滿足多種型號(hào)缽盤和多種類型取苗機(jī)構(gòu)的試驗(yàn)需求,。

摘要:為了精確分析雙吸泵作液力透平葉輪內(nèi)的非定常流動(dòng)特性，采用SST k-ω湍流模型在設(shè)計(jì)工況下進(jìn)行數(shù)值模擬,。對(duì)一個(gè)周期的非定常速度場(chǎng)進(jìn)行動(dòng)態(tài)模態(tài)分解(DMD),，并結(jié)合Q準(zhǔn)則，得到前4階主要模態(tài)及其相應(yīng)的時(shí)空信息,。分析結(jié)果表明：DMD方法將葉輪內(nèi)復(fù)雜的流場(chǎng)特征分解為動(dòng)靜干擾模態(tài)、基本模態(tài)和耗散模態(tài),。其中動(dòng)靜干擾模態(tài)占主導(dǎo)地位,，頻率為葉輪旋轉(zhuǎn)頻率，反映出葉輪內(nèi)流動(dòng)受靜止部件干擾的流動(dòng)特征,，渦結(jié)構(gòu)主要為點(diǎn)狀渦和不連續(xù)的管狀渦,；基本模態(tài)頻率為0Hz，反映出葉片流道幾何特征引起的穩(wěn)態(tài)流場(chǎng)特征,，渦結(jié)構(gòu)主要為連續(xù)的管狀渦,；3階及4階模態(tài)為耗散模態(tài)，反映出葉輪內(nèi)流動(dòng)受靜止部件干擾,，在葉片上產(chǎn)生的流動(dòng)分離及不穩(wěn)定渦結(jié)構(gòu)脫落的特征,，以片狀渦和不連續(xù)的管狀渦為主。在特定頻率下DMD方法可以對(duì)葉輪流場(chǎng)結(jié)構(gòu)進(jìn)行分解,，能夠清楚地分析雙吸泵作液力透平葉輪內(nèi)復(fù)雜流場(chǎng)的非定常特性,。

摘要:為提升補(bǔ)充耕地項(xiàng)目監(jiān)管效率和準(zhǔn)確率,，保證補(bǔ)充耕地?cái)?shù)量準(zhǔn)確,、地類符合、區(qū)位合理,，開展基于空間大數(shù)據(jù)的補(bǔ)充耕地合規(guī)性自動(dòng)判別技術(shù)研究,。本研究基于大數(shù)據(jù)框架、并行計(jì)算技術(shù)和GIS空間分析方法,，設(shè)計(jì)了補(bǔ)充耕地合規(guī)性自動(dòng)判別規(guī)則和指標(biāo)體系,，研制了補(bǔ)充耕地合規(guī)性內(nèi)業(yè)自動(dòng)判別的技術(shù)流程、算法和軟件，開展了日常和專項(xiàng)補(bǔ)充耕地監(jiān)管和核查,，作為全國(guó)補(bǔ)充耕地項(xiàng)目監(jiān)管的重要技術(shù)手段,。經(jīng)實(shí)際運(yùn)行驗(yàn)證，項(xiàng)目平均分析時(shí)長(zhǎng)2~4min,，平均每月阻止5700余個(gè)問題項(xiàng)目入庫(kù),。該研究能夠?yàn)檠a(bǔ)充耕地項(xiàng)目立項(xiàng)、實(shí)施,、驗(yàn)收提供合規(guī)性判別技術(shù)手段,，提升補(bǔ)充耕地項(xiàng)目立項(xiàng)的合理性，提升補(bǔ)充耕地信息核實(shí),、監(jiān)管,、監(jiān)督的技術(shù)水平，對(duì)確保我國(guó)耕地占補(bǔ)平衡制度的落實(shí)具有技術(shù)支撐作用,。

摘要:利用遙感技術(shù)快速準(zhǔn)確地提取耕地信息是耕地保護(hù)的關(guān)鍵環(huán)節(jié),。以山東省商河縣為例,，提出了一種基于多季相分形特征的Landsat 8 OLI影像耕地信息提取方法。首先采用毯子覆蓋法計(jì)算多季相遙感影像每個(gè)像元的上分形信號(hào)和下分形信號(hào),，對(duì)比分析耕地和其他土地利用類型的分形特征,，選取上分形信號(hào)的第3尺度作為特征尺度，提取商河縣耕地空間分布特征,；其次采用同時(shí)期的土地利用矢量數(shù)據(jù),、Esri land cover數(shù)據(jù)和統(tǒng)計(jì)數(shù)據(jù)進(jìn)行耕地信息提取精度評(píng)價(jià)；最后分別設(shè)置多季相分形提取與單季相分形提取,、現(xiàn)有土地利用數(shù)據(jù)產(chǎn)品的對(duì)比實(shí)驗(yàn),，并基于點(diǎn)位匹配度和面積匹配度進(jìn)行評(píng)價(jià)。結(jié)果表明：多季相數(shù)據(jù)更能反映農(nóng)作物生長(zhǎng)的復(fù)雜性,，有助于提高耕地信息的提取精度,；不同土地利用類型在不同分形尺度的信號(hào)值各不相同，分形特征可以在不同尺度上清晰地刻畫出不同土地利用類型的分異性,；基于矢量數(shù)據(jù)和Esri land cover數(shù)據(jù)評(píng)價(jià)的多季相分形特征耕地提取點(diǎn)位匹配度為87.13%和89.83%,，面積匹配度為99.73%和97.91%，均比單季相分形提取結(jié)果精度高,；綜合考慮點(diǎn)位匹配度,、面積匹配度和空間分布特征,，研發(fā)方法能有效區(qū)分耕地和其他土地利用類型，提取結(jié)果更優(yōu),，且與統(tǒng)計(jì)數(shù)據(jù)有更高的一致性,。該方法可準(zhǔn)確提取耕地信息，為耕地的動(dòng)態(tài)監(jiān)測(cè)和損害評(píng)估提供技術(shù)支撐,。

摘要:為提高灌溉農(nóng)田中灌溉水體的識(shí)別精度，以河套灌區(qū)解放閘灌域作為研究區(qū),，基于Sentinel-2遙感影像,，結(jié)合灌區(qū)實(shí)際情況對(duì)地表水體提取模型(WatNet)進(jìn)行改進(jìn)，得到MWatNet模型并提取灌溉水體,。采用總體精度（Overall accuracy,OA）、平均交并比（Mean intersection over union,MIoU）,、F1值等水體提取精度指標(biāo)進(jìn)行綜合評(píng)價(jià),。結(jié)果表明：改進(jìn)后的地表水體提取模型(MWatNet)在解放閘灌域農(nóng)田灌溉水體的提取上具有較好的識(shí)別精度，模型總體精度達(dá)到96%,，平均交并比達(dá)到83%,，F(xiàn)1值為80%，實(shí)地調(diào)研驗(yàn)證準(zhǔn)確度為85.7%,；對(duì)比原WatNet,、水體語(yǔ)義分割模型(Deeplabv3_plus)和水體提取模型(Deepwatermapv2)，MWatNet在灌溉水體提取的連結(jié)性,、剔除道路和城鎮(zhèn)干擾等方面,，均表現(xiàn)出更好的效果和模型運(yùn)行效率。利用該模型可以實(shí)現(xiàn)灌溉水體定量化表征,，為灌溉用水調(diào)度提供了數(shù)據(jù)支撐,。

