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:茶產(chǎn)業(yè)是我國傳統(tǒng)特色優(yōu)勢產(chǎn)業(yè),，大數(shù)據(jù)、物聯(lián)網(wǎng)、云計(jì)算等新一代信息技術(shù)與農(nóng)業(yè)的融合促進(jìn)了茶產(chǎn)業(yè)向智能化轉(zhuǎn)型與升級(jí),，在茶葉全產(chǎn)業(yè)鏈賦能增效中發(fā)揮重要作用,。本文在概述了茶產(chǎn)業(yè)智能化技術(shù)體系的基礎(chǔ)上,，圍繞種植、加工,、檢測和銷售等4方面總結(jié)了國內(nèi)外信息技術(shù)在茶產(chǎn)業(yè)智能化中應(yīng)用的研究成果,，分析了茶產(chǎn)業(yè)實(shí)現(xiàn)智能化的關(guān)鍵技術(shù)。最后對(duì)茶產(chǎn)業(yè)智能化未來發(fā)展方向進(jìn)行展望,，建議增強(qiáng)茶產(chǎn)業(yè)信息技術(shù)基礎(chǔ)設(shè)施建設(shè),、加強(qiáng)人機(jī)協(xié)作智能茶機(jī)設(shè)備研發(fā)、重視茶葉種植加工大模型開發(fā),、提升大數(shù)據(jù)分析助力茶葉銷售能力,，為更好利用信息技術(shù)進(jìn)行茶產(chǎn)業(yè)升級(jí)奠定基礎(chǔ)。

摘要:面對(duì)田間作業(yè)過程中大型機(jī)器機(jī)動(dòng)性差及復(fù)雜場景下導(dǎo)航路徑擬合精度差的問題，提出一種基于深度學(xué)習(xí)和高斯過程回歸的玉米冠層下導(dǎo)航路徑提取方法,。首先,，基于四足機(jī)器人采集玉米冠下作物行圖像，對(duì)Mask R-CNN實(shí)例分割方法進(jìn)行改進(jìn),，在特征融合網(wǎng)絡(luò)引入簡化路徑增強(qiáng)特征金字塔網(wǎng)絡(luò)(Simple path aggregation network, Simple-PAN),，通過增加自底向上的路徑增強(qiáng)模塊和特征融合操作模塊，提高圖像上下文特征的融合能力,。其次,，以模型識(shí)別的冠下作物行目標(biāo)為基礎(chǔ)構(gòu)建兩側(cè)區(qū)域分界線，計(jì)算可通行區(qū)域兩側(cè)下垂葉片的分布情況,，優(yōu)化基于加權(quán)平均的導(dǎo)航路徑算法,。對(duì)高斯過程回歸(Gaussian process regression, GPR)算法進(jìn)行改進(jìn)，添加DotProduct線性核對(duì)曲線擬合進(jìn)行優(yōu)化,，優(yōu)化GPR方法的直線擬合效果,。最后，在驗(yàn)證集上進(jìn)行導(dǎo)航路徑識(shí)別，計(jì)算不同方法擬合導(dǎo)航路徑的平均偏差,。試驗(yàn)結(jié)果表明,，該算法能夠適應(yīng)玉米田中葉片遮擋根莖的情況，優(yōu)化的Mask R-CNN模型具備更高的冠下目標(biāo)分割精度,，基于改進(jìn)GPR算法擬合的導(dǎo)航線平均偏差為0.7像素,，處理一幀分辨率為1280像素×720像素的圖像平均耗時(shí)為227ms，該算法能提供在玉米冠層下具備一定避障能力的導(dǎo)航路徑,，滿足導(dǎo)航實(shí)時(shí)性和準(zhǔn)確性的要求,。結(jié)果可為田間智能農(nóng)業(yè)裝備的導(dǎo)航算法研究提供技術(shù)與理論支撐。

摘要:針對(duì)室內(nèi)全球?qū)Ш叫l(wèi)星系統(tǒng)（Global navigation satellite system,，GNSS）信號(hào)受遮擋時(shí),，農(nóng)用車輛協(xié)同定位精度低、穩(wěn)定性差,、信號(hào)丟包等問題,，本文開展面向超寬帶（Ultrawideband，UWB）調(diào)頻技術(shù)的室內(nèi)外農(nóng)用車輛協(xié)同定位算法研究,。首先,，搭建三基站多邊測距定位模型，實(shí)現(xiàn)主基站絕對(duì)位置標(biāo)定以及輔助基站絕對(duì)位置坐標(biāo)的變換求解,；其次,，提出全質(zhì)心加權(quán)最小二乘的高速雙邊雙向（Weighted least squares high double sided two-way ranging，WLS-HDS-TWR）農(nóng)機(jī)協(xié)同定位算法,，基于泰勒級(jí)數(shù)展開的WLS估計(jì)算法,，求解主車位置。同時(shí),，提出面向室內(nèi)環(huán)境的多狀態(tài)基站組合的UWB定位模塊布設(shè)模式,，并驗(yàn)證其可行性；通過飛行時(shí)間法（Time of flight,，TOF）獲取主從車距離信息,，融合GNSS標(biāo)定位置信息、主車坐標(biāo)信息以及測距信息,，實(shí)現(xiàn)主從車協(xié)同定位。最后,，基于Prescan/Simulink搭建聯(lián)合仿真平臺(tái),，驗(yàn)證提出算法的可靠性,；通過農(nóng)用履帶車輛開展室內(nèi)及室外協(xié)同定位實(shí)車試驗(yàn)，試驗(yàn)結(jié)果表明：全質(zhì)心WLS-HDS-TWR協(xié)同定位算法可有效解決室內(nèi)GNSS信號(hào)缺失問題,，室內(nèi)環(huán)境下,，定位精度較HDS-TWR及全質(zhì)心LS-HDS-TWR算法分別提高26.98%和22.03%，滿足智能農(nóng)機(jī)協(xié)同定位作業(yè)需求,。

摘要:為解決農(nóng)田平地機(jī)液壓系統(tǒng)在復(fù)雜地貌平地作業(yè)時(shí)控制精度低,、抗干擾能力差等問題,，設(shè)計(jì)了一種基于混合擴(kuò)張狀態(tài)觀測器（HESO）的反步滑模控制器,。其中,，HESO基于輸出反饋信號(hào)估計(jì)系統(tǒng)未知狀態(tài)和總擾動(dòng)，并在前饋通道中進(jìn)行擾動(dòng)補(bǔ)償,；基于快速趨近律設(shè)計(jì)的反步滑?？刂破鬏敵鲞B續(xù)光滑的控制量，增強(qiáng)了系統(tǒng)魯棒性,，克服了系統(tǒng)非線性與參數(shù)不確定性問題,；通過Lyapunov穩(wěn)定性理論對(duì)所提出的觀測器和控制器穩(wěn)定性進(jìn)行驗(yàn)證，得到誤差一致有界穩(wěn)定結(jié)論,；通過AMESim和Matlab/Simulink聯(lián)合仿真與田間試驗(yàn)對(duì)本文控制算法的有效性和優(yōu)越性進(jìn)行了驗(yàn)證,。在兩條地貌情況較為復(fù)雜波浪地中單次平地和地貌情況較為相似的兩田塊進(jìn)行3次遍歷試驗(yàn)表明，使用本文控制方法,，平地后高程相較于平地前標(biāo)高的平均絕對(duì)誤差,、最大絕對(duì)誤差、絕對(duì)誤差標(biāo)準(zhǔn)差分別為0.053,、0.146,、0.037m和0.02、0.041,、0.011m,，較PID算法分別降低36.35%、28.32%,、31.37%和62.6%,、50%、51.83%。

摘要:針對(duì)傳統(tǒng)果樹修剪存在人員勞動(dòng)強(qiáng)度大、修剪效率低及修剪質(zhì)量難以保證等問題,，本文設(shè)計(jì)了果樹智能修剪機(jī)械臂,，并利用固態(tài)激光雷達(dá)與可編程邏輯控制器開發(fā)了基于激光雷達(dá)的果樹智能修剪系統(tǒng)，實(shí)現(xiàn)果樹自動(dòng)修剪,。為了驗(yàn)證修剪臂的控制精度,，分別對(duì)修剪機(jī)的擺動(dòng)機(jī)械臂、舉升機(jī)械臂,、修剪切割總成進(jìn)行獨(dú)立精度試驗(yàn)與修剪目標(biāo)位置精度試驗(yàn),，獨(dú)立精度試驗(yàn)結(jié)果表明擺動(dòng)機(jī)械臂、舉升機(jī)械臂,、修剪切割總成控制精度平均誤差分別為2.32%,、3.75%、2.50%,，修剪目標(biāo)位置精度試驗(yàn)結(jié)果表明目標(biāo)位置Xb,、Zb平均誤差分別為2.98%、1.85%,，修剪總成作業(yè)傾角α平均誤差為4.35%,，滿足果樹修剪精度要求。在新疆阿克蘇果樹種植基地開展了果樹修剪試驗(yàn),，結(jié)果表明,，搭載固態(tài)激光雷達(dá)的果樹修剪機(jī)能夠?qū)崟r(shí)獲取果樹的三維空間信息，修剪機(jī)可以根據(jù)激光雷達(dá)探測到的果樹樹冠信息制定修剪策略,，香梨園與蘋果園修剪優(yōu)良率分別為93.3%與86.6%,。該系統(tǒng)能有效提高果樹修剪效率，降低修剪人員勞動(dòng)強(qiáng)度,。

摘要:針對(duì)當(dāng)前丘陵山地板栗采摘困難、人工收獲工作強(qiáng)度大,、采收效率低等問題,，設(shè)計(jì)了一種由柔性鋼絲繩曳引振動(dòng)的小型搖枝式板栗落果裝置,。建立板栗果實(shí)-果枝單擺動(dòng)力學(xué)模型,，分析果實(shí)脫落條件，得到板栗果實(shí)振動(dòng)脫落切向加速度為285.36m/s2,，得出影響板栗果實(shí)脫落的主要因素為果枝振動(dòng)頻率,、振幅、振動(dòng)時(shí)間,；進(jìn)行板栗果枝振動(dòng)特性試驗(yàn),，用Default Shaker液壓振動(dòng)臺(tái)以0~30Hz掃頻方式確定垂直方向上板栗果枝共振頻率，并在頻率7~15Hz段進(jìn)行駐頻試驗(yàn),，得出振動(dòng)落果較優(yōu)頻率為10~12Hz,。根據(jù)果枝振動(dòng)試驗(yàn)結(jié)果，利用ADAMS軟件對(duì)搖振機(jī)構(gòu)進(jìn)行仿真,，結(jié)果表明,，搖桿振幅大于95mm時(shí)，果枝末端加速度可滿足板栗果振動(dòng)脫落的加速度條件,，確定了落果裝置參數(shù)設(shè)計(jì)的合理性,。設(shè)計(jì)了三因素三水平正交試驗(yàn)，試驗(yàn)結(jié)果表明,，板栗落果最佳作業(yè)參數(shù)組合為搖振頻率11Hz,、振幅135mm、搖振時(shí)間30s,，此時(shí)板栗落果率為91.9%,，樹皮損傷率為8.8%，滿足農(nóng)業(yè)機(jī)械推廣鑒定標(biāo)準(zhǔn)中樹皮損傷標(biāo)準(zhǔn),。

