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:智慧農(nóng)業(yè)是現(xiàn)代農(nóng)業(yè)的發(fā)展方向,無人化智慧農(nóng)場是實現(xiàn)智慧農(nóng)業(yè)的重要途徑,無人化智慧農(nóng)場是農(nóng)業(yè)轉(zhuǎn)型升級的重要方向,其精準(zhǔn)高效作業(yè)質(zhì)量依賴于農(nóng)田邊界識別技術(shù)的精度和可靠性。本文系統(tǒng)梳理了農(nóng)田邊界識別的技術(shù)體系與應(yīng)用場景,重點分析了衛(wèi)星遙感、無人機(jī)遙感和地面感知3類數(shù)據(jù)獲取方式和識別算法研究現(xiàn)狀。衛(wèi)星遙感的優(yōu)勢在于其廣域周期性的監(jiān)測能力可支撐大范圍農(nóng)田變化分析,但空間分辨率有限;無人機(jī)高分辨率影像與地面?zhèn)鞲衅魃疃热诤?如 LiDAR 點云與 RGB 圖像配準(zhǔn))可實現(xiàn)厘米級邊界分割,為復(fù)雜農(nóng)田場景提供高精度數(shù)據(jù)支撐,但視野范圍有限。傳統(tǒng)圖像處理算法(閾值分割、邊緣檢測等)在規(guī)則農(nóng)田中具有實時性優(yōu)勢,但難以應(yīng)對異物同譜、靜態(tài)要素遮擋等場景;基于深度學(xué)習(xí)的 U-Net、DeepLab 系列模型通過多尺度特征融合與注意力機(jī)制優(yōu)化可顯著提升對不規(guī)則邊界的識別魯棒性。 這些技術(shù)都已應(yīng)用于農(nóng)業(yè)數(shù)字化地圖構(gòu)建和農(nóng)機(jī)路徑規(guī)劃,但仍面臨多源數(shù)據(jù)時空對齊精度不足導(dǎo)致融合效率低,輕量化模型在邊緣計算設(shè)備上的推理速度難以滿足實時作業(yè)需求,農(nóng)田邊界變動實時監(jiān)測難等問題。未來應(yīng)聚焦多模態(tài)時空特征融合、邊緣推理導(dǎo)向的模型輕量化技術(shù),以及空-天-地協(xié)同支撐下的數(shù)字農(nóng)田地圖自主更新技術(shù),為實現(xiàn)農(nóng)田邊界的高精度、高響應(yīng)和高動態(tài)識別提供支撐。

摘要:路徑規(guī)劃是決定再生稻頭季收獲作業(yè)效率和質(zhì)量的關(guān)鍵因素之一。目前,無人農(nóng)機(jī)在作業(yè)區(qū)域內(nèi)的全覆蓋路徑規(guī)劃技術(shù)研究中,較少有考慮收獲機(jī)在田間收獲時對再生稻的碾壓問題,為此本文開展減少碾壓的再生稻收獲路徑規(guī)劃研究。通過分析農(nóng)田信息、待作業(yè)區(qū)域和卸糧等,將再生稻收獲卸糧路徑規(guī)劃問題轉(zhuǎn)化為帶有容量約束的車輛路徑問題(CVRP)。以收獲機(jī)最小碾壓面積和最短總路徑為目標(biāo),構(gòu)建再生稻收獲路徑數(shù)學(xué)模型。提出再生稻少碾壓路徑規(guī)劃混合算法,采用傳統(tǒng)蟻群算法(ACO)和2-opt算法獲得最優(yōu)路徑。以再生稻無人駕駛收獲機(jī)為對象,設(shè)計直線路徑規(guī)劃田間試驗、地頭轉(zhuǎn)向路徑以及卸糧路徑規(guī)劃田間試驗和全環(huán)節(jié)田間作業(yè)試驗,采用自動駕駛系統(tǒng)進(jìn)行田間試驗,考察收獲機(jī)田間碾壓率。結(jié)果表明,直線跟蹤平均絕對誤差為3.51cm,最大偏差為8.24cm,直線段作業(yè)碾壓率為17.55%。地頭區(qū)域碾壓率下降52.2%。本研究設(shè)計的路徑規(guī)劃全田碾壓率為27.42%,滿足再生稻特殊的作業(yè)要求。