摘要:森林地上生物量（Aboveground biomass,，AGB）是評(píng)價(jià)森林生長(zhǎng)情況的重要指標(biāo)?；跀?shù)字航空攝影（Digital aerial photography,，DAP）生成的二維和三維數(shù)據(jù)，分別計(jì)算了41個(gè)點(diǎn)云高度變量和16個(gè)可見光植被指數(shù),，利用6種回歸算法（隨機(jī)森林（RF）,、袋裝樹（BT）、支持向量回歸（SVR）,、Cubist,、類別型特征提升（CatBoost）、極端梯度提升（XGBoost））分別構(gòu)建了單一變量集和綜合變量集AGB估測(cè)模型,，探索了不同變量對(duì)于AGB估測(cè)模型的貢獻(xiàn),。研究結(jié)果表明光譜數(shù)據(jù)集和點(diǎn)云數(shù)據(jù)集AGB預(yù)測(cè)模型精度最高分別為Cubist和XGBoost，R2分別為0.5309和0.6395,。組合數(shù)據(jù)集最高精度模型為XGBoost,，R2達(dá)到0.7601, XGBoost模型具有更高的AGB估測(cè)穩(wěn)定性。研究還表明6種機(jī)器學(xué)習(xí)模型的貢獻(xiàn)主要取決于所考慮的回歸方法,，所選擇的特征個(gè)數(shù)和特征對(duì)模型的重要性在不同的模型中并不一致,。DOM光譜特征在AGB的估測(cè)中具有更高的重要性?？傮w來說,，二維和三維數(shù)據(jù)的結(jié)合能夠有效提高森林AGB估測(cè)精度，基于無(wú)人機(jī)傾斜攝影獲取的RGB影像能夠?qū)崿F(xiàn)森林AGB的快速無(wú)損估計(jì),。

摘要:為優(yōu)化養(yǎng)分管理和確保植株正常生長(zhǎng),，以無(wú)人機(jī)遙感技術(shù)高效且非破壞采集田間作物苗情信息,，監(jiān)測(cè)油菜苗期的葉面積指數(shù)（LAI）與葉綠素相對(duì)含量（SPAD）。針對(duì)無(wú)人機(jī)因飛行高度與圖像分辨率相互制約,，監(jiān)測(cè)效率與監(jiān)測(cè)精度難以兼顧的問題,，采用超分辨率重建方法，融合較低飛行高度拍攝高分辨率影像,，重建較高飛行高度拍攝影像,，建模完成后可通過拍攝飛行影像監(jiān)測(cè)LAI和SPAD。試驗(yàn)設(shè)置3個(gè)氮肥梯度,、3個(gè)播期,、3個(gè)種植密度處理,，在苗期利用無(wú)人機(jī)分別采集20m及40m 2個(gè)飛行高度的油菜苗影像，采用SRRestnet方法,，對(duì)40m影像進(jìn)行超分辨率重建,。基于20m,、40m及40m重建影像中提取的3種特征組合,，利用偏最小二乘回歸（PLSR）、隨機(jī)森林（RF）,、支持向量回歸（SVR）3種機(jī)器學(xué)習(xí)方法對(duì)LAI和SPAD進(jìn)行監(jiān)測(cè),。結(jié)果表明，超分辨率重建后的圖像在表型苗情監(jiān)測(cè)中表現(xiàn)出良好效果,，PLSR監(jiān)測(cè)LAI,、RF監(jiān)測(cè)SPAD的監(jiān)測(cè)精度最高，且40m重建圖像的作業(yè)效率相比于20m圖像提高48.6%,。

摘要:基本苗數(shù)量是反映水稻健康水平的重要依據(jù),，在分蘗期精準(zhǔn)估測(cè)水稻基本苗數(shù)量可以指導(dǎo)后期的施肥量,，從而調(diào)控水稻的最佳分蘗數(shù)。同時(shí),，對(duì)水稻長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量預(yù)測(cè)具有非常重要的意義。針對(duì)傳統(tǒng)田間人工統(tǒng)計(jì)基本苗數(shù)量耗時(shí)長(zhǎng),、成本高等問題,，以江蘇大學(xué)附屬農(nóng)場(chǎng)鎮(zhèn)江潤(rùn)果農(nóng)場(chǎng)分蘗期水稻為研究對(duì)象，利用大疆無(wú)人機(jī)（M600 Pro型）搭載多光譜相機(jī)（Rededge-MX型）獲取水稻分蘗期多光譜數(shù)據(jù),，對(duì)原始圖像進(jìn)行圖像拼接,、輻射校正、幾何校正等預(yù)處理操作,，根據(jù)像元純度系數(shù)提取土壤端元和植被端元,，建立波譜庫(kù)，然后按照完全約束最小二乘法的方法執(zhí)行混合像元分解,，構(gòu)建植被覆蓋度和水稻基本苗數(shù)量的回歸模型,。該研究方法獲得的模型決定系數(shù)R2為0.891，均方根誤差RMSE為4.6株/m2,。而傳統(tǒng)的像元二分法模型（基于NDVI,、VDVI和GNDVI植被指數(shù)計(jì)算植被覆蓋度）,，其決定系數(shù)R2為0.834、0.744,、0.642,，其RMSE為5.7、7.1,、8.4株/m2,。試驗(yàn)結(jié)果表明，基于完全約束最小二乘法的混合像元分解模型評(píng)價(jià)指標(biāo)均優(yōu)于像元二分法模型,。本文基于混合像元分解方法有效提高了水稻基本苗統(tǒng)計(jì)精度,，并且生成了水稻基本苗數(shù)量反演圖，可以直觀統(tǒng)計(jì)基本苗數(shù)量,，為分蘗期水稻補(bǔ)苗,、間苗提供指導(dǎo)。

摘要:柑橘木虱是黃龍病的主要傳播媒介，其發(fā)生與活動(dòng)可對(duì)柑橘果園造成毀滅性后果,。為實(shí)現(xiàn)木虱蟲情的高效監(jiān)測(cè),，設(shè)計(jì)了一種集誘捕拍照、耗材更新,、害蟲識(shí)別與結(jié)果展示于一體的智能監(jiān)測(cè)系統(tǒng),。設(shè)計(jì)了具備誘蟲膠帶自動(dòng)更新、蟲情圖像實(shí)時(shí)獲取功能的誘捕監(jiān)測(cè)裝置,；應(yīng)用選點(diǎn)裁剪,、Mosaic數(shù)據(jù)增強(qiáng)（Mosaic data augmentation，MDA）和CA（Coordinate attention）注意力機(jī)制,，改進(jìn)了YOLO v8木虱識(shí)別模型,；開發(fā)了Web和手機(jī)APP客戶端，可實(shí)現(xiàn)蟲情數(shù)據(jù)的可視化展示與遠(yuǎn)程控制,。模型測(cè)試階段,，改進(jìn)后的YOLO v8-MC召回率、F1值及精確率分別達(dá)到91.20%,、91%,、90.60%，較基準(zhǔn)模型分別提升5.47,、5,、4.64個(gè)百分點(diǎn),；遷移試驗(yàn)中，模型召回率,、F1值及精確率分別達(dá)到88.64%,、87%、84.78%,，且系統(tǒng)工作狀態(tài)良好,，滿足野外使用需求。開發(fā)的智能監(jiān)測(cè)系統(tǒng)能有效實(shí)現(xiàn)果園木虱蟲情的遠(yuǎn)程監(jiān)測(cè),，可為此類蟲害防治管理提供有效手段,。