摘要:為解決球形果實(shí)快速,、穩(wěn)定抓取問題，設(shè)計(jì)了一種主動(dòng)式三指手爪,。該手爪指部機(jī)構(gòu)末端安裝有球狀主動(dòng)滾輪,，主動(dòng)滾輪外附著柔性膜以增加手爪柔順性與摩擦力,。每個(gè)指部機(jī)構(gòu)具有2個(gè)自由度，可實(shí)現(xiàn)手指開合以及主動(dòng)滾輪旋轉(zhuǎn),。工作時(shí)3根手指相互配合,，在摩擦力作用下球果向手爪內(nèi)部運(yùn)動(dòng)，可在僅接觸球果條件下實(shí)現(xiàn)球果快速,、穩(wěn)定抓取,，無需精確控制手爪位置和姿態(tài)。為闡述抓取過程中主動(dòng)式手爪與球果的交互關(guān)系,，推導(dǎo)了主動(dòng)式手爪-球果交互模型,。選取番茄、蘋果以及橙子為典型球形抓取對(duì)象,，開展了3款手爪（主動(dòng)式手爪,、鰭狀軟爪以及平行剛爪）的抓取試驗(yàn)。抓取試驗(yàn)結(jié)果表明,，所設(shè)計(jì)主動(dòng)式手爪平均首次抓取成功率為96.7%,，平均抓取無損率為98.3%，平均任務(wù)時(shí)間為5.9 s,，在抓取成功率,、抓取質(zhì)量以及抓取效率3方面均有較好表現(xiàn)，驗(yàn)證了該主動(dòng)式手爪的有效性,。

摘要:針對(duì)播種性能參數(shù)人工計(jì)算效率低及在線檢測軟件缺乏等問題,，提出了一種基于圖像處理的小麥播種時(shí)籽粒落種分布在線檢測方法,，建立了基于連通區(qū)域面積和輪廓周長的粘連種子判據(jù)，創(chuàng)建了改進(jìn)凹點(diǎn)分割粘連種子方法,，對(duì)分割后的種子進(jìn)行計(jì)數(shù)與坐標(biāo)定位,，實(shí)現(xiàn)落種均勻度、準(zhǔn)確度和離散度的計(jì)算檢測,。搭建了落種分布檢測裝置并開發(fā)了檢測軟件,，試驗(yàn)結(jié)果表明：在不同播量、播種行進(jìn)速度條件下,，改進(jìn)凹點(diǎn)分割算法平均準(zhǔn)確率均在95%以上,，相比凹點(diǎn)分割算法平均準(zhǔn)確率有明顯提高，說明該方法對(duì)種子顆?？倲?shù)識(shí)別準(zhǔn)確率較高,；隨著播量增加,，種子粘連概率提高，出現(xiàn)假凹點(diǎn)幾率增大,，算法準(zhǔn)確率降低,；隨著播種行進(jìn)速度增加，圖像中種子變形和失真幾率增加,，導(dǎo)致部分粘連種子難以分割或錯(cuò)誤分割,，算法準(zhǔn)確率亦降低；播量及播種行進(jìn)速度對(duì)落種均勻度,、準(zhǔn)確度,、離散度的影響不顯著,，與人工計(jì)算測量結(jié)果吻合,，表明了該落種分布檢測方法的可行性。

摘要:為提升秸稈深埋質(zhì)量，針對(duì)秸稈深埋過程中秸稈撿拾效果差,、輸送方式單一,、輸送效率低、深埋率低等問題,，提出一種直注式秸稈深埋還田方法,，設(shè)計(jì)了直注式秸稈撿拾粉碎深埋機(jī)，闡述了整機(jī)結(jié)構(gòu)和工作原理,。對(duì)關(guān)鍵部件進(jìn)行了設(shè)計(jì)分析,，設(shè)計(jì)了無護(hù)圈式撿拾裝置，分析了撿拾裝置各個(gè)運(yùn)動(dòng)階段與彈齒的運(yùn)動(dòng)軌跡,，確定了4個(gè)運(yùn)動(dòng)階段所對(duì)應(yīng)的相位角,；設(shè)計(jì)了以運(yùn)秸螺旋輸送器和運(yùn)秸葉片為主的機(jī)械輸送裝置、以拋秸風(fēng)葉和運(yùn)秸導(dǎo)管為主的氣力輸送裝置,。對(duì)秸稈輸送量進(jìn)行分析,，明確了運(yùn)秸螺旋輸送器結(jié)構(gòu)參數(shù)，得出了運(yùn)秸螺旋輸送器最低轉(zhuǎn)速,；對(duì)運(yùn)秸葉片和拋秸風(fēng)葉進(jìn)行了動(dòng)力學(xué)分析,，確定了運(yùn)秸葉片和拋秸風(fēng)葉結(jié)構(gòu)，明晰了影響秸稈輸送效果的關(guān)鍵因素為機(jī)具前進(jìn)速度,、運(yùn)秸螺旋輸送器轉(zhuǎn)速,、拋秸風(fēng)葉轉(zhuǎn)速,、運(yùn)秸葉片傾角和拋秸風(fēng)葉傾角，并確定了影響因素范圍,。仿真試驗(yàn)結(jié)果表明,，機(jī)具前進(jìn)速度和運(yùn)秸螺旋輸送器轉(zhuǎn)速存在交互作用，最佳作業(yè)參數(shù)：機(jī)具前進(jìn)速度為3km/h,、運(yùn)秸螺旋輸送器轉(zhuǎn)速為1200r/min和拋秸風(fēng)葉轉(zhuǎn)速為1600r/min,。田間試驗(yàn)結(jié)果表明，平均秸稈撿拾率和平均深埋率分別為91.02%,，90.03%,；運(yùn)秸導(dǎo)管出口處風(fēng)速和作業(yè)扭矩分別為1.78～26.83m/s、61.55～214.78N·m,，各工作部件運(yùn)行穩(wěn)定,，滿足秸稈深埋還田作業(yè)要求，為秸稈深埋還田機(jī)研發(fā)和改進(jìn)提供了依據(jù),。

摘要:為提高玉米秸稈粉碎還田機(jī)具作業(yè)質(zhì)量,，解決傳統(tǒng)秸稈粉碎還田機(jī)械作業(yè)參數(shù)不可實(shí)時(shí)調(diào)節(jié)等問題,，基于等徑凸輪機(jī)構(gòu)往復(fù)運(yùn)動(dòng)原理，設(shè)計(jì)了一種基于PLC控制的自動(dòng)變速秸稈粉碎還田裝置,。通過分析地表支撐條件下秸稈粉碎過程中受力變化,，確定影響秸稈粉碎效果主要因素，利用LS-Dyna軟件確定主要因素取值范圍,；通過理論計(jì)算和動(dòng)力學(xué)仿真分析,，優(yōu)化粉碎刀運(yùn)動(dòng)軌跡并確定粉碎機(jī)構(gòu)關(guān)鍵部件參數(shù)。為提高玉米秸稈粉碎合格率,，建立“泵-閥-馬達(dá)”調(diào)速模型,，設(shè)計(jì)人機(jī)交互界面進(jìn)行作業(yè)參數(shù)設(shè)置，實(shí)現(xiàn)不同秸稈覆蓋量情況下,，秸稈粉碎裝置作業(yè)參數(shù)快速匹配,，以機(jī)具前進(jìn)速度、秸稈覆蓋量為試驗(yàn)因素,，以秸稈粉碎合格率為評(píng)價(jià)指標(biāo)進(jìn)行單因素試驗(yàn),。試驗(yàn)結(jié)果表明，當(dāng)田間秸稈覆蓋量一定時(shí),，隨著主軸轉(zhuǎn)速增加,，粉碎合格率呈明顯上升趨勢,；當(dāng)主軸轉(zhuǎn)速一定時(shí)，隨著田間秸稈覆蓋量的增加,，粉碎合格率有所下降,；當(dāng)主軸轉(zhuǎn)速超過200r/min時(shí)，秸稈粉碎合格率均達(dá)到90%以上,，基本保持不變,。為進(jìn)一步驗(yàn)證試驗(yàn)結(jié)果，進(jìn)行變速秸稈粉碎方式與定速秸稈粉碎方式對(duì)比試驗(yàn),。試驗(yàn)結(jié)果表明,，變速秸稈粉碎方式秸稈粉碎合格率為92.17%，優(yōu)于定速秸稈粉碎方式,。該裝置實(shí)現(xiàn)了秸稈粉碎還田作業(yè)參數(shù)精準(zhǔn)控制,，為秸稈粉碎還田機(jī)具智能化發(fā)展提供了技術(shù)支撐。

摘要:針對(duì)長江中下游地區(qū)聯(lián)合收獲機(jī)保有量大、利用率低,，拖拉機(jī)常規(guī)三點(diǎn)懸掛裝置縱向尺寸大,、結(jié)構(gòu)復(fù)雜導(dǎo)致機(jī)組轉(zhuǎn)彎半徑大、重心不穩(wěn)等問題,，基于模塊化設(shè)計(jì)方法設(shè)計(jì)了一種用于連接聯(lián)合收獲機(jī)與油菜直播機(jī)的導(dǎo)軌式懸掛裝置,。在對(duì)常規(guī)三點(diǎn)懸掛裝置運(yùn)動(dòng)學(xué)分析基礎(chǔ)上，從結(jié)構(gòu)緊湊,、重心穩(wěn)定等方面分析確定了懸掛裝置的整體結(jié)構(gòu)及工作原理,。基于導(dǎo)軌式懸掛裝置與聯(lián)合收獲機(jī)和油菜直播機(jī)的適配關(guān)系,，從幅寬,、重心以及耕深匹配性對(duì)其進(jìn)行理論分析，確定了懸掛裝置作業(yè)參數(shù)和結(jié)構(gòu)參數(shù),。利用ANSYS Workbench仿真軟件對(duì)懸掛裝置進(jìn)行了自由狀態(tài)下的模態(tài)分析,，通過分析機(jī)架外部激振頻率特點(diǎn)和仿真結(jié)果，提出懸掛裝置結(jié)構(gòu)改進(jìn)方案,，優(yōu)化后裝置前6階頻率分別為54.09,、66.35、83.16,、130.01,、143.52,、174.88Hz，均不在外部激振頻率范圍內(nèi),；對(duì)優(yōu)化后的懸掛裝置進(jìn)行靜力學(xué)分析,，結(jié)果表明，懸掛裝置在提升最高點(diǎn)和作業(yè)狀態(tài)下的應(yīng)力分別為50.531,、140.56MPa,，小于許用應(yīng)力156.67MPa。田間試驗(yàn)結(jié)果表明,，整機(jī)運(yùn)行穩(wěn)定,，當(dāng)機(jī)具以前進(jìn)速度3.6km/h進(jìn)行田間試驗(yàn)時(shí)，其耕深穩(wěn)定性系數(shù)為87.42%,，碎土率為84.41%,，秸稈埋覆率為76.32%，廂面平整度為22.93mm,，各項(xiàng)試驗(yàn)指標(biāo)均滿足油菜播種質(zhì)量要求,。