摘要:自動導(dǎo)航拖拉機(jī)在側(cè)偏側(cè)滑等工況下路徑跟蹤誤差大、糾偏易超調(diào)且調(diào)節(jié)時間長。為解決拖拉機(jī)側(cè)偏側(cè)滑工況快速糾偏問題,提出了一種基于驅(qū)動輪橫向控制補(bǔ)償策略的改進(jìn)純追蹤路徑跟蹤控制方法。通過構(gòu)建拖拉機(jī)的坡面?zhèn)然Ｐ?結(jié)合二輪車運動學(xué)模型,提出了純追蹤算法的橫向控制補(bǔ)償策略,對經(jīng)典純追蹤算法進(jìn)行改進(jìn),實現(xiàn)自動駕駛拖拉機(jī)精確橫向補(bǔ)償控制。為驗證本文橫向側(cè)偏補(bǔ)償改進(jìn)純追蹤路徑跟蹤算法性能,進(jìn)行CarSim/Simulink聯(lián)合仿真,緩坡試驗結(jié)果表明,改進(jìn)后的算法在10°斜坡上的控制精度相比經(jīng)典算法提升了73.6%;持續(xù)側(cè)滑仿真,經(jīng)典算法無法脫困,而改進(jìn)算法在3.9s內(nèi)完成脫困,橫向偏差收斂至0.01m以內(nèi),超調(diào)量為0.14m。此外本文還在田間試驗中驗證了改進(jìn)算法的有效性,在相同試驗條件下,進(jìn)行了3次重復(fù)試驗,結(jié)果表明拖拉機(jī)在所有試驗中均成功脫困,試驗表明平均脫困時間為7.03s,平均最大超調(diào)量為0.054m。試驗結(jié)果表明,本文橫向控制補(bǔ)償策略顯著提升了自動導(dǎo)航拖拉機(jī)在復(fù)雜工況下的控制精度和穩(wěn)定性。

摘要:針對水田自動駕駛農(nóng)機(jī)遇到側(cè)滑時速度突變導(dǎo)致轉(zhuǎn)角估計不準(zhǔn)確的問題,本文提出了一種基于雙觀測值融合卡爾曼濾波器的水田作業(yè)農(nóng)機(jī)轉(zhuǎn)向輪角估計方法,建立了水田作業(yè)農(nóng)機(jī)轉(zhuǎn)向輪角估計模型。首先采用改進(jìn)型兩輪農(nóng)機(jī)側(cè)滑模型獲得基于運動學(xué)模型的水田農(nóng)機(jī)前輪轉(zhuǎn)向角度,其次對所采集的GPS速度和慣性導(dǎo)航速度采用加權(quán)觀測融合的方法對轉(zhuǎn)向模型的水田農(nóng)機(jī)作業(yè)速度進(jìn)行補(bǔ)償,最后提出了基于雙觀測值融合卡爾曼濾波器的水田作業(yè)農(nóng)機(jī)輪向輪角估計方法,將基于運動學(xué)模型的前輪轉(zhuǎn)向角和基于轉(zhuǎn)向電機(jī)編碼的前輪轉(zhuǎn)向角作為雙觀測值,從而估計水田農(nóng)機(jī)前輪轉(zhuǎn)角。為驗證本文所提方法,以水稻直播機(jī)為研究平臺,在水田中開展速度校正、前輪轉(zhuǎn)向角估計試驗和直線跟蹤試驗。速度校正試驗結(jié)果表明,水田硬底層高低不平是前輪轉(zhuǎn)角擬合精度不佳的直接原因,本文所提方法將直播機(jī)速度穩(wěn)定在一定范圍內(nèi),解決了因水田硬底層起伏變化造成前輪轉(zhuǎn)角擬合精度不佳的問題。前輪轉(zhuǎn)向角估計試驗結(jié)果表明,農(nóng)機(jī)前輪估計角度相對角度傳感器角度變化跟蹤誤差平均值為0.12°,偏差最大值為1.67°,偏差標(biāo)準(zhǔn)差為0.4°。本文所提方法能夠準(zhǔn)確地測量農(nóng)機(jī)前輪轉(zhuǎn)向角,最終控制直播機(jī)穩(wěn)定追蹤目標(biāo)角度,滿足水田農(nóng)機(jī)前輪轉(zhuǎn)角估計精度要求。直線跟蹤試驗結(jié)果表明,在水田環(huán)境下,平均絕對誤差為3.14cm,位置偏差標(biāo)準(zhǔn)差為2.11cm。本文提出的方法適用于水田無人駕駛,提高了轉(zhuǎn)角估計精度和農(nóng)機(jī)導(dǎo)航作業(yè)質(zhì)量。