摘要:針對(duì)復(fù)雜果園環(huán)境下目標(biāo)檢測(cè)算法參數(shù)量大,、魯棒性差等問題,，本文提出一種改進(jìn)的YOLO v7網(wǎng)絡(luò)模型用于蘋果成熟度（未成熟、半成熟,、成熟）檢測(cè),。以YOLO v7為基線網(wǎng)絡(luò)，在特征提取結(jié)構(gòu)中引入窗口多頭自注意力機(jī)制（Swin transformer,，ST）,，極大地降低網(wǎng)絡(luò)參數(shù)量與計(jì)算量；為提高模型對(duì)遠(yuǎn)景圖像中小目標(biāo)的檢測(cè)能力,，在特征融合結(jié)構(gòu)中引入自適應(yīng)空間特征融合（Adaptively spatial feature fusion,，ASFF）模塊優(yōu)化Head部分，有效利用圖像的淺層特征和深層特征,，加強(qiáng)特征尺度不變性,；采用WIoU（Wise intersection over union）代替原始CIoU（Complete intersection over union）損失函數(shù)，在提高檢測(cè)準(zhǔn)確率的同時(shí)加快模型收斂速度,。試驗(yàn)結(jié)果表明，本文改進(jìn)的YOLO v7-ST-ASFF模型在蘋果圖像測(cè)試集上的檢測(cè)速度和準(zhǔn)確率均有顯著提高,，不同成熟度檢測(cè)精確率,、召回率和平均精度均值可達(dá)92.5%、84.2%和93.6%,，均優(yōu)于Faster R-CNN,、SSD、YOLO v3,、YOLO v5,、YOLO v7以及YOLO v8目標(biāo)檢測(cè)模型；針對(duì)多目標(biāo)、單目標(biāo),、順光,、逆光、遠(yuǎn)景,、近景以及套袋,、未套袋蘋果目標(biāo)的檢測(cè)效果都較好；本文網(wǎng)絡(luò)模型內(nèi)存占用量為53.4MB,，模型平均檢測(cè)時(shí)間（Average detection time,，ADT）為45.ms，均優(yōu)于其他目標(biāo)檢測(cè)模型,。改進(jìn)的YOLO v7-ST-ASFF模型能夠滿足復(fù)雜果園環(huán)境下蘋果目標(biāo)的檢測(cè),，可為果蔬機(jī)器人自動(dòng)化采摘提供技術(shù)支撐。

摘要:隨著畜牧養(yǎng)殖智能化監(jiān)控技術(shù)的產(chǎn)業(yè)化應(yīng)用,，進(jìn)一步提升畜禽養(yǎng)殖的分類施策精細(xì)化管理，成為現(xiàn)代畜牧業(yè)精細(xì)高效養(yǎng)殖管理的新需求,。采用固定機(jī)位,、多角度視頻采集技術(shù)，實(shí)時(shí)記錄羊群牧食過程中的游走行為,；針對(duì)羊群游走視頻中易出現(xiàn)遮擋的復(fù)雜情況,，設(shè)計(jì)了基于YOLO v5模型的羊群多目標(biāo)檢測(cè)模型，羊群游走過程中的多目標(biāo)實(shí)時(shí)跟蹤識(shí)別率可達(dá)90.63%,；采用羊群游走多目標(biāo)軌跡跟蹤DeepSORT算法,，通過提取羊目標(biāo)的深度表觀特征，計(jì)算出羊群游走軌跡和變化節(jié)拍規(guī)律,。結(jié)果表明,，羊的游走過程通常為慢走、快走和疾走3種方式,，單只羊的游走過程通常是不固定的隨機(jī)組合,。在中大規(guī)模羊群中，由于親緣關(guān)系結(jié)構(gòu)的復(fù)雜性,，羊群往往分化為多個(gè)小群體,，這使得從整體上觀察和分析羊群行為變得異常困難。為此,，聚焦于小規(guī)模羊群進(jìn)行研究,，通過羊群散列、聚集和同步3個(gè)游走過程分析，初步驗(yàn)證了羊群游走節(jié)拍周期上的同步現(xiàn)象,。

摘要:奶山羊乳房區(qū)域的準(zhǔn)確提取是奶山羊非侵入式體溫檢測(cè)的關(guān)鍵,，但受乳房區(qū)域遮擋及熱紅外圖像分辨率不高等因素影響,，其檢測(cè)精度尚待進(jìn)一步提升?；跓峒t外成像技術(shù),，提出了一種基于改進(jìn)YOLO v5s的奶山羊乳房關(guān)鍵部位檢測(cè)方法。通過將原模型Backbone網(wǎng)絡(luò)的部分卷積模塊替換為ShuffleNetV2結(jié)構(gòu),，以達(dá)到降低網(wǎng)絡(luò)部署和訓(xùn)練過程中的參數(shù)量,、實(shí)現(xiàn)輕量化網(wǎng)絡(luò)設(shè)計(jì)的目的。通過在Neck網(wǎng)絡(luò)檢測(cè)頭(Head)前端引入CBAM注意力機(jī)制,，以達(dá)到在降低網(wǎng)絡(luò)復(fù)雜程度的同時(shí)保證奶山羊乳房區(qū)域檢測(cè)精度的目的,。本研究采集了包含完整信息、殘缺信息和邊緣模糊的孕期奶山羊乳房紅外圖像4611幅,，并在部位標(biāo)注后進(jìn)行模型訓(xùn)練,。經(jīng)測(cè)試，模型精確率為93.7%,，召回率為86.1%,，平均精度均值為92.4%，參數(shù)量為8×105,，浮點(diǎn)運(yùn)算量為1.9×109,。與YOLO v5n、YOLO v5s,、YOLO v7-tiny,、YOLO v7、YOLO v8n和YOLO v8s目標(biāo)檢測(cè)網(wǎng)絡(luò)相比,，網(wǎng)絡(luò)的精確率分別提高1.9,、1.2、1.6,、4.3,、3.5、2.7個(gè)百分點(diǎn),，召回率提高3.4,、5.0,、0.1,、2.6,、0.9、1.5個(gè)百分點(diǎn),，參數(shù)量降低1.1×106,、6.2×106、5.2×106,、3.6×107,、2.4×106和1.0×107，浮點(diǎn)運(yùn)算量降低2.6×109,、1.4×1010,、1.1×1010、1.0×1011,、6.8×109和2.7×1010,。試驗(yàn)結(jié)果表明，本研究所提出的網(wǎng)絡(luò)可以實(shí)現(xiàn)奶山羊乳房關(guān)鍵部位的精確檢測(cè),，且在不損失檢測(cè)精度的基礎(chǔ)上顯著降低網(wǎng)絡(luò)的參數(shù)量,，有利于網(wǎng)絡(luò)在不同環(huán)境下的部署和使用，可為奶山羊非接觸式體溫監(jiān)測(cè)系統(tǒng)設(shè)計(jì)提供借鑒,。

摘要:為了促進(jìn)漁業(yè)裝備智能化,，近年來基于視頻流的魚類攝食行為識(shí)別研究受到了廣泛關(guān)注,。針對(duì)基于視頻流的傳統(tǒng)識(shí)別方法模型過于復(fù)雜，難以在邊緣計(jì)算設(shè)備部署的問題,，提出了一種輕量級(jí)的2D卷積運(yùn)動(dòng)特征提取網(wǎng)絡(luò)Motion-EfficientNetV2,，該網(wǎng)絡(luò)以視頻流為輸入，能夠有效識(shí)別魚類攝食行為,。提出的模型以EfficientNetV2為主干網(wǎng)絡(luò),，基于TEA和ECANet構(gòu)建了運(yùn)動(dòng)特征提取模塊Motion，并將該模塊嵌入到EfficientNetV2的每個(gè)Fused-MBConv模塊中,，使改進(jìn)后的EfficientNetV2具有運(yùn)動(dòng)特征提取能力,。同時(shí)使用ECANet對(duì)EfficientNetV2網(wǎng)絡(luò)中的MBConv進(jìn)行改進(jìn)，增強(qiáng)其通道特征提取能力,。在此基礎(chǔ)上利用空洞卷積擴(kuò)大感受野,，提高大范圍特征提取能力。試驗(yàn)結(jié)果表明,，Motion-EfficientNetV2的參數(shù)量和浮點(diǎn)運(yùn)算量分別為9.3×106和1.31×1010,，優(yōu)于EfficientNetV2。在TSN-ResNet50、TSN-EfficientNetV2,、C3D以及R3D模型上進(jìn)行對(duì)比試驗(yàn),，本文模型在降低參數(shù)量和浮點(diǎn)運(yùn)算量的同時(shí)，使識(shí)別準(zhǔn)確率提高到93.97%,。該研究對(duì)于漁業(yè)裝備智能化升級(jí)和科學(xué)養(yǎng)殖具有推動(dòng)作用,。