摘要:針對(duì)基于離散元法的棉籽壓縮破碎過程中缺少準(zhǔn)確仿真模型的問題,，本文以新陸早84號(hào)棉籽為研究對(duì)象,，結(jié)合物理試驗(yàn)與仿真試驗(yàn)，對(duì)棉籽參數(shù)進(jìn)行標(biāo)定,?；谌S掃描技術(shù)，使用Solidworks 2022中的網(wǎng)格建模功能,，快速建立棉籽多面體模型,。采用堆積角試驗(yàn)對(duì)棉籽種間參數(shù)進(jìn)行標(biāo)定，得到棉籽-棉籽碰撞恢復(fù)系數(shù),、棉籽-棉籽靜摩擦因數(shù),、棉籽-棉籽滾動(dòng)摩擦因數(shù)的最優(yōu)參數(shù)組合為0.106、0.248,、0.105,，仿真堆積角與實(shí)際堆積角相對(duì)誤差為0.28%，證明棉籽種間參數(shù)準(zhǔn)確。通過單顆粒壓縮試驗(yàn)對(duì)Tavares模型參數(shù)進(jìn)行標(biāo)定,，以棉籽破碎力與破碎能為指標(biāo)進(jìn)行驗(yàn)證,，結(jié)果表明棉籽破碎力與破碎能相對(duì)誤差分別為2.37%和2.87%，說明構(gòu)建的棉籽模型和Tavares模型參數(shù)可以表征棉籽壓縮破碎過程,。

摘要:由于耕層殘膜回收機(jī)關(guān)鍵農(nóng)機(jī)部件設(shè)計(jì)優(yōu)化過程中缺乏準(zhǔn)確的殘膜離散元模型參數(shù),，在一定程度上制約了耕層殘膜回收機(jī)殘膜受力機(jī)理分析與機(jī)構(gòu)優(yōu)化改進(jìn)。本文以棉田耕層殘膜為研究對(duì)象,，對(duì)耕層殘膜含量和極限拉伸力進(jìn)行測定,，得到不同耕層深度、不同厚度的殘膜含量和極限拉伸力,。根據(jù)測定結(jié)果,，利用EDEM軟件選用Hertz-Mindlin with Bonding接觸模型對(duì)耕層殘膜進(jìn)行離散元模型參數(shù)標(biāo)定，選用單位面積法向剛度,、單位面積切向剛度,、臨界法向應(yīng)力、臨界切向應(yīng)力,、粘結(jié)半徑,、接觸半徑為試驗(yàn)因素。通過Plackett-Burman試驗(yàn),，確定影響B(tài)ond鍵的主要參數(shù)有單位面積法向剛度、臨界法向應(yīng)力和粘結(jié)半徑,。通過最陡爬坡試驗(yàn)和Box-Behnken試驗(yàn),，最終確定最優(yōu)的Bonding模型顯著參數(shù)單位面積法向剛度、臨界法向應(yīng)力,、粘結(jié)半徑分別為2.36×105N/m3,、6.47×104Pa、0.004mm,，對(duì)參數(shù)進(jìn)行了仿真試驗(yàn)驗(yàn)證,，誤差為5.88%，滿足要求,。通過對(duì)比物理試驗(yàn)與仿真試驗(yàn)的拉伸過程耕層殘膜狀態(tài)與拉伸曲線,，表明了耕層殘膜模型合理性，為后期耕層殘膜回收機(jī)仿真與膜土分離機(jī)理研究提供了理論支撐。

摘要:針對(duì)小麥精量播種需求以及現(xiàn)有排種器脈動(dòng)性高,、均勻性差的問題,，設(shè)計(jì)了一種4排交錯(cuò)勾齒式小麥精量排種器，利用勾齒式型孔單粒囊種,，并通過勾齒交錯(cuò)布置使下落的種子流形成交錯(cuò)有序的種子面,，減少種子間的碰撞重疊，提高種子的有序性,。通過對(duì)充種過程中小麥種子姿態(tài)分析,，確定了型孔的關(guān)鍵結(jié)構(gòu)參數(shù)和曲線輪廓。運(yùn)用離散元法EDEM,，分析了排種輪轉(zhuǎn)速和充種區(qū)域夾角對(duì)充種性能的影響規(guī)律,。仿真結(jié)果表明，排種輪轉(zhuǎn)速對(duì)充種時(shí)處于有利姿態(tài)的種子數(shù)量有顯著影響,，充種區(qū)夾角的增大有利于提高充種率,，但充種區(qū)夾角過大會(huì)造成成功充入種子掉落出型孔，降低充種性能,。在此基礎(chǔ)上,，以排種合格率、單粒率,、空穴率為指標(biāo)進(jìn)行了正交旋轉(zhuǎn)組合試驗(yàn),，獲得了最優(yōu)工作參數(shù)組合。在排種輪轉(zhuǎn)速,、充種區(qū)高度以及毛刷/排種輪轉(zhuǎn)速比分別為18r/min,、73mm、2.5條件下,，與現(xiàn)有凸齒式小麥排種器進(jìn)行對(duì)比試驗(yàn),，交錯(cuò)勾齒式小麥排種器的排量變異系數(shù)比凸齒式排種器降低0.66個(gè)百分點(diǎn)，落種過程中排出的種子交錯(cuò)有序下落,，具有更好的排種均勻性,。

摘要:針對(duì)傳統(tǒng)油菜機(jī)械離心式集排器高速作業(yè)時(shí)供種及投種能力不足,，導(dǎo)致排種量與作業(yè)速度不匹配,、排種性能不穩(wěn)定等問題，設(shè)計(jì)了一種被動(dòng)式供種,、“圓孔+漸變孔柱”組合式型孔投種的油菜高速機(jī)械離心式集排器,。構(gòu)建了供種、投種過程中的力學(xué)模型,，分析確定了影響排種性能的關(guān)鍵結(jié)構(gòu)參數(shù),；利用EDEM離散元仿真開展了供種調(diào)節(jié)高度對(duì)供種速率調(diào)節(jié)量影響的試驗(yàn)，結(jié)果表明當(dāng)供種調(diào)節(jié)高度為3~8mm時(shí),，供種速率在64.95~357.54g/min范圍內(nèi)可調(diào),；采用兩因素三水平正交試驗(yàn)分析了限種套筒下擺高度及傾角對(duì)初始種量、臨界轉(zhuǎn)速及環(huán)狀種層最大高度的影響,。通過臺(tái)架試驗(yàn)確定了較優(yōu)限種套筒結(jié)構(gòu)參數(shù),，結(jié)合高速攝影對(duì)比了5種型孔結(jié)構(gòu)下動(dòng)錐體轉(zhuǎn)速與排種量關(guān)系,，確定最優(yōu)型孔結(jié)構(gòu)為“圓孔+漸變孔柱”組合式型孔,。較優(yōu)參數(shù)組合集排器排種性能驗(yàn)證試驗(yàn)結(jié)果表明：當(dāng)轉(zhuǎn)速為115~205r/min時(shí)，排種速率為60.96~355.76g/min,，油菜各行排量一致性變異系數(shù)均低于5.2%,，總排量穩(wěn)定性變異系數(shù)均低于1.3%,，破損率低于0.5%，滿足作業(yè)速度6~12km/h時(shí)的排種量要求,。田間試驗(yàn)結(jié)果表明,，當(dāng)機(jī)組作業(yè)速度為7.89、11.98km/h時(shí),，油菜各行植株均勻性變異系數(shù)低于11%,，種植密度為43~58株/m2，滿足油菜精量播種要求,。

摘要:針對(duì)現(xiàn)有疊盤暗室育秧模式下全自動(dòng)起盤機(jī)存在起盤合格率和工作穩(wěn)定性下降,，輸送階段易造成秧苗,、秧盤損傷等問題，改進(jìn)設(shè)計(jì)一種具有軸向輔助推送秧盤功能的鉤桿式提升裝置,，并構(gòu)建仿真試驗(yàn)平臺(tái)確定影響其工作性能的主要參數(shù)及取值范圍,；確定關(guān)鍵部件循環(huán)疊盤裝置的結(jié)構(gòu)參數(shù)，建立多情形目標(biāo)評(píng)價(jià)結(jié)果函數(shù)，并通過Matlab插值法對(duì)評(píng)價(jià)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化,；采用二次旋轉(zhuǎn)正交組合試驗(yàn),，以托盤間距、橫向輸送速度,、抬起角為試驗(yàn)因素,，起盤合格率、葉損傷率,、硬盤損傷率和傷秧數(shù)為性能評(píng)價(jià)指標(biāo),，對(duì)試驗(yàn)結(jié)果進(jìn)行響應(yīng)曲面分析、回歸分析,。應(yīng)用Design-Expert 11進(jìn)行多目標(biāo)參數(shù)組合優(yōu)化,。在托盤間距為190mm、橫向輸送速度為0.20m/s,、抬起角為72°的條件下,，田間驗(yàn)證試驗(yàn)得到起盤合格率為97.5%，葉損傷率為0.52%,，硬盤損傷率0.45%,，傷秧數(shù)為9，與理論優(yōu)化值誤差小于1%,，比優(yōu)化前合格率提升5.6個(gè)百分點(diǎn),，葉損傷率降低3.5個(gè)百分點(diǎn)，減少秧苗損傷,，硬盤損傷率降低3.8個(gè)百分點(diǎn),。

摘要:針對(duì)丘陵山區(qū)三七機(jī)械化收獲挖掘阻力大和根莖損傷率高的問題，以不同鏟型挖掘鏟為研究對(duì)象,，開展三七收獲機(jī)挖掘鏟作業(yè)機(jī)理與參數(shù)優(yōu)化對(duì)比試驗(yàn),。通過理論分析與力學(xué)計(jì)算，確定各鏟型挖掘鏟主要結(jié)構(gòu)參數(shù),，并通過Solidworks建立挖掘鏟三維模型,。開展4種鏟型挖掘鏟的位移流向仿真對(duì)比試驗(yàn)，追蹤根莖顆粒和土壤顆?？臻g運(yùn)動(dòng)軌跡,，獲得三軸位移分部,，表明野豬頭部仿生曲線特殊的曲率變化對(duì)破土阻力有顯著影響，仿生鏟面通過改變土壤顆粒流動(dòng)方向,，從而降低挖掘阻力,。利用Design-Expert 13軟件，以挖掘鏟鏟長,、鏟寬和鏟刃傾角為試驗(yàn)因素,，以挖掘阻力為試驗(yàn)指標(biāo)進(jìn)行組合試驗(yàn)，得到最優(yōu)作業(yè)參數(shù)組合為：鏟長354mm,、鏟寬40mm,、鏟刃傾角70°，在該組合下平均挖掘阻力為439.75N,。開展高速攝影試驗(yàn),，獲取三七根莖和土壤運(yùn)動(dòng)軌跡，結(jié)果表明三七根莖和土壤顆粒運(yùn)動(dòng)趨勢與仿真試驗(yàn)一致,，驗(yàn)證離散元模型可靠性,。搭建試驗(yàn)臺(tái)架，以入土角,、鏟片間距和挖掘速度作為試驗(yàn)因素,，以挖掘阻力作為試驗(yàn)指標(biāo)進(jìn)行正交試驗(yàn)，得到不同工作參數(shù)對(duì)挖掘阻力影響的主次順序?yàn)槿胪两?、鏟片間距,、挖掘速度，最優(yōu)工作參數(shù)組合為入土角15°,、鏟片間距80mm,、挖掘速度0.4m/s。綜合評(píng)估挖掘鏟減黏降阻性能,，仿生式挖掘鏟作業(yè)效果最優(yōu),。