摘要:針對協(xié)同控制在農(nóng)機(jī)轉(zhuǎn)場場景下受復(fù)雜環(huán)境影響導(dǎo)致的響應(yīng)速度慢、控制精度低、穩(wěn)定性差、魯棒性不足等問題,提出一種農(nóng)機(jī)編隊轉(zhuǎn)場多機(jī)協(xié)同控制方法。搭建主機(jī)人工駕駛領(lǐng)航、從機(jī)自動跟隨的多機(jī)協(xié)同模型,基于弗萊納坐標(biāo)轉(zhuǎn)換將協(xié)同控制解耦為橫向、縱向控制,采用模型預(yù)測控制算法設(shè)計縱向控制器以實現(xiàn)機(jī)組間相對距離保持及速度、加速度跟隨,采用純追蹤算法設(shè)計橫向控制器以實現(xiàn)從機(jī)沿主機(jī)軌跡行駛,引入模糊算法實時調(diào)整關(guān)鍵控制系數(shù)以實現(xiàn)控制效果優(yōu)化。基于CarSim/Simulink平臺設(shè)計多種轉(zhuǎn)場典型工況對本文方法進(jìn)行仿真試驗分析,結(jié)果表明相比傳統(tǒng)控制方法本文方法具備更可靠優(yōu)越的性能,并基于智能拖拉機(jī)機(jī)組開展實車試驗驗證,結(jié)果表明機(jī)組軌跡橫向誤差小于0.090m,速度誤差小于0.570m/s,相對距離誤差小于0.169m,加速度誤差小于0.252m/s2,均能漸進(jìn)穩(wěn)定滿足農(nóng)機(jī)編隊轉(zhuǎn)場實際需求。

摘要:無人駕駛拖拉機(jī)在軌跡跟蹤的過程中以跟蹤性能為主,忽視作業(yè)能耗導(dǎo)致經(jīng)濟(jì)性較差。為此提出了一種考慮經(jīng)濟(jì)性與軌跡跟蹤性能的分層協(xié)同控制策略。首先以縱向偏差和橫向偏差為目標(biāo)、以加速度和前輪轉(zhuǎn)角速度為約束,采用模型預(yù)測控制算法建立軌跡跟蹤系統(tǒng),其次以發(fā)動機(jī)燃油消耗率和液壓機(jī)械無級變速器傳動效率比為優(yōu)化目標(biāo),建立基于外部參數(shù)優(yōu)化的二元調(diào)節(jié)經(jīng)濟(jì)性控制策略。在此基礎(chǔ)上,以拖拉機(jī)下一時刻預(yù)測速度和當(dāng)前拖拉機(jī)犁耕阻力為傳遞變量,融合軌跡跟蹤系統(tǒng)、經(jīng)濟(jì)性控制策略形成分層協(xié)同控制策略。采用純跟蹤算法與一元調(diào)節(jié)經(jīng)濟(jì)性控制策略作為對比策略,基于Matlab仿真平臺對該分層協(xié)同控制策略進(jìn)行仿真試驗,并通過硬件在環(huán)試驗平臺驗證了該分層協(xié)同控制策略的有效性,結(jié)果表明:與對比策略相比,分層協(xié)同控制策略有效減小了無人駕駛拖拉機(jī)軌跡跟蹤偏差,提高了拖拉機(jī)經(jīng)濟(jì)性,速度方差降低36.7%,縱向跟蹤偏差減小89.8%,橫向跟蹤偏差減小91.7%,拖拉機(jī)油耗量減小11.8%。