摘要:針對(duì)農(nóng)業(yè)病害領(lǐng)域命名實(shí)體識(shí)別過程中存在的預(yù)訓(xùn)練語(yǔ)言模型利用不充分,、外部知識(shí)注入利用率低、嵌套命名實(shí)體識(shí)別率低的問題,，本文提出基于連續(xù)提示注入和指針網(wǎng)絡(luò)的命名實(shí)體識(shí)別模型CP-MRC（Continuous prompts for machine reading comprehension）,。該模型引入BERT（Bidirectional encoder representation from transformers）預(yù)訓(xùn)練模型，通過凍結(jié)BERT模型原有參數(shù),，保留其在預(yù)訓(xùn)練階段獲取到的文本表征能力,；為了增強(qiáng)模型對(duì)領(lǐng)域數(shù)據(jù)的適用性，在每層Transformer中插入連續(xù)可訓(xùn)練提示向量,；為提高嵌套命名實(shí)體識(shí)別的準(zhǔn)確性,，采用指針網(wǎng)絡(luò)抽取實(shí)體序列。在自建農(nóng)業(yè)病害數(shù)據(jù)集上開展了對(duì)比實(shí)驗(yàn),，該數(shù)據(jù)集包含2933條文本語(yǔ)料,，8個(gè)實(shí)體類型，共10414個(gè)實(shí)體,。實(shí)驗(yàn)結(jié)果顯示,，CP-MRC模型的精確率、召回率,、F1值達(dá)到83.55%,、81.4%、82.4%,，優(yōu)于其他模型,；在病原、作物兩類嵌套實(shí)體的識(shí)別率較其他模型F1值提升3個(gè)百分點(diǎn)和13個(gè)百分點(diǎn),，嵌套實(shí)體識(shí)別率明顯提升,。本文提出的模型僅采用少量可訓(xùn)練參數(shù)仍然具備良好識(shí)別性能，為較大規(guī)模預(yù)訓(xùn)練模型在信息抽取任務(wù)上的應(yīng)用提供了思路,。

摘要:隨著水產(chǎn)品交易規(guī)模的擴(kuò)大,，區(qū)塊鏈技術(shù)在產(chǎn)品溯源和數(shù)據(jù)共享方面得到廣泛的應(yīng)用，但不同企業(yè)內(nèi)或同一供應(yīng)鏈內(nèi)的不同環(huán)節(jié)構(gòu)建的區(qū)塊鏈之間數(shù)據(jù)無(wú)法有效交互和共享,，致使信息孤島問題依然存在。因此提出了基于公證人機(jī)制的水產(chǎn)品跨鏈交易模型,，旨在實(shí)現(xiàn)水產(chǎn)品不同環(huán)節(jié)之間的跨鏈交易,，解決單點(diǎn)故障問題，并提升交易效率,。同時(shí)針對(duì)水產(chǎn)品跨鏈交易業(yè)務(wù)特點(diǎn),，提出兩階段跨鏈交易流程，完善交易錯(cuò)誤處理機(jī)制,，從而解決跨鏈交易過程中的數(shù)據(jù)一致性,、原子性需求，并基于Hyperledger Fabric平臺(tái)構(gòu)建系統(tǒng)原型,。實(shí)驗(yàn)結(jié)果表明,，在交易量較大的情況下，交易平均成功率高于99%,，平均延遲時(shí)間為0.21s左右,，模型在保證交易安全性的前提下，滿足了水產(chǎn)品區(qū)塊鏈跨鏈交易需求,。

摘要:區(qū)塊鏈技術(shù)應(yīng)用到水產(chǎn)品線上交易架構(gòu)中可以使交易雙方隱私信息得到基本保障，然而,，目前區(qū)塊鏈水產(chǎn)品線上交易模型和系統(tǒng)存在海量數(shù)據(jù)存儲(chǔ)負(fù)載大,、維護(hù)成本高、數(shù)據(jù)查詢效率低等問題,。為進(jìn)一步緩解以上問題,，在梳理和分析水產(chǎn)品交易流程基礎(chǔ)上，根據(jù)水產(chǎn)品交易業(yè)務(wù)技術(shù)需求,，提出了基于多鏈存儲(chǔ)優(yōu)化的水產(chǎn)品交易匹配模型,。該模型在智能合約中通過貪心算法實(shí)現(xiàn)了效率較高的多屬性水產(chǎn)品線上交易匹配過程，通過區(qū)塊鏈多通道技術(shù)構(gòu)建了水產(chǎn)品交易多鏈架構(gòu),，實(shí)現(xiàn)了用戶交易信息分布式存儲(chǔ),，提高了交易信息查詢效率,，同時(shí)，采用區(qū)塊鏈與本地?cái)?shù)據(jù)庫(kù)雙模式存儲(chǔ)技術(shù),，緩解了區(qū)塊鏈網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)海量數(shù)據(jù)存儲(chǔ)的負(fù)載,。基于Hyperledger Fabric平臺(tái)實(shí)現(xiàn)了基于多鏈存儲(chǔ)優(yōu)化的水產(chǎn)品交易原型系統(tǒng),。該原型系統(tǒng)測(cè)試結(jié)果表明,，臨界值900s平均最多可以完成1296筆交易，說明系統(tǒng)在處理千條交易數(shù)據(jù)量時(shí)可以正常運(yùn)行,，滿足水產(chǎn)品線上交易平臺(tái)日常實(shí)際交易業(yè)務(wù)需求,，同時(shí)在鏈上存儲(chǔ)1600條合同信息時(shí)查詢1條用戶合同信息平均時(shí)間為4.018s，多鏈存儲(chǔ)結(jié)構(gòu)提高了鏈上數(shù)據(jù)查詢速度,。

摘要:為探尋不同秸稈還田方式配施氮肥對(duì)黑土玉米田土壤CO2排放與碳平衡的影響,，于2023年開展大田試驗(yàn),，設(shè)置秸稈離田（S0，對(duì)照）,、秸稈覆蓋還田(S1),、秸稈旋耕還田（S2）3種秸稈還田方式，同時(shí)設(shè)置常規(guī)施加氮肥（N, 250kg/hm2）與不施加氮肥（W,，0kg/hm2,，對(duì)照）2種施氮模式，共計(jì)6個(gè)處理,。測(cè)定不同處理下玉米生育期土壤CO2排放通量以及玉米收獲后土壤有機(jī)碳（SOC）,、可溶性有機(jī)碳（DOC）、微生物量碳（MBC）含量,，探究土壤CO2累積排放量與SOC,、DOC、MBC含量的關(guān)系,，并分析黑土玉米田生態(tài)系統(tǒng)碳平衡狀況,。結(jié)果表明：各處理中土壤CO2累積排放量從大到小依次為S2N、S1N,、S0N,、S2W、S1W,、S0W,，其中S2N處理土壤CO2累積排放量較S0W處理顯著增加70.31%（P<0.05）,。在相同施氮模式下，秸稈還田能夠有效增加SOC,、DOC,、MBC含量，且土壤CO2累積排放量與SOC,、DOC,、MBC含量呈正相關(guān)關(guān)系。不同秸稈還田方式配施氮肥下,，S1N處理玉米產(chǎn)量最高,，為13534.4kg/hm2，作物碳排放速率最低,，為0.122kg/kg。不同秸稈還田方式配施氮肥下黑土玉米田生態(tài)系統(tǒng)碳平衡值均為正值,，表現(xiàn)為較強(qiáng)的碳“匯”,，其中S1N處理碳平衡值和土壤固碳潛力最大，較其他處理分別增加13.12%~94.05%,、3.49%~25.32%,。綜上所述，在本試驗(yàn)條件下,，秸稈覆蓋還田+常規(guī)施氮（S1N處理）可以實(shí)現(xiàn)黑土玉米田土壤固碳減排和作物增產(chǎn)目的,。