摘要:針對(duì)辣椒機(jī)械化脫帽存在的辣椒損傷大,、辣椒蒂去除不凈等問題,，結(jié)合辣椒物理力學(xué)特性及機(jī)械化加工要求，設(shè)計(jì)了一種對(duì)輥式干辣椒脫帽裝置,。該裝置關(guān)鍵部件包括滾筒,、脫帽輥和篩網(wǎng)3部分，采用旋轉(zhuǎn)滾筒和回轉(zhuǎn)輥軸的方式實(shí)現(xiàn)辣椒脫帽,。通過對(duì)脫帽裝置工作過程分析,，確定了去除辣椒蒂的臨界條件。借助辣椒受力及運(yùn)動(dòng)特征研究,，確定了滾筒及脫帽輥的關(guān)鍵參數(shù),。滾筒直徑為1.8m、長度為6.0m,、轉(zhuǎn)速為28.83r/min,，脫帽輥的直徑為36.0mm、間隙為0.5mm,、轉(zhuǎn)速為134.21r/min,。通過對(duì)篩面利用系數(shù)分析，確定了篩分效率較高的方形篩網(wǎng),，且篩面利用系數(shù)為60.5％,。通過Design-Expert 12軟件進(jìn)行試驗(yàn)設(shè)計(jì)及數(shù)據(jù)處理，明確了滾筒轉(zhuǎn)速,、脫帽輥轉(zhuǎn)速對(duì)損傷率,、脫凈率的影響規(guī)律，并確定了較優(yōu)參數(shù)組合,，為辣椒機(jī)械化加工技術(shù)及裝備研發(fā)提供理論依據(jù),。試驗(yàn)結(jié)果表明，該裝置損傷率為0.6%,，脫凈率為98.8%,，符合行業(yè)標(biāo)準(zhǔn)且滿足辣椒機(jī)械加工要求。

摘要:飼草收獲機(jī)作物喂入矢角（輥（葉片）軸心至喂入點(diǎn)矢徑的水平夾角）對(duì)切碎輥轉(zhuǎn)矩負(fù)荷及切碎性能有重要影響,，通過檢測傳動(dòng)帶壓力與作物喂入矢角的關(guān)系,，對(duì)收獲機(jī)切碎特性與作物切碎過程進(jìn)行了運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)分析,，揭示了飼草作物切碎質(zhì)量,、能耗與作物喂入矢角的關(guān)系，建立收獲機(jī)切碎輥?zhàn)魑镂谷胧附菙?shù)學(xué)模型并進(jìn)行了優(yōu)化,。試驗(yàn)結(jié)果表明,，當(dāng)優(yōu)化參數(shù)組作物單位長度喂入量為5.5kg/s、切碎輥轉(zhuǎn)速為1600r/min,、傳動(dòng)帶初始?jí)毫?.2MPa時(shí),，該作業(yè)參數(shù)組下切碎作物喂入矢角數(shù)學(xué)模型精度最高,，準(zhǔn)確率達(dá)79.52%，模型偏差為0.491MPa（0.957rad）,，能夠有效表征鍘草機(jī)切碎作業(yè)負(fù)荷,，同時(shí)在保證作物切碎質(zhì)量下提高了鍘草機(jī)作業(yè)能力，優(yōu)化的切碎喂入矢角模型下切碎擾動(dòng)響應(yīng)時(shí)間縮短約26.41%,，單位作業(yè)能耗減小約11.36%,。該切碎作物喂入矢角模型豐富了鍘草機(jī)切碎作業(yè)的建模方法，為飼草作物類鍘草機(jī)負(fù)荷控制系統(tǒng)設(shè)計(jì)提供了參考,。

摘要:過流邊界形態(tài)隨磨損時(shí)間的變化對(duì)客觀真實(shí)地反映雙吸離心泵磨損特性及磨損形貌至關(guān)重要,。采用歐拉-拉格朗日方法,，配合磨損壁面幾何重構(gòu)的動(dòng)態(tài)邊界法，對(duì)黃河平均含沙量及粒徑下甘肅省景泰川泵站雙吸離心泵進(jìn)行固液兩相流計(jì)算,，結(jié)合實(shí)驗(yàn)數(shù)據(jù),，預(yù)測了該泵葉片漸進(jìn)磨損特性，分析了葉片磨損機(jī)理及壁面幾何形貌變化對(duì)泵性能影響,。結(jié)果表明：以沖擊角函數(shù)最大值對(duì)應(yīng)沖擊角α0為閾值,，小于α0磨損形貌呈類圓形凹坑，大于α0磨損形貌呈溝槽狀,，沖擊角在50°~75°范圍且沖擊速度高的葉片區(qū)域磨損率大,，葉片磨損程度嚴(yán)重；根據(jù)該泵水力性能損失率變化特性,，將預(yù)測期劃分為3個(gè)階段,，磨損率在初期增長率最大，但在數(shù)量級(jí)上遠(yuǎn)小于中,、后期,，使前1000h磨損階段揚(yáng)程損失率、效率損失率,、葉片質(zhì)量損失率均小于其他階段,；上述3個(gè)參數(shù)的增長均呈初期慢、中期快,、后期減緩的趨勢,，最大增長率均在磨損中期，參數(shù)變化曲線斜率分別為1.51×10-3,、1.97×10-3,、4.12×10-3,，在1000~6000h磨損時(shí)長范圍內(nèi)，磨損導(dǎo)致雙吸離心泵性能下降最快,。

摘要:保護(hù)集中連片的優(yōu)質(zhì)耕地對(duì)于保障國家糧食安全具有重要意義,。本文以江西省興國縣為例，從耕地的自然質(zhì)量,、立地條件,、生態(tài)條件3個(gè)層面系統(tǒng)構(gòu)建耕地綜合質(zhì)量評(píng)價(jià)指標(biāo)體系；基于TOPSIS(Technique for order preference by similarity to an ideal solution)綜合評(píng)價(jià)法對(duì)耕地綜合質(zhì)量進(jìn)行評(píng)價(jià),，引入耕地連片度,、耕地空間連通格局分析了耕地空間集聚特征,綜合耕地質(zhì)量及其連通特征劃定永久基本農(nóng)田。結(jié)果表明：從耕地綜合質(zhì)量來看,，興國縣耕地質(zhì)量由高到低劃分為4個(gè)質(zhì)量等級(jí),，面積分別為6204.95、16.03172,、19321.79,、3573.76hm2，占總耕地面積的13.75%,、35.52%,、42.81%、7.92%,?？傮w來看，興國縣中等質(zhì)量耕地居多,，占比為78.33%,。從耕地連通性來看，興國縣耕地連片程度由高到低劃分為5個(gè)等級(jí),，其中一級(jí)~五級(jí)連片耕地面積分別為24731.44,、6199.73、3131.54,、7397.71,、3671.80hm2,，分別占耕地總面積的54.80%、13.73%,、6.94%,、16.39%、8.14%,，耕地存在不同程度破碎化,。將耕地質(zhì)量三等以上、連片程度四級(jí)以上耕地劃入基本農(nóng)田,，面積為37029.62hm2,，占耕地總面積的82.05%，與原有劃定基本農(nóng)田相比,，實(shí)現(xiàn)了劃定后永久基本農(nóng)田“總體穩(wěn)定,、布局優(yōu)化、質(zhì)量有提升”的目標(biāo),。

摘要:為量化不同面積與形狀的地塊機(jī)械耕作效率差異,，科學(xué)評(píng)價(jià)土地整治在機(jī)械旋耕效率提升方面的潛力,，設(shè)計(jì)一套標(biāo)準(zhǔn)田塊，選取69.83kW東方紅LX950型拖拉機(jī)配套旋耕機(jī)進(jìn)行耕作,，工作寬幅為200cm,，采用田間實(shí)驗(yàn)法對(duì)不同面積梯度和形狀的地塊進(jìn)行機(jī)械旋耕效率測算,并在此基礎(chǔ)上，基于區(qū)域尺度建立地塊面積,、形狀與機(jī)械旋耕效率的耦合關(guān)系及函數(shù)模型,，修正后得到區(qū)域尺度機(jī)械旋耕效率。結(jié)果表明：地塊形狀的規(guī)則程度影響機(jī)械旋耕效率,，形狀越規(guī)整,，機(jī)械旋耕效率越高。在相同的面積梯度上,，矩形地塊機(jī)械旋耕效率最高,，梯形地塊次之，直角三角形地塊最低,。隨著地塊面積的增大,，機(jī)械旋耕效率不斷增加，當(dāng)?shù)貕K面積達(dá)到一定程度時(shí)，機(jī)械旋耕效率趨于穩(wěn)定,。當(dāng)?shù)貕K面積超過7000m2時(shí),，機(jī)械旋耕效率基本保持不變，矩形,、梯形地塊機(jī)械旋耕效率較高,，維持在0.25s/m2，其他形狀地塊機(jī)械旋耕效率較低,，維持在0.30s/m2左右,。案例區(qū)地塊單元水平的機(jī)械旋耕效率為0.27s/m2。其中,，中低效地塊單元數(shù)量最少,，占比7.10%；高效地塊單元數(shù)量最多,，占比58.24%。案例區(qū)西部機(jī)械旋耕效率大于東部,，主要由于東部區(qū)域土地細(xì)碎化程度高于西部區(qū)域,，地塊單元面積較小，形狀也不盡規(guī)則,，從而極大地降低了區(qū)域機(jī)械旋耕效率,。實(shí)驗(yàn)結(jié)果表明，面積大于7000m2地塊是大型機(jī)械化耕作的適宜耕作規(guī)模,，地塊面積與形狀規(guī)則程度均影響機(jī)械旋耕效率,，土地整治工程在擴(kuò)大地塊面積的同時(shí)也需保證地塊形狀的規(guī)則化程度。