摘要:稻油輪作是我國長江中下游地區(qū)水稻和油菜兩種作物種植的主要模式。為發(fā)展稻油輪作無人化農(nóng)場,進(jìn)一步降低該地區(qū)水稻和油菜種植用工成本、提高種植效益及競爭力,本文通過分析稻油輪作無人化農(nóng)場的生產(chǎn)模式、機(jī)具類型和作業(yè)路徑規(guī)劃要求,針對稻油輪作無人化農(nóng)場典型作業(yè)環(huán)節(jié)農(nóng)機(jī)具田間自動導(dǎo)航作業(yè)過程的路徑需求,結(jié)合Android軟件開發(fā)、JavaPython混合編程、云服務(wù)器和數(shù)據(jù)庫等多項技術(shù),設(shè)計了基于Android應(yīng)用框架的無人化農(nóng)場智能農(nóng)機(jī)具作業(yè)運維軟件,包括地塊管理、機(jī)具屬性管理、路徑規(guī)劃及仿真模擬和路徑導(dǎo)出等模塊。在已有聯(lián)合收獲機(jī)收獲作業(yè)路徑規(guī)劃算法、播種機(jī)播種作業(yè)路徑規(guī)劃算法和無人機(jī)植保及飛防作業(yè)路徑規(guī)劃算法的基礎(chǔ)上,重點設(shè)計了稻收油播和水田耕整地2個典型作業(yè)環(huán)節(jié)的路徑規(guī)劃算法,并通過Chaquopy插件混合編程調(diào)用前期Python編碼實現(xiàn)的田間作業(yè)路徑規(guī)劃算法。通過基于GoogleEarth軟件選取的典型實際田塊多算例仿真測試和基于稻收油播一體機(jī)的實機(jī)田間試驗聯(lián)合調(diào)試結(jié)果表明,所設(shè)計的移動端軟件及路徑規(guī)劃算法運行穩(wěn)定可靠,軟件人機(jī)交互性好,算法能夠針對不同機(jī)具及常見四邊形地塊提供有效的自動導(dǎo)航自主作業(yè)路徑,單個田塊作業(yè)路徑規(guī)劃算法在小米5Pro平板計算機(jī)等4種典型Android移動終端上的運行耗時為29~1898ms,計算效率及路徑合理性均滿足實際應(yīng)用中典型作業(yè)環(huán)節(jié)無人化生產(chǎn)的需要。所提出的算法及軟件框架,為長江中下游區(qū)域稻油輪作無人化農(nóng)場的建設(shè)提供了作業(yè)路徑規(guī)劃理論及技術(shù)支撐。

摘要:針對當(dāng)前溫室作業(yè)環(huán)境復(fù)雜、現(xiàn)有機(jī)械行走穩(wěn)定性差的問題,本文提出了溫室自主跟隨電動平臺行走速度控制方法。由于該系統(tǒng)存在非線性和時變性的特點,傳統(tǒng)PID控制算法無法實現(xiàn)有效控制,因此提出了一種基于蜣螂(Dungbeetle optimizer,DBO)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)PID控制算法。該算法采用DBO優(yōu)化算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行優(yōu)化,加快了BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)速率,實現(xiàn)對溫室自主跟隨電動平臺行走速度的快速精確控制,提高系統(tǒng)的響應(yīng)速度并降低超調(diào)量,最后,將本文提出的行走速度控制算法與PID控制算法、BP-PID控制算法、遺傳算法(Genetical gorithm,GA)優(yōu)化PID控制算法、蟻群算法(Antcolony optimization,ACO)優(yōu)化PID控制算法對比。試驗結(jié)果表明,當(dāng)行走速度為1m/s時,系統(tǒng)平均響應(yīng)速度為0.11s,調(diào)整時間為0.27s,最大超調(diào)量為2.44%;當(dāng)履帶線速度大小和方向發(fā)生變化時,系統(tǒng)依然表現(xiàn)出響應(yīng)速度快、超調(diào)量小且穩(wěn)態(tài)過程無振蕩的優(yōu)點。DBO-BP-PID控制算法在控制穩(wěn)定性和控制精度上表現(xiàn)更優(yōu),有效降低了系統(tǒng)時滯性和非線性影響,滿足溫室自主跟隨電動平臺行走速度控制的需求。