摘要:為探明水氮運(yùn)籌對(duì)稻田生態(tài)系統(tǒng)碳收支的影響,，開展大田試驗(yàn)，設(shè)置淺濕干灌溉（D）和淹水灌溉（F）兩種灌溉模式,，及110kg/hm2（當(dāng)?shù)厥┓蕵?biāo)準(zhǔn),，N1）、99kg/hm2（減氮10%,，N2）和88kg/hm2（減氮20%,，N3）3個(gè)施肥水平，觀測(cè)高留殘茬稻田水稻收獲后不同器官的干物質(zhì)量及碳含量,，同時(shí)監(jiān)測(cè)稻田CO2和CH4排放通量,，計(jì)算水稻凈初級(jí)生產(chǎn)力（NPP）和稻田凈生態(tài)系統(tǒng)初級(jí)生產(chǎn)力（NECB）。結(jié)果表明：水氮運(yùn)籌會(huì)影響稻株各器官干物質(zhì)及碳含量,，所有處理中DN2處理NPP最大（8918.02kg/hm2）,，淺濕干灌溉模式各處理NPP均大于淹水灌溉模式,，分別增加12.13%、36.73%,、8.01%,；淺濕干灌溉模式增加了稻田土壤呼吸的CO2排放通量，減施氮肥則降低了CO2排放通量,，淺濕干灌溉減施氮肥降低了CH4排放通量,；兩種灌溉模式下各處理CO2和CH4排放總量均隨氮肥施用量減少而降低，淹水灌溉模式下各處理CH4排放總量均顯著高于淺濕干灌溉模式（P＜0.05）,；各處理稻田生態(tài)系碳凈收支均為正值,，黑土區(qū)高留殘茬稻田生態(tài)系統(tǒng)表現(xiàn)為碳“匯”，其中DN2處理NECB最高,，為1950.96kg/hm2,。綜合來看，淺濕干灌溉模式+減氮10%處理的稻田生態(tài)系統(tǒng)碳“匯”最強(qiáng),。研究可為寒地黑土保護(hù)提供理論參考和技術(shù)支撐,。

摘要:以典型黑土區(qū)——三江平原為研究區(qū)，采用最小二乘法揭示1990—2020年氣候變化下研究區(qū)陸地生態(tài)系統(tǒng)碳儲(chǔ)量變化趨勢(shì),，借助重心分析和冷熱點(diǎn)分析方法揭示研究區(qū)陸地生態(tài)系統(tǒng)碳儲(chǔ)量時(shí)空分異特征,，利用地理加權(quán)回歸法分析氣候因子對(duì)碳儲(chǔ)量的影響，并借助CMIP6數(shù)據(jù)模擬和預(yù)測(cè)高強(qiáng)迫情景（SSP585）和中等強(qiáng)迫情景（SSP245）下陸地生態(tài)系統(tǒng)碳儲(chǔ)量,。結(jié)果表明：氣候變化背景下1990—2020年研究區(qū)碳儲(chǔ)量呈波動(dòng)下降趨勢(shì),，碳儲(chǔ)量損失約2.66×107t；碳儲(chǔ)量高值區(qū)主要分布在西北部和東部地區(qū),，碳儲(chǔ)量低值區(qū)主要分布在北部和東南部地區(qū),；1990—2020年研究區(qū)碳儲(chǔ)量下降速率變化幅度較大，其中鶴崗市碳儲(chǔ)量下降速率最大,，佳木斯市最小,。1990—2020年研究區(qū)碳儲(chǔ)量重心向東北方向移動(dòng)1340m，其中2000—2020年向東北方向偏移1680m,；碳儲(chǔ)量熱點(diǎn)區(qū)呈片狀和塊狀分布格局,，冷點(diǎn)區(qū)呈片狀和帶狀分布格局，熱點(diǎn)區(qū)范圍基本保持不變,，冷點(diǎn)區(qū)范圍縮小,。1990—2020年研究區(qū)年均氣溫、年降水量與碳儲(chǔ)量關(guān)系具有顯著性,，呈正負(fù)無(wú)規(guī)律交錯(cuò)分布的空間格局,。氣候與土地利用變化決定碳儲(chǔ)量的時(shí)空格局,，其中林地-林地和耕地-耕地碳儲(chǔ)量損失最大。在SSP585和SSP245情景下,，2030年研究區(qū)碳儲(chǔ)量分別為2.22×107t和2.26×107t,，相比2020年分別減少2.17×107t和2.13×107t，碳儲(chǔ)量空間分布格局未發(fā)生顯著改變,，但冷熱點(diǎn)區(qū)范圍均縮小,，重心將持續(xù)向東北方向偏移6525m和6000m。

摘要:針對(duì)沼氣工程存在的沼液量大難處理問題及沼氣提純的需求,，提出將正滲透技術(shù)與沼氣CO2化學(xué)吸收分離耦合,，探究了沼氣CO2化學(xué)吸收中的富CO2吸收液作為正滲透汲取液從沼液中回收水及濃縮沼液的可行性，并以沼液濃縮過程中的水通量,、沼液濃縮倍數(shù),、沼液氨氮截留率與吸收劑反向傳質(zhì)通量為指標(biāo)，考察了汲取液種類,、汲取液濃度與其他操作參數(shù)對(duì)正滲透水回收性能的影響,。結(jié)果表明,，富CO2吸收液作為汲取液從沼液中回收水并濃縮沼液具有可行性,，且隨著汲取液濃度、流量和溫度的增加,，沼液中水向汲取液的傳質(zhì)通量增加,，沼液濃縮倍數(shù)也相應(yīng)增加，但沼液中氨氮截留率下降,，同時(shí)汲取液中的吸收劑溶質(zhì)向沼液的反向傳質(zhì)通量也增加,。當(dāng)采用濃度2.5mol/L、CO2負(fù)荷0.5mol/mol的富CO2甘氨酸鉀溶液作為汲取液,，汲取液溫度為70℃,、流速為150mL/min、沼液室溫及流速為150mL/min時(shí),，采用正滲透技術(shù)從沼液中回收水的初始通量達(dá)8.05L/（m2·h）,，經(jīng)過4h運(yùn)行后，沼液濃縮倍數(shù)為1.18,，氨氮截留率為84.13%,，反向吸收劑通量?jī)H為2.94g/（m2·h）。

摘要:針對(duì)目前內(nèi)熱式移動(dòng)床生物質(zhì)熱解炭化試驗(yàn)研究平臺(tái)條件不足的問題,，開發(fā)了一種內(nèi)加熱兼吸式移動(dòng)床熱解炭化裝置,，模擬連續(xù)式熱解炭化工藝，設(shè)計(jì)了供氣系統(tǒng),、出炭系統(tǒng),、產(chǎn)物收集系統(tǒng)、氣體凈化系統(tǒng),、溫度監(jiān)控系統(tǒng),，以稻殼作為原料，開展了上吸和下吸式熱解炭化試驗(yàn),，研究了停留時(shí)間和吸氣方式對(duì)內(nèi)熱式熱解炭化產(chǎn)物的影響,。結(jié)果表明，隨著停留時(shí)間的增加,，上吸和下吸內(nèi)熱式熱解炭化變化趨勢(shì)基本相同,，揮發(fā)分和固定碳含量均呈下降趨勢(shì)，灰分含量增加,，磷及氮元素含量均下降,，氧元素含量上升，氫元素變化趨勢(shì)不明顯,，熱值分別從20.7MJ/kg和22MJ/kg下降到14.6MJ/kg和15.2MJ/kg,；比表面積分別從0.73m2/g和0.78m2/g上升到3.84m2/g和3.95m2/g，生物炭孔隙結(jié)構(gòu)得到了發(fā)展,。該系統(tǒng)結(jié)構(gòu)合理,，運(yùn)行穩(wěn)定可靠，密封效果良好,，可有效控制進(jìn)氣方式,、進(jìn)氣量、保溫炭化時(shí)間等試驗(yàn)因素,。為內(nèi)加熱炭化工藝參數(shù)試驗(yàn)研究提供了重要支撐,。