摘要:油茶作為江西省經(jīng)濟(jì)林樹種之一,，也是江西省特色優(yōu)勢產(chǎn)業(yè),，準(zhǔn)確獲取其空間分布在產(chǎn)量估算、生產(chǎn)管理和政策制定等方面具有重要意義,。本研究針對(duì)南方多云多雨氣候?qū)е鹿鈱W(xué)影像不足,，以及丘陵山區(qū)地形破碎問題，以江西省宜春市袁州區(qū)為研究區(qū),，采用時(shí)序Sentinel系列影像數(shù)據(jù)和SRTM DEM數(shù)據(jù)為數(shù)據(jù)源,，構(gòu)建和優(yōu)選了光譜特征、植被-水體指數(shù),、紅邊指數(shù),、雷達(dá)特征、地形特征和紋理特征共125個(gè)特征變量，其中,，紋理特征采用累計(jì)差法(Δf)對(duì)比15種不同尺度窗口,，計(jì)算Sentinel-1和Sentinel-2影像最佳紋理特征?；赗eliefF特征優(yōu)選算法和隨機(jī)森林分類算法,，設(shè)計(jì)了8種特征組合方案開展實(shí)驗(yàn)，探討不同特征類型對(duì)油茶提取精度的影響,。結(jié)果表明：利用累計(jì)差法計(jì)算出的Sentinel-1和Sentinel-2的最佳紋理特征窗口尺寸均為35×35,，最佳紋理特征組合為均值(Mean)、方差(Variance)和對(duì)比度(Contrast),；在光譜特征,、植被-水體指數(shù)的基礎(chǔ)上加入不同特征對(duì)油茶進(jìn)行分類，不同類型特征對(duì)油茶提取的有利程度由大到小依次為S2紋理特征,、S1紋理特征,、地形特征、雷達(dá)特征,、紅邊指數(shù),，相比于單一光譜和指數(shù)特征，紋理特征的加入可大幅度提高分類精度,。多特征協(xié)同分類結(jié)果優(yōu)于單特征分類結(jié)果,，基于特征優(yōu)選的油茶提取精度最高；基于ReliefF算法特征優(yōu)選后的方案精度最高,，總體精度為88.29%,，Kappa系數(shù)為0.81。本研究利用時(shí)序Sentinel系列遙感影像和DEM地形數(shù)據(jù),，構(gòu)建了針對(duì)多云雨南方丘陵山區(qū)的大范圍油茶遙感提取方法,，可為中國南方丘陵區(qū)域油茶資源調(diào)查與監(jiān)測提供參考。

摘要:為減弱冠層幾何結(jié)構(gòu)等因素對(duì)傳感器探測到的冠層日光誘導(dǎo)葉綠素?zé)晒猓⊿olar-induced chlorophyll fluorescence，SIF）的影響,，探討了條銹病脅迫下紅光波段熒光（Red SIF,，RSIF）的響應(yīng)特性,，并以RSIF為自變量構(gòu)建了小麥條銹病遙感監(jiān)測的線性回歸（Simple linear regression，SLR）及非線性回歸（Non-linear regression,，NLR）模型,。結(jié)果表明：葉片尺度RSIF在小麥條銹病遙感監(jiān)測中具有較大優(yōu)勢，其與小麥條銹病病情嚴(yán)重度（Severity level,，SL）間相關(guān)系數(shù)較遠(yuǎn)紅光波段SIF（Far-red SIF,，F(xiàn)RSIF）提高132%，以葉片尺度RSIF為自變量構(gòu)建的SLR及NLR模型預(yù)測DSL與實(shí)測DSL之間R2較FRSIF分別增加9.8%,、38.9%,，RMSE分別降低23.1%、36.4%,。此外,，降尺度處理能夠提高RSIF監(jiān)測小麥條銹病的精度，葉片尺度RSIF與DSL之間R2較冠層尺度增加126.3%,，以葉片尺度RSIF為自變量構(gòu)建的SLR和NLR模型預(yù)測DSL與實(shí)測DSL間R2較冠層尺度分別提高114.3%和233.3%,，RMSE分別降低16.7%、15.4%,。本文提出方法可提高小麥條銹病遙感監(jiān)測精度,，同時(shí)對(duì)其它脅迫的遙感監(jiān)測具有一定的參考價(jià)值。

摘要:為快速,、準(zhǔn)確地估測小麥產(chǎn)量,，有效提高育種工作效率，本文以小麥品系為研究對(duì)象,，收集小麥灌漿期無人機(jī)高光譜數(shù)據(jù)和產(chǎn)量數(shù)據(jù),。首先基于遞歸特征消除法篩選出特征波長作為模型輸入變量，然后利用嶺回歸（Ridge regression,，RR）,、偏最小二乘回歸（Partial least squares regression，PLS）,、多元線性回歸（Multiple linear regression,，MLR）3種線性算法和隨機(jī)森林（Random forest，RF）,、梯度提升回歸（Gradient boosting regression,，GBR）、極限梯度提升（eXtreme gradient boosting，XGB）,、高斯過程回歸（Gaussian process regression,，GPR）、支持向量回歸（Support vector regression,，SVR）,、K最鄰近算法（K-nearest neighbor，KNN）6種非線性算法構(gòu)建單一算法產(chǎn)量估測模型并進(jìn)行精度比較,，最后基于Stacking算法構(gòu)建多模型集成組合,，篩選最佳集成模型。結(jié)果表明,，基于不同算法的產(chǎn)量估測模型精度差異顯著,，非線性模型優(yōu)于線性模型，基于GBR的產(chǎn)量估測模型在單一模型中表現(xiàn)最優(yōu),，訓(xùn)練集R2為0.72,，RMSE為534.49kg/hm2，NRMSE為11.10%,，測試集R2為0.60,，RMSE為628.73kg/hm2，NRMSE為13.88%,?；赟tacking算法構(gòu)建的集成模型性能與初級(jí)模型和次級(jí)模型的選擇密切相關(guān)，以KNN,、RR,、SVR為初級(jí)模型組合，GBR為次級(jí)模型的集成模型有效提高了估測精度,，相比單一模型GBR,，訓(xùn)練集R2提高1.39%，測試集R2提高3.33%,。本研究可為基于高光譜技術(shù)的小麥品系產(chǎn)量估測提供應(yīng)用參考,。

摘要:針對(duì)目前自然環(huán)境下棗品種識(shí)別準(zhǔn)確率較低的問題,，提出了一種基于注意力機(jī)制和多語義特征增強(qiáng)的棗品種識(shí)別模型（ICBAM_MSFE_Res50）,。該模型在ResNet-50基礎(chǔ)上，引入改進(jìn)注意力機(jī)制（Improved convolutional block attention module,， ICBAM）,，ICBAM采用一維卷積和多尺度空洞卷積對(duì)卷積塊注意力模塊（CBAM）進(jìn)行改進(jìn),，消除了特征圖降維時(shí)的信息損失，降低了模型計(jì)算量和參數(shù)量,，提高了模型對(duì)棗果區(qū)域細(xì)粒度特征的提取能力,。同時(shí)，提出了多語義特征增強(qiáng)（Multi semantic feature enhancement,，MSFE）模塊,，該模塊通過棗果區(qū)域定位算法提取更多棗果局部顯著特征，并采用顯著性特征抑制算法迫使模型學(xué)習(xí)棗果次要特征,，從而達(dá)到棗果多種語義特征學(xué)習(xí),。實(shí)驗(yàn)結(jié)果表明，在20類棗品種數(shù)據(jù)集上,，本文模型準(zhǔn)確率為92.20%,，與ResNet-50相比，提高4.26個(gè)百分點(diǎn),。對(duì)比AlexNet,、VGG-16、ResNet-18,、InceptionV3模型,，準(zhǔn)確率分別提高15.84、9.22,、6.86,、3.55個(gè)百分點(diǎn)。對(duì)比其他棗品種識(shí)別方法,，本文方法在20種棗品種識(shí)別中表現(xiàn)最優(yōu),，可為自然環(huán)境下棗品種識(shí)別研究提供參考。

摘要:為實(shí)現(xiàn)大田復(fù)雜背景下小麥小穗赤霉病快速準(zhǔn)確識(shí)別,，構(gòu)建了包含冬小麥開花期、灌漿期和成熟期3個(gè)生育期共計(jì)640幅的小麥赤霉病圖像數(shù)據(jù)集,，并提出一種基于改進(jìn)YOLO v8s的小麥小穗赤霉病識(shí)別方法,。首先，利用全維動(dòng)態(tài)卷積ODConv替換主干網(wǎng)絡(luò)中的標(biāo)準(zhǔn)Conv,，提高網(wǎng)絡(luò)對(duì)目標(biāo)區(qū)域特征的提??；然后，在Neck網(wǎng)絡(luò)使用改進(jìn)Efficient RepGFPN特征融合網(wǎng)絡(luò)實(shí)現(xiàn)低層特征與高層語義信息的融合,，使模型能夠提取更豐富的特征信息,；最后，采用EIoU損失函數(shù)替換CIoU損失函數(shù),，加快模型收斂速度,，進(jìn)一步提高模型準(zhǔn)確率，實(shí)現(xiàn)對(duì)小麥小穗赤霉病的快速,、準(zhǔn)確識(shí)別,。在自建的數(shù)據(jù)集上進(jìn)行模型驗(yàn)證，結(jié)果表明,，改進(jìn)模型（OCE-YOLO v8s）對(duì)小麥小穗赤霉病的檢測精度達(dá)到98.3%,，相比原模型提高2個(gè)百分點(diǎn)；與Faster R-CNN,、CenterNet,、YOLO v5s、YOLO v6s,、YOLO v7模型相比分別提高36,、25.7、2.1,、2.6,、3.9個(gè)百分點(diǎn)。提出的OCE-YOLO v8s模型能有效實(shí)現(xiàn)小麥小穗赤霉病精確檢測,，可為大田環(huán)境下農(nóng)作物病蟲害實(shí)時(shí)監(jiān)測提供參考,。

摘要:針對(duì)玉米種質(zhì)資源遺傳多樣性豐富導(dǎo)致雄穗大小,、形態(tài)結(jié)構(gòu)及顏色呈現(xiàn)較大差異，無人機(jī)搭載可見光傳感器相比地面采集圖像分辨率低,，以及圖像中部分雄穗過小,、與背景相似度高、被遮擋,、相互交錯(cuò)等情況帶來的雄穗檢測精度低的問題,，提出了一種改進(jìn)YOLO v7-tiny模型的玉米種質(zhì)資源雄穗檢測方法。該方法通過在YOLO v7-tiny中引入SPD-Conv模塊和VanillaBlock模塊,，以及添加ECA-Net模塊的方式,，增強(qiáng)模型對(duì)雄穗特征的提取能力,。利用自建的玉米種質(zhì)資源雄穗數(shù)據(jù)集，訓(xùn)練并測試改進(jìn)模型,。結(jié)果表明,，改進(jìn)YOLO v7-tiny的平均精度均值為94.6%，相比YOLO v7-tiny提升1.5個(gè)百分點(diǎn),，相比同等規(guī)模的輕量級(jí)模型YOLO v5s,、YOLO v8s分別提升1.0、3.1個(gè)百分點(diǎn),，顯著降低了圖像中雄穗漏檢及背景誤檢為雄穗的發(fā)生,，有效減少了單穗誤檢為多穗和交錯(cuò)狀態(tài)下雄穗個(gè)數(shù)誤判的情況。改進(jìn)YOLO v7-tiny模型內(nèi)存占用量為17.8MB,，推理速度為231f/s,。本文方法在保證模型輕量化的前提下提升了雄穗檢測精度，為玉米種質(zhì)資源雄穗實(shí)時(shí),、精準(zhǔn)檢測提供了技術(shù)支撐,。