摘要:數(shù)字孿生技術(shù)通過對物理實體全生命周期的數(shù)字化實現(xiàn)其狀態(tài)的監(jiān)測和控制,為實現(xiàn)機(jī)器人的遠(yuǎn)程控制和連續(xù)式作業(yè)提供了解決思路。作業(yè)底盤行駛過程的高精度控制是保證機(jī)器人作業(yè)質(zhì)量的關(guān)鍵,本文針對溫室環(huán)境變化和底盤損耗導(dǎo)致行駛狀態(tài)預(yù)測模型誤差大,以及動態(tài)數(shù)據(jù)在線采集困難等問題,提出一種基于數(shù)字孿生的溫室作業(yè)底盤行駛狀態(tài)在線監(jiān)測方法。首先,開發(fā)了面向底盤行駛狀態(tài)的溫室作業(yè)底盤數(shù)字孿生系統(tǒng),在線感知行駛過程中的動態(tài)數(shù)據(jù)并實時仿真底盤行駛狀態(tài)變化過程;然后,結(jié)合底盤行駛狀態(tài)時變偏差量化模型和考慮行駛過程中的各種不確定因素,構(gòu)建了溫室作業(yè)底盤行駛狀態(tài)在線預(yù)測模型;最后,搭建底盤行駛狀態(tài)在線監(jiān)測試驗環(huán)境,并進(jìn)行在線監(jiān)測試驗和行駛效果驗證試驗。結(jié)果表明:本文在線預(yù)測方法對應(yīng)數(shù)據(jù)集M1、M2、M3、M4的橫向偏移預(yù)測精度分別為96.32%、95.96%、95.69%和96.11%,縱向偏移預(yù)測精度分別為96.58%、96.36%、96.51%和96.13%,對比基于BP+SVR方法的橫向偏移預(yù)測精度分別提升3.61%、3.26%、3.92%和3.98%,縱向偏移預(yù)測精度分別提升2.96%、2.78%、3.27%和3.06%,證明了本文提出的在線預(yù)測方法能夠有效修正地面波動和底盤損耗帶來的偏差影響;實際底盤行駛橫向偏移和縱向偏移平均值相較于基于固定行駛參數(shù)的行駛方法分別降低48.13%和49.49%,本文方法能夠基于底盤實時行駛狀態(tài)進(jìn)行動態(tài)調(diào)整。本文提出的基于數(shù)字孿生的溫室作業(yè)底盤行駛狀態(tài)在線監(jiān)測方法具有強(qiáng)實時性和高精度的特點,可為設(shè)施農(nóng)業(yè)機(jī)器人的連續(xù)式作業(yè)技術(shù)提供依據(jù)和參考。

摘要:為解決農(nóng)業(yè)機(jī)器人在示范溫室工作通道行駛中難以避讓動態(tài)障礙物、易陷入局部最小值、無法到達(dá)目標(biāo)點等問題,提出了基于雙障礙物評價函數(shù)、自適應(yīng)權(quán)重和虛擬目標(biāo)法的動態(tài)窗口法(Dual obstacle cost function,adaptive weights and virtual target_dynamic window approach,DAV_DWA)來實現(xiàn)機(jī)器人局部路徑規(guī)劃。首先,采用動靜雙策略的避障方法,將動態(tài)和靜態(tài)障礙物安全距離劃分為 2 個評價函數(shù),降低動態(tài)障礙物碰撞風(fēng)險且防止對靜態(tài)障礙物過度避障;其次,提出評價函數(shù)權(quán)重自適應(yīng)策略,根據(jù) 2 種障礙物距離實現(xiàn)自適應(yīng)調(diào)整各評價函數(shù)權(quán)重,以增強(qiáng)機(jī)器人在不同復(fù)雜環(huán)境中的路徑尋優(yōu)能力;最后,提出虛擬目標(biāo)法,使其脫離局部最小值后繼續(xù)導(dǎo)航,增強(qiáng)其對于局部最小值的路徑規(guī)劃能力。對比仿真試驗和溫室實地試驗結(jié)果表明,在仿真環(huán)境中,相較于其他算法,DAV_DWA算法在保證安全性的前提下,能夠在更短的時間內(nèi),以更短的路徑到達(dá)目標(biāo)點;溫室障礙物場景中,機(jī)器人可以完成自主導(dǎo)航任務(wù),且定位誤差不大于0.12 m,跟蹤誤差不大于0.10 m,符合實際需求。