摘要:針對(duì)目前馬鈴薯切條機(jī)切削質(zhì)量差,、切削薯?xiàng)l破損率高以及自動(dòng)化程度低等問題,，對(duì)馬鈴薯切條機(jī)結(jié)構(gòu)進(jìn)行改進(jìn)設(shè)計(jì)。采用激光傳感器和入料分流裝置檢測(cè)入料速度并對(duì)入料速度進(jìn)行調(diào)控,，提高入料均勻性與切削穩(wěn)定性,。通過對(duì)關(guān)鍵部件的分析確定了影響切條質(zhì)量的關(guān)鍵因素與取值范圍。以離心滾筒轉(zhuǎn)速,、推料葉片傾角和切片刀安裝角為試驗(yàn)因素,，以切條合格率和分切破損率為試驗(yàn)指標(biāo)，進(jìn)行三因素三水平響應(yīng)面試驗(yàn),，利用Design-Expert 10.0.1軟件對(duì)試驗(yàn)結(jié)果進(jìn)行方差分析,，通過響應(yīng)面分析交互因素對(duì)試驗(yàn)指標(biāo)的影響規(guī)律。運(yùn)用軟件優(yōu)化得出試驗(yàn)因素的最優(yōu)組合并進(jìn)行驗(yàn)證試驗(yàn),，結(jié)果表明：當(dāng)離心滾筒轉(zhuǎn)速為224.6r/min,、推料葉片傾角為19.4°、切片刀安裝角為292°時(shí),，切條合格率為96.7%,、分切破損率為2.0%。在此基礎(chǔ)上進(jìn)行入料速度控制調(diào)節(jié)試驗(yàn),，試驗(yàn)結(jié)果顯示：切條合格率為96.2%,，分切破損率為2.4%，產(chǎn)量達(dá)3.3t/h,，切條合格率提高7%,，分切破損率降低4%，切削效率提高28%,，提高了馬鈴薯切條機(jī)流水線工作時(shí)的切削質(zhì)量與效率,。

摘要:常溫再制干酪制品是指經(jīng)超高溫瞬時(shí)滅菌（Ultrahigh temperature treated，UHT）處理后可常溫貯藏的滅菌型干酪制品,，是我國(guó)乳品工業(yè)的新熱點(diǎn),。然而，干酪在UHT處理后易失穩(wěn)發(fā)生凝膠結(jié)構(gòu)重構(gòu),，在貯藏期間出現(xiàn)析水等質(zhì)構(gòu)問題,，影響產(chǎn)品品質(zhì)。為闡明蛋白原料對(duì)常溫再制干酪制品析水性的影響及機(jī)制，篩選了3種不同的蛋白原料：膜過濾酪蛋白膠束,、濃縮牛奶蛋白,、凝乳酶酪蛋白，分析其蛋白質(zhì)含量,、組成以及粒徑,、電位、水合性和鈣離子分布等理化特性,，進(jìn)而分析了蛋白原料對(duì)常溫再制干酪制品析水性和質(zhì)構(gòu)特性的影響規(guī)律,，并從水分分布和微觀結(jié)構(gòu)層面解析蛋白原料對(duì)常溫再制干酪制品析水性的影響機(jī)制。結(jié)果表明：3種蛋白原料的蛋白質(zhì)含量和組成存在顯著差異,，濃縮牛奶蛋白的乳清蛋白占總蛋白質(zhì)量分?jǐn)?shù)比膜過濾酪蛋白膠束高7.81個(gè)百分點(diǎn),，而凝乳酶酪蛋白中不含乳清蛋白；在水合性方面,，濃縮牛奶蛋白和膜過濾酪蛋白膠束相近,，均顯著高于凝乳酶酪蛋白。蛋白原料顯著影響常溫再制干酪制品析水性,，貯藏90d時(shí),，由凝乳酶酪蛋白制備的常溫再制干酪制品析水率最高，而由濃縮牛奶蛋白制備的常溫再制干酪制品的析水率最低,，表面析水率和離心析水率分別為0.42%和1.10%,。水分分布和微觀結(jié)構(gòu)結(jié)果顯示，蛋白原料通過影響干酪制品中水分的存在狀態(tài)和三維網(wǎng)絡(luò)空間結(jié)構(gòu),，從而影響常溫再制干酪制品的析水性,。研究解析了不同蛋白原料對(duì)常溫再制干酪制品析水性的影響及機(jī)制，為常溫再制干酪制品析水性的改善提供了理論依據(jù),。

摘要:為探究空化射流預(yù)處理對(duì)大豆分離蛋白-白藜蘆醇（SPI-RES）復(fù)合物的影響,，對(duì)SPI進(jìn)行空化射流預(yù)處理（0,、2、4,、6,、8、10min）后,，與RES非共價(jià)結(jié)合形成復(fù)合物,。通過荷載量和包埋率研究了SPI對(duì)RES的結(jié)合情況，采用內(nèi)源熒光光譜、傅里葉紅外光譜及分子對(duì)接技術(shù)研究了SPI和RES之間的相互作用機(jī)制,，通過粒徑,、ζ-電位、表面疏水性,、抗氧化活性等考察了復(fù)合物的物理化學(xué)性質(zhì)和功能特性,。結(jié)果表明：經(jīng)過一定時(shí)間的空化射流處理后，SPI對(duì)RES包埋率和荷載量顯著增加,，復(fù)合物粒徑和ζ-電位分別減小和增大,。內(nèi)源熒光光譜表明RES對(duì)SPI的淬滅為靜態(tài)淬滅，反應(yīng)是自發(fā)進(jìn)行的,。傅里葉紅外光譜表明適當(dāng)?shù)目栈淞黝A(yù)處理促進(jìn)了SPI從有序結(jié)構(gòu)轉(zhuǎn)變?yōu)闊o(wú)序結(jié)構(gòu),，從而結(jié)合更多的RES。熱力學(xué)參數(shù)和分子對(duì)接結(jié)果表明疏水相互作用是主要作用力,，還涉及氫鍵,。此外，適當(dāng)?shù)目栈淞黝A(yù)處理后,，SPI-RES復(fù)合物表面疏水性及抗氧化活性均有所增加,。本研究為空化射流預(yù)處理大豆分離蛋白應(yīng)用領(lǐng)域的開拓和脂溶性活性物質(zhì)保健食品的開發(fā)提供了前期理論基礎(chǔ)。

摘要:果蔬全供應(yīng)鏈既具有業(yè)務(wù)環(huán)節(jié)繁雜、數(shù)據(jù)多源異構(gòu),、利益角色眾多等通用食品供應(yīng)鏈特征,，又具有風(fēng)險(xiǎn)演變趨勢(shì)復(fù)雜、時(shí)效性要求強(qiáng),、存在突發(fā)新發(fā)風(fēng)險(xiǎn)等特性,。為有效解決傳統(tǒng)果蔬供應(yīng)鏈監(jiān)管方案存在的監(jiān)管覆蓋面不足、溯源效應(yīng)周期長(zhǎng),、各主體間協(xié)同效應(yīng)差等問題,，構(gòu)建了基于區(qū)塊鏈多鏈的果蔬全程全息信息管理模型,，并進(jìn)行了系統(tǒng)化驗(yàn)收,。首先，在果蔬全程全息信息解析的基礎(chǔ)上,，構(gòu)建基于多鏈的果蔬全程全息信息管理模型,。然后，提出一種基于區(qū)塊綜合索引指數(shù)的果蔬信息快速檢索方法，并設(shè)計(jì)了基于公證鏈的果蔬信息跨鏈安全交互機(jī)制,。其次,，基于長(zhǎng)安鏈開源區(qū)塊鏈平臺(tái)設(shè)計(jì)并開發(fā)了果蔬全程全息信息管理原型系統(tǒng)。最后,，進(jìn)行了實(shí)驗(yàn)驗(yàn)證和系統(tǒng)案例應(yīng)用分析,。結(jié)果表明，本系統(tǒng)公開數(shù)據(jù)上鏈平均耗時(shí)為589.03ms,，隱私數(shù)據(jù)上鏈平均耗時(shí)為708.59ms,，公開數(shù)據(jù)查詢平均耗時(shí)為26.87ms，隱私數(shù)據(jù)查詢平均耗時(shí)為30.67ms,。本文設(shè)計(jì)的基于多鏈的果蔬全程全息信息管理模型及系統(tǒng)在滿足不同需求用戶對(duì)于不同權(quán)限信息的上鏈和查詢需求的同時(shí),，實(shí)現(xiàn)了對(duì)果蔬全程全息信息的穿透式監(jiān)管，滿足了企業(yè)對(duì)隱私數(shù)據(jù)的權(quán)限控制與安全共享需求,，提高了果蔬信息檢索效率,，為果蔬全程全息信息管理模型開發(fā)提供參考與借鑒。