摘要:針對(duì)基于圖像的稻瘟病現(xiàn)場檢測技術(shù)依賴先驗(yàn)知識(shí)且受制于算力與田間網(wǎng)絡(luò)狀況,，無法實(shí)現(xiàn)自適應(yīng)實(shí)時(shí)檢測的問題，提出一種可利用現(xiàn)場可編程門陣列(Field programmable gate array, FPGA)加速的Mask R-CNN(Mask region-based convolutional neural network)稻瘟病高通量自適應(yīng)快速識(shí)別模型,。首先將骨干網(wǎng)絡(luò)改進(jìn)為MobileNetV2,，利用其倒殘差模塊降低計(jì)算量，提高模型并行處理能力,；隨后增加用于稻瘟病多尺度特征融合的特征金字塔網(wǎng)絡(luò)模塊,，使模型具備多尺度自適應(yīng)處理能力；最后由全卷積網(wǎng)絡(luò)(Fully convolutional network,FCN)分支輸出稻瘟病病斑的實(shí)例分割,，同時(shí)使用交叉熵?fù)p失函數(shù)完成稻瘟病的定位與分類,。稻瘟病實(shí)測數(shù)據(jù)集對(duì)模型的驗(yàn)證結(jié)果表明：當(dāng)輸入為全高清圖像時(shí)，模型平均推理時(shí)間減少至85ms,，相較GPU服務(wù)器、同級(jí)別GPU邊緣計(jì)算平臺(tái),，速度分別提高86.2%,、63.0%。在交并比為0.6時(shí),，準(zhǔn)確率可達(dá)98.0%,，病斑捕獲能力平均提升21.2%,。提出的Mask R-CNN自適應(yīng)快速識(shí)別模型能夠在田間惡劣網(wǎng)絡(luò)狀況下實(shí)現(xiàn)稻瘟病的快速現(xiàn)場檢測，具有更好的抗噪能力和魯棒性能,，為水稻病害實(shí)時(shí)檢測,、察打一體提供了高效實(shí)時(shí)的片上系統(tǒng)方案。

摘要:針對(duì)規(guī)?；\養(yǎng)肉鴨舍內(nèi)死鴨識(shí)別采用人工作業(yè)方式時(shí)，存在作業(yè)效率低,、勞動(dòng)強(qiáng)度大,、養(yǎng)殖成本高等問題，以層疊式籠養(yǎng)肉鴨為研究對(duì)象,，提出了一種基于深度學(xué)習(xí)的籠養(yǎng)死鴨識(shí)別方法,。為了采集數(shù)據(jù)，首先面向立體層疊式養(yǎng)殖環(huán)境設(shè)計(jì)了一款適用于肉鴨舍的自主巡檢裝備,。針對(duì)籠養(yǎng)肉鴨舍鐵絲網(wǎng)遮擋嚴(yán)重的問題,，基于機(jī)器視覺對(duì)籠網(wǎng)進(jìn)行修復(fù)，基于OpenCV對(duì)圖像進(jìn)行增強(qiáng)處理,。構(gòu)建了一種基于Mask R-CNN的死鴨識(shí)別模型,，采用Swin Transformer對(duì)模型進(jìn)行優(yōu)化，解決了Mask R-CNN網(wǎng)絡(luò)缺乏整合全局信息能力的問題,。對(duì)比分析了SOLO v2,、Mask R-CNN和Mask R-CNN+Swin Transformer模型識(shí)別籠內(nèi)死鴨準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明,，在平均精度均值為90%的條件下,，Mask R-CNN+Swin Transformer模型對(duì)籠內(nèi)死鴨總體識(shí)別準(zhǔn)確率可達(dá)95.8%，在自主巡檢裝備上的檢測效果優(yōu)于其他主流的目標(biāo)檢測算法,。

摘要:針對(duì)基于花紋的奶牛個(gè)體識(shí)別中純色或花紋較少的奶牛識(shí)別準(zhǔn)確率較低的問題，本文提出一種基于步態(tài)特征的奶牛個(gè)體識(shí)別方法,。首先,，將DeepLabv3+語義分割算法的主干網(wǎng)絡(luò)替換為MobileNetv2網(wǎng)絡(luò)，并引入基于通道和空間的CBAM注意力機(jī)制,，利用改進(jìn)后模型分割出奶牛的剪影圖,。然后,，將三維卷積神經(jīng)網(wǎng)絡(luò)（3D CNN）和雙向長短期記憶網(wǎng)絡(luò)（BiLSTM）構(gòu)建為3D CNN-BiLSTM網(wǎng)絡(luò)，并進(jìn)一步集成自適應(yīng)時(shí)間特征聚合模塊（ATFA）生成3D CNN-BiLSTM-ATFA奶牛個(gè)體識(shí)別模型,。最后,，在30頭奶牛的共1242條視頻數(shù)據(jù)集上進(jìn)行了奶牛個(gè)體識(shí)別實(shí)驗(yàn)。結(jié)果表明,，改進(jìn)后DeepLabv3+算法的平均像素準(zhǔn)確率,、平均交并比、準(zhǔn)確率分別為99.02%,、97.18%和99.71%,。采用r3d_18作為3D CNN-BiLSTM-ATFA的主干網(wǎng)絡(luò)效果最優(yōu)?；诓綉B(tài)的奶牛個(gè)體識(shí)別平均準(zhǔn)確率,、靈敏度和精確度分別為94.58%、93.47%和95.94%,。奶牛軀干和腿部不同部位進(jìn)行加權(quán)特征融合的個(gè)體識(shí)別實(shí)驗(yàn)表明識(shí)別準(zhǔn)確率還可進(jìn)一步提高,。奶牛跛足對(duì)步態(tài)識(shí)別效果影響較為明顯，實(shí)驗(yàn)期間由健康變?yōu)轷俗愫鸵恢滨俗愕哪膛€(gè)體識(shí)別準(zhǔn)確率分別為89.39%和92.61%,。本文研究結(jié)果可為奶牛的智能化個(gè)體識(shí)別提供技術(shù)參考,。

摘要:羊只站立,、行走,、采食等日常行為與其健康狀況密切相關(guān)，高效,、準(zhǔn)確的羊只行為識(shí)別有助于疾病檢測,，對(duì)實(shí)現(xiàn)羊只健康預(yù)警具有重要意義。針對(duì)目前羊只多行為識(shí)別檢測大多基于傳感器等接觸式設(shè)備,，羊只活動(dòng)受限,，行為具有局限性，且群體養(yǎng)殖環(huán)境下,，羊只行為多樣,、場景復(fù)雜、存在遮擋等造成的行為識(shí)別精度低等問題，提出了一種基于改進(jìn)YOLO v8s的羊只行為識(shí)別方法,。首先，引入SPPCSPC空間金字塔結(jié)構(gòu)增強(qiáng)了模型的特征提取能力,，提升了模型的檢測精度,。其次，新增P2小目標(biāo)檢測層,，增強(qiáng)了模型對(duì)小目標(biāo)的識(shí)別和定位能力,。最后，引入多尺度輕量化模塊PConv和EMSConv,，在保證模型識(shí)別效果的同時(shí),，降低了模型參數(shù)量和計(jì)算量，實(shí)現(xiàn)了模型輕量化,。實(shí)驗(yàn)結(jié)果表明,，改進(jìn)YOLO v8s模型對(duì)羊只站立、行走,、采食,、飲水、趴臥行為平均識(shí)別精度分別為84.62%,、92.58%,、87.54%、98.13%和87.18%,，整體平均識(shí)別精度為90.01%,。與Faster R-CNN、YOLO v5s,、YOLO v7,、YOLO v8s模型相比，平均識(shí)別精度分別提高12.03,、3.95,、1.46、2.19個(gè)百分點(diǎn),。研究成果可為羊只健康管理和疾病預(yù)警提供技術(shù)支撐,。

摘要:為精準(zhǔn)判別作物需水程度,，以生長期辣椒為實(shí)驗(yàn)樣本，對(duì)辣椒進(jìn)行不同程度的水浸、干旱等水分脅迫處理,，分析不同水分脅迫程度下辣椒葉片的高光譜響應(yīng)特性,。樣本分為重度干旱、輕度干旱,、輕度水浸,、重度水浸等4個(gè)水分脅迫組和一個(gè)實(shí)驗(yàn)對(duì)照組，共5個(gè)數(shù)據(jù)組,，每組20株辣椒,，待各組葉片外觀出現(xiàn)明顯差異時(shí)，分別采集各組辣椒葉片的葉綠素?zé)晒鈪?shù)與高光譜數(shù)據(jù),。比較多元散射校正（MSC）,、SG卷積平滑濾波和標(biāo)準(zhǔn)正態(tài)變換（SNV）3種不同的預(yù)處理方法對(duì)背景信息干擾的消除效果。采用SPA算法和CARS算法提取對(duì)水分脅迫敏感的特征波長,。建立預(yù)測辣椒葉片不同水分脅迫程度的支持向量機(jī)（SVM）,、BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)（RBF）和隨機(jī)森林（RF）模型,。結(jié)果說明,，SG-SPA-RFB為預(yù)測辣椒葉片水分脅迫程度的最優(yōu)組合，其訓(xùn)練集準(zhǔn)確率為99.02%,，測試集準(zhǔn)確率為94.00%,。本研究為判斷辣椒植株水分脅迫狀態(tài)提供了一種便捷可靠的無損檢測方法。

摘要:虛擬水流動(dòng)是水資源在空間上再分配的一種重要表現(xiàn)形式,，作為虛擬水的載體，糧食貿(mào)易運(yùn)輸過程中伴隨著虛擬水的流動(dòng),。中國人口和資源與糧食生產(chǎn)呈現(xiàn)明顯的空間錯(cuò)位,，虛擬水流動(dòng)格局、水土資源分布,、經(jīng)濟(jì)社會(huì)發(fā)展情況的空間匹配度較差,。在現(xiàn)階段虛擬水-實(shí)體水耦合分析探究糧食虛擬水流動(dòng)資源環(huán)境效應(yīng)的基礎(chǔ)上，增添其對(duì)經(jīng)濟(jì)社會(huì)的影響效應(yīng)分析,，可以進(jìn)一步優(yōu)化資源調(diào)配,，促進(jìn)區(qū)域可持續(xù)發(fā)展,。本研究以中國大陸31省份為研究區(qū)，以省級(jí)行政區(qū)劃為研究單元,，分析了1997—2021年間糧食虛擬水流動(dòng)的時(shí)空演變格局,；通過空間聚類分析以及虛擬水-經(jīng)濟(jì)社會(huì)化數(shù)據(jù)耦合分析明確了糧食虛擬水調(diào)運(yùn)的空間聚類情況，解析了主要輸入和輸出省份糧食虛擬水的調(diào)運(yùn)量與經(jīng)濟(jì)社會(huì)發(fā)展的相關(guān)關(guān)系,；選取9個(gè)主要經(jīng)濟(jì)社會(huì)影響因子,，將灰色關(guān)聯(lián)度和集對(duì)分析方法結(jié)合探討了經(jīng)濟(jì)社會(huì)影響因子對(duì)糧食虛擬水流動(dòng)影響效應(yīng)的空間差異。結(jié)果表明：糧食虛擬水流動(dòng)總體呈現(xiàn)從“缺水”的北方流向“富水”的東南區(qū)域,，從經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)流向經(jīng)濟(jì)發(fā)達(dá)地區(qū)的趨勢，且經(jīng)濟(jì)社會(huì)系統(tǒng)在一定程度上影響了糧食虛擬水的流動(dòng),。根據(jù)經(jīng)濟(jì)社會(huì)因子對(duì)不同省份糧食虛擬水流動(dòng)的影響效應(yīng),，將各省份糧食虛擬水流動(dòng)的經(jīng)濟(jì)社會(huì)關(guān)聯(lián)類型劃分為產(chǎn)業(yè)關(guān)聯(lián)型、社會(huì)關(guān)聯(lián)型和資源關(guān)聯(lián)型,。綜上,，促進(jìn)區(qū)域間協(xié)調(diào)發(fā)展與產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化將是解決我國糧食虛擬水流動(dòng)伴生的自然環(huán)境與經(jīng)濟(jì)社會(huì)負(fù)反饋效應(yīng)的重要解決途徑。