摘要:優(yōu)化無人農(nóng)場作業(yè)路徑用以提升農(nóng)田管理效率和資源利用率是移動機(jī)器人導(dǎo)航領(lǐng)域的研究熱點,針對傳統(tǒng)麻雀搜索算法(Sparrow search algorithm,SSA)和強(qiáng)化學(xué)習(xí)算法搜索效率低、路徑不夠光滑容易陷入局部最優(yōu)的問題,本文設(shè)計了一種融合改進(jìn)IQL(ImprovedQ-learning)算法的改進(jìn)麻雀搜索算法(Improved sparrow search algorithm,ISSA),結(jié)合貝塞爾曲線用于移動機(jī)器人的全局路徑規(guī)劃。首先,在算法初期采用多策略初始化種群,將IQL算法與Logistic混沌映射和拉丁超立方抽樣(Latin hypercube sampling,LHS)方法相結(jié)合,為種群提供優(yōu)良性和多樣性的初始解;其次,將線性動態(tài)慣性權(quán)重調(diào)整方法引入到發(fā)現(xiàn)者位置更新中,平衡算法的全局搜索能力和局部開發(fā)能力、提升算法收斂速度;然后,在警戒者中引入反向?qū)W習(xí)策略進(jìn)一步探索未開發(fā)區(qū)域,防止陷入局部最優(yōu)解;最后,結(jié)合避障算法和貝塞爾曲線對路徑進(jìn)行平滑處理,消除行駛路徑距離障礙物過近和路徑不平滑問題。通過在Matlab平臺上進(jìn)行對比仿真試驗,驗證ISSA算法的有效性和優(yōu)越性。試驗結(jié)果表明,ISSA算法有效地結(jié)合IQL算法的自學(xué)習(xí)特性和SSA算法的強(qiáng)大搜索能力,在網(wǎng)格仿真環(huán)境和實地場景下均顯著提高了全局路徑優(yōu)化效率,生成的路徑更加平滑。在實地場景下,ISSA算法相較于SSA和ACO算法,路徑規(guī)劃時間分別減少64.43%、9.94%,平均最短路徑長度分別減少8.3%、12%。研究可為無人農(nóng)場機(jī)器人精準(zhǔn)、高效作業(yè)提供優(yōu)質(zhì)的路徑規(guī)劃方案。

摘要:葡萄精準(zhǔn)對行采收可有效減少收獲機(jī)振動機(jī)構(gòu)與籬架碰撞幾率,是實現(xiàn)大規(guī)模機(jī)械化采收的重要手段。基于Frenet坐標(biāo)系下行間局部行駛場景模型,本文提出一種葡萄收獲機(jī)自動對行路徑規(guī)劃算法。以全局作業(yè)路徑為參考線,通過車載激光雷達(dá)實時識別前方葡萄行,利用K-means算法聚類葡萄點云;采用Lattice算法根據(jù)行駛車速對前方行駛區(qū)域動態(tài)點陣采樣,基于五次多項式生成局部路徑簇;以前、后輪轉(zhuǎn)向極限位置為收獲機(jī)輪廓特征點,進(jìn)行特征點與橫向條帶分割的葡萄行最小包絡(luò)矩形碰撞檢測,并計算各條局部路徑相對葡萄行和參考線的偏離代價;根據(jù)作業(yè)工況和環(huán)境條件確定葡萄行偏離參考線的決策限值,采用動態(tài)規(guī)劃算法對加權(quán)求和后的偏離代價進(jìn)行尋優(yōu),獲得路徑簇中代價最小路徑作為當(dāng)前局部路徑;利用機(jī)器人仿真軟件Gazebo和Rviz聯(lián)合仿真并開展實車試驗。結(jié)果表明,規(guī)劃的局部路徑相對葡萄行平均橫向偏差為4.37cm,最大橫向偏差為10.95cm,生成局部路徑平均絕對曲率為0.0612m-1,最大絕對曲率為0.2011m-1。在全局路徑相對葡萄行偏移較大時,局部路徑能夠有效糾正偏差,滿足葡萄收獲作業(yè)對行駕駛要求。在單次規(guī)劃6m路徑的仿真試驗中,本文算法平均耗時213ms/次,最大耗時337ms/次;規(guī)劃6m路徑實車試驗中,本文算法平均耗時577ms/次,最大耗時816ms/次。研究結(jié)果可為葡萄園場景下農(nóng)機(jī)局部路徑規(guī)劃提供參考。