摘要:丘陵山地地勢(shì)復(fù)雜,、地形多變,，農(nóng)機(jī)裝備作業(yè)環(huán)境以傾斜角度較大的斜坡為主，傳統(tǒng)農(nóng)機(jī)裝備在丘陵山區(qū)復(fù)雜地形下作業(yè)時(shí)效率低,、穩(wěn)定性差,，甚至?xí)霈F(xiàn)側(cè)傾、翻車等現(xiàn)象,。本文從仿生機(jī)械設(shè)計(jì)角度出發(fā),，提出一種在丘陵山地復(fù)雜地形下能夠自主實(shí)現(xiàn)位姿調(diào)平控制的輪腿式機(jī)器人平臺(tái)，提升復(fù)雜地形下的作業(yè)穩(wěn)定性和安全性,。以昆蟲后足為仿生機(jī)械設(shè)計(jì)對(duì)象,，并結(jié)合多連桿機(jī)構(gòu)原理，完成新型變行程輪腿機(jī)構(gòu)及機(jī)器人平臺(tái)的整體架構(gòu)設(shè)計(jì),。采用D-H參數(shù)法分析了輪腿機(jī)構(gòu)運(yùn)動(dòng)學(xué)特性,，結(jié)果顯示輪腿式機(jī)器人離地間隙最大調(diào)整量為574mm，具備較強(qiáng)的越障能力,。在空間坐標(biāo)系上定義輪腿式機(jī)器人空間姿態(tài)參數(shù),，推導(dǎo)得到機(jī)身姿態(tài)角與輪腿伸縮量之間的空間姿態(tài)模型,，并設(shè)計(jì)了基于NSGA-Ⅱ的機(jī)身空間姿態(tài)逆解算法?；诳臻g姿態(tài)逆解算法構(gòu)建了輪腿式機(jī)器人全向位姿調(diào)平位姿控制系統(tǒng),，包含機(jī)身調(diào)平控制器、“虛腿”補(bǔ)償控制器和質(zhì)心高度控制器,，在復(fù)雜地形下行駛時(shí)能夠控制輪腿式機(jī)器人俯仰角,、側(cè)傾角、接地力,、質(zhì)心高度等空間姿態(tài)參數(shù),，然后通過搭建的輪腿式機(jī)器人ADAMS-Matlab聯(lián)合仿真模型完成了位姿控制系統(tǒng)算法仿真驗(yàn)證。在機(jī)器人樣機(jī)上開展了離地間隙自動(dòng)調(diào)整和機(jī)身全向位姿調(diào)平試驗(yàn),，試驗(yàn)結(jié)果表明,，試驗(yàn)樣機(jī)離地間隙最大調(diào)整量為574mm，同時(shí)在復(fù)雜地形下能夠?qū)崿F(xiàn)機(jī)身位姿全向自動(dòng)調(diào)平,，調(diào)平平均時(shí)間約為1.2s,，調(diào)平平均誤差為0.8°，位姿控制響應(yīng)速度與調(diào)平精度能夠滿足實(shí)際工作要求,。

摘要:以丘陵山地姿態(tài)調(diào)整輪式拖拉機(jī)為研究對(duì)象，提出了一種基于改進(jìn)遺傳算法的運(yùn)動(dòng)控制方法,，可根據(jù)地形條件實(shí)現(xiàn)對(duì)拖拉機(jī)的實(shí)時(shí)調(diào)平控制,，提高其車身穩(wěn)定性。首先,，根據(jù)拖拉機(jī)機(jī)構(gòu)間的運(yùn)動(dòng)關(guān)系,，建立表征其輪心位置與車身姿態(tài)參數(shù)關(guān)系的運(yùn)動(dòng)學(xué)模型，并進(jìn)行算例求解,，驗(yàn)證了運(yùn)動(dòng)學(xué)模型的正確與準(zhǔn)確性,。然后，以提高拖拉機(jī)車身穩(wěn)定性為控制目標(biāo),，在運(yùn)動(dòng)學(xué)建模的基礎(chǔ)上設(shè)計(jì)了一種基于改進(jìn)遺傳算法的運(yùn)動(dòng)控制方法,。最后，對(duì)算法進(jìn)行仿真驗(yàn)證,，結(jié)果表明,，使用算法進(jìn)行運(yùn)動(dòng)控制可有效降低其車身姿態(tài)角，橫向坡地最大側(cè)傾角降低13.3°,，縱向坡地最大俯仰角降低4.3°,；在兩種坡度兼有的路面上進(jìn)行綜合調(diào)整,，其最大側(cè)傾角和最大俯仰角分別降低13.8°和4°,，極大提高了車身穩(wěn)定性,。同時(shí)將改進(jìn)遺傳算法與傳統(tǒng)遺傳算法進(jìn)行對(duì)比，結(jié)果表明,，改進(jìn)遺傳算法在響應(yīng)時(shí)間和控制精度方面均優(yōu)于傳統(tǒng)遺傳算法,，其算法響應(yīng)時(shí)間較傳統(tǒng)遺傳算法縮短63.93%，大幅提高了算法效率,。

摘要:根據(jù)少自由度并聯(lián)機(jī)構(gòu)應(yīng)用廣泛的優(yōu)點(diǎn)，提出了一種3T1R并聯(lián)機(jī)構(gòu),，該機(jī)構(gòu)具有構(gòu)型簡(jiǎn)單,、結(jié)構(gòu)對(duì)稱、定位精度高等特點(diǎn),，可應(yīng)用于小范圍的精密操作,，或者是大范圍的搬運(yùn)、分揀以及噴涂等領(lǐng)域,?；诜轿惶卣鞣匠痰耐?fù)浞治隼碚摚瑢?duì)該并聯(lián)機(jī)構(gòu)完成了自由度種類以及數(shù)目的分析與驗(yàn)證,；基于閉環(huán)矢量法完成了運(yùn)動(dòng)學(xué)模型建立,，并通過位置正逆解算例驗(yàn)證了運(yùn)動(dòng)學(xué)的合理性?；谖恢媚娼夥匠汤脴O限邊界搜索法分析了3T1R并聯(lián)機(jī)構(gòu)可達(dá)工作空間,；通過速度分析建立了速度雅可比矩陣，并根據(jù)該矩陣分析機(jī)構(gòu)的定位精度與可操作度性能指標(biāo),。利用主成分分析(PCA)與粒子群算法(PSO)對(duì)3個(gè)性能指標(biāo)進(jìn)行優(yōu)化設(shè)計(jì),，并對(duì)優(yōu)化結(jié)果進(jìn)行了分析，最終優(yōu)化后可達(dá)工作空間體積從0.2933m3提高到0.4231m3,，定位精度誤差放大因子從15.5044減小至4.4308,，可操作度指數(shù)從9.7027減小至1.3996。