摘要:土壤鹽漬化和耕地質(zhì)量下降嚴(yán)重制約新疆綠洲灌溉農(nóng)業(yè)可持續(xù)發(fā)展,，研究土壤理化性狀與鹽分離子分布特征是鹽堿地改良與綜合利用和綠洲灌溉農(nóng)業(yè)高質(zhì)量發(fā)展的前提和基礎(chǔ)。以北疆瑪納斯河灌區(qū),、南疆阿克蘇河灌區(qū)和喀什噶爾河灌區(qū)（阿克蘇-喀什噶爾河灌區(qū)）為研究對(duì)象,，定量分析了土壤（0~500cm）養(yǎng)分含量、含鹽量及其離子組成分布特征,。結(jié)果表明：瑪納斯河灌區(qū)和阿克蘇-喀什噶爾河灌區(qū)土壤有機(jī)質(zhì),、堿解氮、有效磷,、速效鉀,、全氮含量均呈現(xiàn)隨土層深度增加而逐漸降低的趨勢。瑪納斯河灌區(qū)表層土壤（0~30cm）和0~100cm土層土壤有機(jī)質(zhì),、堿解氮,、速效鉀、全氮含量和pH值平均值高于阿克蘇-喀什噶爾河灌區(qū),，100~500cm土層土壤有機(jī)質(zhì),、堿解氮,、速效鉀、全氮含量平均值低于阿克蘇-喀什噶爾河灌區(qū),。阿克蘇-喀什噶爾河灌區(qū)表層土壤（0~30cm）全鹽量和電導(dǎo)率平均值比瑪納斯河灌區(qū)分別高21.14%和8.53%,，60~100cm土層比瑪納斯河灌區(qū)分別低17.55%和16.50%。瑪納斯河灌區(qū)和阿克蘇-喀什噶爾河灌區(qū)土壤陽離子均以Na+和Ca2+為主,，陰離子均以SO2-4,、Cl-為主，Na+和SO2-4分別為瑪納斯河灌區(qū)和阿克蘇-喀什噶爾河灌區(qū)含量最高的鹽基離子?，敿{斯河灌區(qū)表層土壤（0~30cm）53.85%屬于鹽漬土,，30~60cm土層50.00%屬于中度和重度鹽漬土，60~100cm土層25.00%屬于重度鹽漬土,，硫酸鹽型鹽漬土占主導(dǎo)地位,，其次是氯化物-硫酸鹽型鹽漬土。阿克蘇-喀什噶爾河灌區(qū)表層土壤（0~30cm）78.26%屬于鹽漬土,，其中重度鹽漬土占比最高,，30~60cm土層60.86%屬于輕度和重度鹽漬土，60~100cm土層39.13%屬于非鹽漬土,，氯化物-硫酸鹽型鹽漬土占比最高,，其次是硫酸鹽型鹽漬土。研究結(jié)果可為新疆綠洲灌區(qū)鹽堿地綜合利用和作物精準(zhǔn)施肥提供科學(xué)依據(jù),。

摘要:黃河流域甘肅段作為我國重要水源涵養(yǎng)區(qū)和北方防沙帶建設(shè)區(qū),，掌握其植被變化及驅(qū)動(dòng)力對(duì)流域生態(tài)保護(hù)和高質(zhì)量發(fā)展具有重要意義?；?001—2022年MODIS NDVI數(shù)據(jù)集,，利用像元二分法、變異系數(shù),、趨勢分析法,、Hurst指數(shù)和地理探測器，分析了近20年來黃河流域甘肅段植被變化趨勢及驅(qū)動(dòng)力,。結(jié)果表明：2001—2022年黃河流域甘肅段FVC在波動(dòng)中呈上升趨勢,，植被生長呈向好趨勢。近20年間黃河流域甘肅段近1/2區(qū)域具有相對(duì)高-高波動(dòng)性,，主要集中分布在流域北部的黃土高原區(qū),，中波動(dòng)性,、相對(duì)低-低波動(dòng)性主要分布在甘南高原區(qū)和隴南山地等區(qū)域。黃河流域甘肅段大部分地區(qū)植被呈改善趨勢,，少部分區(qū)域表現(xiàn)為退化,，未來植被變化將呈反持續(xù)性。驅(qū)動(dòng)力分析表明降水量,、植被類型和土壤類型對(duì)黃河流域甘肅段植被覆蓋起主導(dǎo)作用,。

摘要:為探明拔節(jié)孕穗期受澇后農(nóng)田水位與施氮對(duì)冬小麥生長,、產(chǎn)量、籽粒品質(zhì),、水氮利用及氮磷負(fù)荷的調(diào)控效應(yīng)，于2020—2021年在南京市江寧區(qū)開展測坑種植試驗(yàn),。以冬小麥品種“揚(yáng)麥25”為試驗(yàn)材料,，在冬小麥拔節(jié)孕穗期受澇后設(shè)置高、中,、低3個(gè)農(nóng)田水位（即受澇1d后農(nóng)田水位3d內(nèi)降至-40,、-60、-80cm）和低,、中,、高3個(gè)施氮量（160、190,、220kg/hm2）,，以不受澇且常規(guī)施氮190kg/hm2處理作為對(duì)照。結(jié)果表明,，澇漬條件下,，冬小麥株高、干物質(zhì)量,、產(chǎn)量,、水分利用效率、籽粒粗蛋白含量,、籽粒賴氨酸含量均隨農(nóng)田水位的降低和施氮量的增加而逐漸增大,，氮肥偏生產(chǎn)力隨農(nóng)田水位的降低和施氮量的減小而逐漸增大，總氮,、總磷等污染物負(fù)荷隨著農(nóng)田水位的降低而逐漸增大,。與對(duì)照處理相比,，試驗(yàn)設(shè)計(jì)農(nóng)田水位下，增施氮肥（220kg/hm2）可以緩解澇漬對(duì)冬小麥植株的不良影響,，促進(jìn)冬小麥干物質(zhì)量和產(chǎn)量分別增加4.76%~23.81%,、2.75%~9.19%；中,、高農(nóng)田水位下氮肥減施（160kg/hm2）導(dǎo)致冬小麥分別減產(chǎn)2.20%和14.00%,，水分利用效率分別下降4.55%和9.74%；低農(nóng)田水位可以降低因氮肥減施導(dǎo)致的減產(chǎn)效應(yīng),，使得冬小麥產(chǎn)量和氮肥偏生產(chǎn)力分別提高3.98%,、23.49%。農(nóng)田水位越高,，其控水期間綜合澇漬程度越大,，對(duì)應(yīng)產(chǎn)量越低。此外,，短期內(nèi)澇對(duì)提高籽粒粗蛋白含量具有積極效應(yīng),，與對(duì)照處理相比，各處理對(duì)應(yīng)粗蛋白含量提高11.50%~20.21%,。綜上,，以高產(chǎn)、高效,、減污,、提質(zhì)為目標(biāo)，建議冬小麥拔節(jié)孕穗期5cm水層受澇1d后,，農(nóng)田水位3d內(nèi)降至-80cm,，施氮量為220kg/hm2。研究結(jié)果可為中國南方以及類似易澇易漬農(nóng)業(yè)區(qū)冬小麥種植及澇漬災(zāi)害修復(fù)提供理論依據(jù),。

摘要:為闡明節(jié)水灌溉減氮配施生物炭對(duì)水稻光合特性及水氮利用的影響,，采用田間小區(qū)試驗(yàn)與微區(qū)試驗(yàn)結(jié)合的方法,，應(yīng)用15N示蹤技術(shù)，以B0N1（不施用生物炭+常規(guī)施氮水平）作為對(duì)照,，設(shè)置B1N2（減氮10%+12.5t/hm2生物炭）,、B2N2（減氮10%+25t/hm2生物炭）、B1N3（減氮20%+12.5t/hm2生物炭）,、B2N3（減氮20%+25t/hm2生物炭）,、B1N4（減氮30%+12.5t/hm2生物炭）,、B2N4（減氮30%+25t/hm2生物炭）等處理，觀測水稻植株葉片的光合特性參數(shù)以及干物質(zhì)積累和耗水過程,，并建立光合特性參數(shù)與水分利用效率（WUE）,、氮肥吸收利用率（NUE）、干物質(zhì)量及產(chǎn)量之間的關(guān)系,。結(jié)果表明：節(jié)水灌溉下適量減氮配施生物炭可以增加葉面積指數(shù)（LAI）,、葉綠素含量（SPAD）、凈光合速率（Pn）,、氣孔導(dǎo)度（Gs）和蒸騰速率（Tr）,，減小氣孔限制值（Ls）；而過量減施氮肥或施加生物炭均會(huì)增加Ls,，減小LAI,、SPAD、Pn,、Gs和Tr,；與B0N1處理相比，B1N2處理植株干物質(zhì)總積累量提高14.79%,，而B2N4處理降低16.02%,；B1N2處理水稻NUE、產(chǎn)量,、WUE顯著高于B0N1處理（P＜0.05）,，分別提高12.92%,、9.95%,、12.58%，B2N4處理水稻NUE,、產(chǎn)量,、WUE顯著低于B0N1處理（P＜0.05），分別降低22.87%,、18.20%,、5.66%；WUE與光合特性參數(shù)（除LAI-分蘗期,、SPAD,、Tr-灌漿期外）均呈顯著或極顯著正相關(guān)，與Ls均呈極顯著負(fù)相關(guān)（P＜0.01）,；NUE,、干物質(zhì)量、產(chǎn)量與光合特性參數(shù)（除LAI-分蘗期,、SPAD-分蘗期,、Tr-灌漿期外）均呈顯著或極顯著正相關(guān),，與Ls均呈顯著或極顯著負(fù)相關(guān)。綜合來看,，B1N2處理最優(yōu),，即節(jié)水灌溉下減施10%氮肥配施12.5t/hm2生物炭有利于提高水氮利用率和產(chǎn)量，研究結(jié)果可為節(jié)水灌溉減氮配施生物炭模式在寒地黑土稻田的應(yīng)用提供理論依據(jù)和技術(shù)支撐,。