摘要:針對傳統(tǒng)滑模控制在農(nóng)機(jī)路徑跟蹤中易出現(xiàn)高頻抖振、參數(shù)調(diào)整難等問題,以履帶農(nóng)用底盤為研究對象,構(gòu)建運動學(xué)模型及偏差動態(tài)方程,設(shè)計超螺旋滑模控制律實現(xiàn)路徑跟蹤控制,引入?yún)?shù)預(yù)調(diào)控制器,采用有限內(nèi)存布羅伊登算法優(yōu)化超螺旋滑模控制器參數(shù),并以李亞普諾夫穩(wěn)定性分析為依據(jù),驗證所設(shè)計的超螺旋滑模控制器路徑跟蹤穩(wěn)定性。仿真驗證結(jié)果表明,當(dāng)履帶農(nóng)用底盤作業(yè)速度為1.0m/s時,跟蹤最大絕對誤差為0.063m,絕對平均誤差為0.013m,相較于線性PID控制器與傳統(tǒng)滑模控制,最大偏移量分別降低61.3%、62.1%,絕對平均誤差分別降低89.2%、75.4%。實地試驗結(jié)果表明,當(dāng)速度為0.5、1.0m/s時,參數(shù)預(yù)調(diào)型超螺旋滑模控制算法絕對平均偏差相較于傳統(tǒng)滑模控制算法分別降低69.2%、50%,航向偏差分別降低61.1%、40%,有效減少高頻抖振現(xiàn)象。

摘要:不規(guī)則農(nóng)田中,沿曲線路徑作業(yè)可有效提高無人化農(nóng)機(jī)作業(yè)適用性。針對當(dāng)前無人化作業(yè)曲邊農(nóng)田作業(yè)覆蓋率低的問題,本文提出一種基于全狀態(tài)反饋控制的曲線路徑跟蹤控制方法。構(gòu)建一個以橫向偏差、航向偏差和航向增量作為狀態(tài)向量的三階全狀態(tài)反饋控制器。將系統(tǒng)線性化并轉(zhuǎn)換為空間矩陣形式,在滿足系統(tǒng)穩(wěn)定性約束的條件下求解增益矩陣,從而獲取前輪轉(zhuǎn)角。基于Matlab/Simulink仿真環(huán)境對控制器性能進(jìn)行驗證,結(jié)果表明,補(bǔ)償后平均絕對誤差相較于補(bǔ)償前算法降低31%,最大絕對誤差降低17.9%。為驗證本文所提方法,設(shè)計了3組田間試驗。變曲率路徑試驗結(jié)果表明,當(dāng)農(nóng)機(jī)作業(yè)速度為0.7m/s時,橫向偏差最大值為0.0705m,絕對誤差為0.0218m,標(biāo)準(zhǔn)差為0.0234m,航向偏差最大值為12.25°,絕對誤差為1.37°,標(biāo)準(zhǔn)差為1.68°;定曲率路徑試驗結(jié)果表明,橫向偏差最大值為0.1034m,絕對誤差為0.0424m,標(biāo)準(zhǔn)差為0.0477m,航向偏差最大值為8.9°,絕對誤差為1.86°,標(biāo)準(zhǔn)差為2.45°;沿曲邊田埂跟蹤試驗結(jié)果表明,橫向偏差最大值為0.0597m,絕對誤差為0.0123m,標(biāo)準(zhǔn)差為0.0158m,航向偏差最大值為7.01°,絕對誤差為1.85°,標(biāo)準(zhǔn)差為2.49°。跟蹤精度均能滿足作業(yè)需求,研究結(jié)果為無人農(nóng)機(jī)進(jìn)行復(fù)雜多變的曲邊作業(yè)提供了理論和技術(shù)支撐。