摘要:直驅(qū)并聯(lián)機(jī)構(gòu)六自由度振動(dòng)校準(zhǔn)系統(tǒng)可以實(shí)現(xiàn)高精度和多自由度的運(yùn)動(dòng)模擬和校準(zhǔn),，具有良好的應(yīng)用前景,。為了解決平臺(tái)驅(qū)動(dòng)關(guān)節(jié)滑塊位置跟蹤精度低的問題，對(duì)該機(jī)構(gòu)進(jìn)行動(dòng)力學(xué)力矩前饋補(bǔ)償分析,。利用虛功原理建立該機(jī)構(gòu)動(dòng)力學(xué)模型,，提出一種基本伺服算法與動(dòng)力學(xué)前饋補(bǔ)償相結(jié)合的控制策略。在實(shí)驗(yàn)樣機(jī)上進(jìn)行力矩前饋補(bǔ)償,，實(shí)驗(yàn)結(jié)果表明,，在開放伺服程序增加力矩前饋補(bǔ)償后，可以降低該機(jī)構(gòu)在運(yùn)動(dòng)時(shí)的跟隨誤差,，進(jìn)行不同幅值單自由度正弦運(yùn)動(dòng)時(shí),，跟隨誤差分別下降40.32%、39.04%,、43.24%,、48.19%。并對(duì)振動(dòng)臺(tái)進(jìn)行了性能檢測(cè),，在平臺(tái)基礎(chǔ)上,，搭建激光測(cè)量系統(tǒng)和數(shù)據(jù)采集模塊，進(jìn)行傳感器校準(zhǔn)和性能分析,，平臺(tái)橫向振動(dòng)比較小,，諧波失真度均小于2%，平臺(tái)具有較好的穩(wěn)定性和性能,。

摘要:為充分研究少自由度并聯(lián)機(jī)構(gòu)所具備優(yōu)勢(shì)，拓寬其應(yīng)用領(lǐng)域,，設(shè)計(jì)并研究一種含冗余支鏈且無(wú)寄生運(yùn)動(dòng)三自由度兩平移一轉(zhuǎn)動(dòng)（2T1R）并聯(lián)機(jī)構(gòu),，完成運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)分析?；诜轿惶卣骷≒OC）的拓?fù)錂C(jī)構(gòu)學(xué)理論方法,，設(shè)計(jì)了一種含冗余支鏈且無(wú)寄生運(yùn)動(dòng)的兩平移一轉(zhuǎn)動(dòng)并聯(lián)機(jī)構(gòu)，并進(jìn)行拓?fù)浞治?，結(jié)果表明：該機(jī)構(gòu)還具有部分運(yùn)動(dòng)解耦特性,；根據(jù)基于拓?fù)涮卣鬟\(yùn)動(dòng)學(xué)的建模方法，求得機(jī)構(gòu)位置正反符號(hào)解,；又基于位置反解分析了機(jī)構(gòu)奇異性,，基于位置正解給出了工作空間,；基于虛功原理的序單開鏈法對(duì)機(jī)構(gòu)進(jìn)行動(dòng)力學(xué)建模，求得了該機(jī)構(gòu)移動(dòng)副處的驅(qū)動(dòng)力以及兩個(gè)子運(yùn)動(dòng)鏈(SKC)連接處的支反力,；概念設(shè)計(jì)了該機(jī)構(gòu)的一種應(yīng)用場(chǎng)景,。

摘要:直線共軛內(nèi)嚙合齒輪泵作為高效且靜謐性能良好的動(dòng)力元件，在電靜壓作動(dòng)系統(tǒng)得到廣泛應(yīng)用,。本文采用集中參數(shù)法建立直線共軛內(nèi)嚙合齒輪泵仿真模型,。建立了實(shí)驗(yàn)平臺(tái)，對(duì)直線共軛內(nèi)嚙合齒輪泵進(jìn)出口壓力脈動(dòng)進(jìn)行了測(cè)試,。分析了直線共軛內(nèi)嚙合齒輪泵在吸排油區(qū)的壓力脈動(dòng),、齒腔內(nèi)壓力分布以及齒輪和齒圈在x軸和y軸方向的徑向力等激振源。研究結(jié)果表明：所建立的直線共軛內(nèi)嚙合齒輪泵集中參數(shù)模型具有良好的精度和可靠性,；齒輪和齒圈徑向力隨偏轉(zhuǎn)角周期變化,，在x軸方向，齒輪所受到的徑向力指向低壓區(qū),，齒圈受到的徑向力指向高壓區(qū),。在y軸方向，齒輪和齒圈所受到的徑向力在正負(fù)之間波動(dòng),。齒輪和齒圈所受徑向力在x軸方向的基頻幅值均小于其在y軸方向的基頻幅值,；困油現(xiàn)象會(huì)導(dǎo)致齒腔壓力略微升高。研究結(jié)果為直線共軛內(nèi)嚙合齒輪泵的優(yōu)化設(shè)計(jì)和振動(dòng)噪聲分析提供了參考,。

摘要:針對(duì)電動(dòng)裝載機(jī)的電液復(fù)合制動(dòng)系統(tǒng),，為滿足多工況制動(dòng)需求以及保障制動(dòng)安全性,，本文提出了一種基于再生制動(dòng)自由行程液壓制動(dòng)閥的電動(dòng)裝載機(jī)液壓制動(dòng)系統(tǒng)。結(jié)合電動(dòng)裝載機(jī)的理想前后輪制動(dòng)力分配曲線以及制動(dòng)意圖識(shí)別得到的制動(dòng)強(qiáng)度,，制定了制動(dòng)強(qiáng)度與整車制動(dòng)力矩需求的分配曲線,；為進(jìn)一步提高再生制動(dòng)力與液壓制動(dòng)力分配的協(xié)調(diào)性，同時(shí)兼顧制動(dòng)能量回收效率,，提出了一種基于行走再生制動(dòng)和液壓制動(dòng)的電液復(fù)合制動(dòng)協(xié)同控制策略,，降低了整車總制動(dòng)力矩波動(dòng)，保證了制動(dòng)模式切換的平順性,。最后,，搭建了基于AMESim-Matlab/Simulink聯(lián)合仿真模型,，并搭建試驗(yàn)樣機(jī)，驗(yàn)證了電動(dòng)裝載機(jī)復(fù)合制動(dòng)協(xié)同控制策略的可行性,，結(jié)果表明,，該系統(tǒng)能量回收效率可達(dá)71.6%，制動(dòng)回收率可達(dá)44.5%,，一個(gè)工作循環(huán)實(shí)現(xiàn)節(jié)能7.6%,，說明本文提出的控制策略具有良好的制動(dòng)性能和能量回收效率。

摘要:針對(duì)傳統(tǒng)手勢(shì)識(shí)別系統(tǒng)識(shí)別率不高,、響應(yīng)不穩(wěn)定等問題，設(shè)計(jì)了一個(gè)包括柔性傳感器,、信號(hào)采集系統(tǒng),、手勢(shì)識(shí)別算法的柔性應(yīng)變傳感器數(shù)據(jù)手套手勢(shì)識(shí)別系統(tǒng)。該系統(tǒng)可準(zhǔn)確捕捉每根手指關(guān)節(jié)運(yùn)動(dòng)信息,，具有高自由度,、低成本、高識(shí)別率等特點(diǎn),。在軟硅膠材料中摻雜特定配比的碳黑(CB)和碳納米管(CNTs),，通過轉(zhuǎn)印技術(shù)設(shè)計(jì)出線性度好、靈敏度高的電阻式傳感器,。實(shí)驗(yàn)結(jié)果表明,，傳感器具有較好的靜態(tài)、動(dòng)態(tài)響應(yīng)特性,，并完成傳感器標(biāo)定,；利用多個(gè)柔性傳感器制備數(shù)據(jù)手套并搭建信號(hào)采集系統(tǒng)，進(jìn)一步提出融合BP神經(jīng)網(wǎng)絡(luò)和模板匹配技術(shù)的手勢(shì)識(shí)別方法,，以提升相近手勢(shì)字母識(shí)別率,，算法識(shí)別率為98.5%；針對(duì)不同人群開展手勢(shì)識(shí)別實(shí)驗(yàn),，結(jié)果表明,，該手勢(shì)識(shí)別系統(tǒng)準(zhǔn)確率達(dá)到92.8%，響應(yīng)時(shí)間約40ms,，該數(shù)據(jù)手套具有較好的應(yīng)用潛力,。