摘要:柑橘低溫貯藏過程中果實(shí)溫度波動(dòng)是引發(fā)果品品質(zhì)安全風(fēng)險(xiǎn)與增加制冷能耗的關(guān)鍵因素，同時(shí)果品品質(zhì)與制冷能耗也是評(píng)判柑橘冷藏效率的重要評(píng)價(jià)指標(biāo),，實(shí)現(xiàn)兩者動(dòng)態(tài)預(yù)測可為科學(xué)預(yù)知與精準(zhǔn)優(yōu)化柑橘冷藏效率提供可靠支持,。本文提出一種基于PatchTST的柑橘冷藏效率時(shí)序預(yù)測模型。首先,，基于自注意力機(jī)制和獨(dú)立預(yù)測方法(Channel independent,CI)構(gòu)建基礎(chǔ)PatchTST模型,；其次，通過融合基礎(chǔ)PatchTST模型與TiDE模型中的協(xié)變量特征提取模塊,，實(shí)現(xiàn)對(duì)多元時(shí)序數(shù)據(jù)集中全部序列的特征提取,，并有效改進(jìn)模型預(yù)測精度；最后,，基于皮爾森相關(guān)性分析方法定量分析冷庫制冷參數(shù)與能耗,、柑橘溫度的相關(guān)性，確定TiDE-PatchTST模型輸入?yún)?shù),，并基于5000組實(shí)驗(yàn)數(shù)據(jù)實(shí)現(xiàn)多種模型訓(xùn)練與測試,，對(duì)比驗(yàn)證TiDE-PatchTST模型的準(zhǔn)確性與優(yōu)越性。結(jié)果表明,，基于TiDE-PatchTST模型的冷庫能耗預(yù)測值與實(shí)驗(yàn)值平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）分別為3.645W·h和10.421W·h,，柑橘溫度預(yù)測值與實(shí)驗(yàn)值的MAE和RMSE分別為0.034℃和0.042℃，相比Transformer模型,，能耗預(yù)測的MAE和RMSE最高分別下降41.43%和39.27%,，柑橘溫度預(yù)測的MAE和RMSE最高分別下降46.03%和28.81%。本研究可為柑橘冷藏過程溫度波動(dòng)與能耗動(dòng)態(tài)感知與優(yōu)化調(diào)控等提供可靠方法支持與參考,。

摘要:已有火龍果檢測方法僅針對(duì)單一性能指標(biāo),，難以滿足農(nóng)業(yè)真實(shí)場景的需要，為此提出了一種精準(zhǔn)高效的火龍果品質(zhì)與成熟度雙指標(biāo)檢測方法。首先,，利用自適應(yīng)鑒別器增強(qiáng)的樣式生成對(duì)抗網(wǎng)絡(luò)擴(kuò)充火龍果圖像,，建立復(fù)雜環(huán)境火龍果數(shù)據(jù)集。采用伽馬變換進(jìn)行圖像增強(qiáng),，凸顯火龍果特征,，降低光照環(huán)境的影響。其次,，提出了YOLO v7-RA模型,。通過設(shè)計(jì)ELAN_R3替代ELAN（Efficient layer aggregation network）模塊，減少主干網(wǎng)絡(luò)對(duì)重復(fù)特征的提取,，增強(qiáng)模型對(duì)細(xì)粒度特征關(guān)注度,，提高雙指標(biāo)檢測準(zhǔn)確率。融入混合注意力機(jī)制（Mixture of self-attention and convolution,，ACmix）,，增強(qiáng)模型對(duì)特征的提取和整合能力，降低雜亂背景信息干擾,。最后,，通過實(shí)驗(yàn)驗(yàn)證了YOLO v7-RA模型的檢測性能。實(shí)驗(yàn)結(jié)果表明,，該方法精準(zhǔn)率為97.4%,，召回率為97.7%，mAP0.5為96.2%,，F(xiàn)SP為74f/s,，實(shí)現(xiàn)了檢測精度與檢測速度的均衡。即使在遮擋情況下,，YOLO v7-RA模型檢測精準(zhǔn)率仍達(dá)到91.4%,，具有較好泛化能力，能夠?yàn)榛瘕埞悄芑烧陌l(fā)展提供技術(shù)支持,。

摘要:為了解決傳統(tǒng)農(nóng)機(jī)導(dǎo)航系統(tǒng)中前輪轉(zhuǎn)角測量傳感器不易安裝,、維護(hù)困難以及轉(zhuǎn)角估計(jì)不準(zhǔn)確等問題，本文提出了一種基于受控自回歸滑動(dòng)平均模型和卡爾曼濾波器的組合模型(Auto-regressive moving average with exogenous input-Kalman filter,ARMAX-KF)與速度補(bǔ)償?shù)耐侠瓩C(jī)無前輪傳感器轉(zhuǎn)角估計(jì)方法,。首先,，利用Hammerstein非線性系統(tǒng)對(duì)拖拉機(jī)的轉(zhuǎn)向系統(tǒng)建模，并采用遞歸最小二乘法(Recursive least squares method,，RLS)將其辨識(shí)為ARMAX模型,；其次,，對(duì)后輪軸中心接地點(diǎn)速度進(jìn)行桿臂誤差補(bǔ)償；最后,，提出了ARMAX-KF方法,，利用卡爾曼濾波器的校正特性，以拖拉機(jī)的運(yùn)動(dòng)學(xué)轉(zhuǎn)角作為觀測值,，修正ARMAX模型預(yù)測的轉(zhuǎn)角速度積分值,，從而估計(jì)拖拉機(jī)的前輪轉(zhuǎn)角。在速度桿臂補(bǔ)償測量方法試驗(yàn)驗(yàn)證中,，補(bǔ)償后運(yùn)動(dòng)學(xué)轉(zhuǎn)角平均絕對(duì)誤差為1.110°,，標(biāo)準(zhǔn)差為1.727°，相比補(bǔ)償前分別減少61.13%和31.55%,；在動(dòng)態(tài)轉(zhuǎn)角試驗(yàn)中,，ARMAX模型預(yù)測的轉(zhuǎn)角速度標(biāo)準(zhǔn)差為2.439(°)/s，相比采用固定傳動(dòng)比方法誤差減少56.58%,；采用基于ARMAX-KF的前輪轉(zhuǎn)角估計(jì)絕對(duì)平均誤差為0.649°,，標(biāo)準(zhǔn)差為0.371°，相比采用固定傳動(dòng)比和卡爾曼濾波器的方法分別減少56.9%和78.82%,；在直線導(dǎo)航跟蹤試驗(yàn)中,，采用基于ARMAX-KF的前輪轉(zhuǎn)角估計(jì)標(biāo)準(zhǔn)差為0.649°，本文提出的方法提高了轉(zhuǎn)角估計(jì)精度和農(nóng)機(jī)導(dǎo)航作業(yè)質(zhì)量,。

摘要:現(xiàn)有大部分2R并聯(lián)機(jī)構(gòu)靠近定平臺(tái)的第1個(gè)轉(zhuǎn)軸方向矢量不變，靠近動(dòng)平臺(tái)的第2個(gè)轉(zhuǎn)軸方向矢量只隨著第1個(gè)轉(zhuǎn)軸而變化,，第2轉(zhuǎn)軸相對(duì)于動(dòng)平臺(tái)不變,。本文利用有限旋量理論，在具有變/定轉(zhuǎn)軸分岔1Rv（Rv表示變轉(zhuǎn)軸轉(zhuǎn)動(dòng)）并聯(lián)機(jī)構(gòu)基礎(chǔ)上,，提出一類具有變/定軸線的2Rv并聯(lián)機(jī)構(gòu),。分析了機(jī)構(gòu)裝配條件和驅(qū)動(dòng)配置。此種分岔2Rv并聯(lián)機(jī)構(gòu)包含4種運(yùn)動(dòng)模式,，即定-定轉(zhuǎn)軸運(yùn)動(dòng)模式,、定-變轉(zhuǎn)軸運(yùn)動(dòng)模式、變-定轉(zhuǎn)軸運(yùn)動(dòng)模式和變-變轉(zhuǎn)軸運(yùn)動(dòng)模式,。將傳統(tǒng)的2條定轉(zhuǎn)軸2R并聯(lián)機(jī)構(gòu)拓展為具有變/定轉(zhuǎn)軸（變轉(zhuǎn)軸和定轉(zhuǎn)軸）的分岔2Rv廣義并聯(lián)機(jī)構(gòu),。

摘要:誤差模型是保障機(jī)器人定位精度的重要前提,，本文提出了一種基于參數(shù)辨識(shí)的并聯(lián)機(jī)器人誤差模型驗(yàn)證方法。搭建參數(shù)辨識(shí)模型以獲取機(jī)器人實(shí)際結(jié)構(gòu)參數(shù),，使用偏微分理論建立實(shí)際誤差模型,，并對(duì)模型中的誤差參數(shù)進(jìn)行定量分析。隨后將各誤差參數(shù)對(duì)末端執(zhí)行器位姿的影響映射到關(guān)節(jié)輸入量上,，從而驅(qū)動(dòng)機(jī)器人執(zhí)行誤差模型驗(yàn)證實(shí)驗(yàn),。以3-PUU并聯(lián)機(jī)器人為對(duì)象進(jìn)行誤差分析并開展實(shí)驗(yàn)驗(yàn)證，對(duì)比激光跟蹤儀采集的末端執(zhí)行器位置數(shù)據(jù)與誤差模型分析結(jié)果,，結(jié)果表明兩者之間最大偏差為0.50mm,，平均偏差在0.31mm以內(nèi)，驗(yàn)證了所建誤差模型的合理性與正確性,。

摘要:為提高工業(yè)機(jī)器人整體性能，減小其靜動(dòng)態(tài)性能誤差,，提出一種綜合考慮工業(yè)機(jī)器人連桿和關(guān)節(jié)柔性的拓?fù)鋬?yōu)化方法,。將機(jī)器人動(dòng)力學(xué)與拓?fù)鋬?yōu)化相結(jié)合，以變密度法(Solid isotropic material with penalization,SIMP)為基礎(chǔ),，通過線性加權(quán)和法建立工業(yè)機(jī)器人大臂的多目標(biāo)拓?fù)鋬?yōu)化函數(shù)模型,，基于柔性多體動(dòng)力學(xué)理論，利用有限元軟件和多體動(dòng)力學(xué)軟件建立含關(guān)節(jié),、連桿柔性的機(jī)器人剛?cè)狁詈蟿?dòng)力學(xué)仿真模型,，獲得機(jī)器人在極限工況下大臂載荷譜，最后,，利用層次分析法確定優(yōu)化目標(biāo)函數(shù)中各子目標(biāo)的權(quán)重系數(shù),，并對(duì)函數(shù)進(jìn)行求解。優(yōu)化結(jié)果顯示,，優(yōu)化后機(jī)器人大臂剛度和固有頻率都得到提高,，并且質(zhì)量下降18.71%,。通過虛擬樣機(jī)技術(shù)重構(gòu)機(jī)器人模型,，并對(duì)其整體進(jìn)行分析，結(jié)果表明，最大負(fù)載作用下,，機(jī)器人最大變形量從0.208mm降至0.188mm,，靜態(tài)變形量誤差減小9.62%；動(dòng)態(tài)定位誤差從0.777mm降至0.687mm,，定位精度提高11.58%,。上述拓?fù)鋬?yōu)化方法為提升工業(yè)機(jī)器人整體靜動(dòng)態(tài)性能提供了有效的理論參考。