摘要:田間可行駛道路邊界信息獲取是制作農(nóng)田高精度地圖的基礎(chǔ)。針對現(xiàn)有方法對高分辨率正射影像圖中田間可行駛道路分割不準(zhǔn)確、出現(xiàn)漏檢誤檢等問題,本文提出了一種基于改進(jìn)UNet的深度學(xué)習(xí)網(wǎng)絡(luò)模型。該方法首先將主干網(wǎng)絡(luò)更換為ResNet50,增強(qiáng)對田間可行駛道路特征提取能力;其次,融合可以提高管狀結(jié)構(gòu)精度的DSConv模塊提高對田間可行駛道路的精度,并抑制與田間道路類似的田間地物背景的特征提取;最后,通過插入ECANet注意力機(jī)制來獲取完整的上下文信息,優(yōu)化田間可行駛道路的特征還原過程,從而達(dá)到提高模型整體分割精度的目的。在此基礎(chǔ)上,通過傳統(tǒng)圖像處理方法對分割結(jié)果進(jìn)一步地去噪、消孔,從而獲取高精度的田間可行駛道路邊界信息。試驗結(jié)果表明,改進(jìn)UNet模型在所構(gòu)建數(shù)據(jù)集的測試集上MIoU、MPA分別達(dá)91.12%、95.46%,與其他對比模型相比具有最高的評價指標(biāo)值,使用傳統(tǒng)圖像處理方法后處理后,MIoU和MPA為92.64%和96.75%,分別提高1.52、1.29個百分點;在對高分辨率正射影像圖田間可行駛道路的識別測試中,MIoU和MPA分別達(dá)86.39%和90.01%,可以明顯地識別田間可行駛道路;使用傳統(tǒng)圖像處理方法后對獲得的高分辨率正射影像圖結(jié)果進(jìn)行優(yōu)化后,MIoU和MPA分別為88.34%、91.53%,分別提高1.95、1.52個百分點。該研究可以為后續(xù)制作農(nóng)田高精度地圖提供準(zhǔn)確的田間可行駛道路邊界信息。

摘要:旱田農(nóng)業(yè)耕作模式包括平作與壟作,不同耕作模式的地形起伏差異大,作物行耕作模式的準(zhǔn)確識別對機(jī)器人行走穩(wěn)定性具有重要意義,提出一種基于本體傳感器信號的平作與壟作類型地形識別方法。首先,采集四足機(jī)器人在玉米田間作物行內(nèi)行走的機(jī)身慣性測量單元(Inertial measure mentunit,IMU)信號,使用機(jī)器人左前腿的足端速度數(shù)據(jù)作為補(bǔ)充,生成機(jī)器人在平作與2種不同起壟高度的壟作種植模式下行走的信號數(shù)據(jù)集。其次,利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)提取信號的空間信息特征,通過雙向長短期記憶網(wǎng)絡(luò)(Bidirectional longshort-term memory,BiLSTM)提取時間序列特征,采用注意力機(jī)制(Self-attention,SA)提取CNN與BiLSTM輸出特征信息的注意力分值。最后,通過模型對比和田間試驗,驗證本文模型對平作與壟作類型識別的有效性。結(jié)果表明,本文CNNBiLSTMSA模型F1值為92%,與CNN、CNNLSTM、CNNLSTMSA與CNNBiLSTM模型相比,分別提升10.17、3.51、2.57、1.27個百分點。內(nèi)嵌識別模型的田間機(jī)器人可在1.4s內(nèi)實現(xiàn)對當(dāng)前作物行平作與壟作類型90%的識別準(zhǔn)確率,在4.8s內(nèi)達(dá)到對作物行類別分類要求,滿足機(jī)器人面對作物行不同地形的識別快速性、準(zhǔn)確性要求。該算法能提供機(jī)器人在旱田典型耕作模式下的地形識別能力,為提高四足機(jī)器人作業(yè)的田間穩(wěn)定性提供技術(shù)支撐。

摘要:農(nóng)業(yè)四足機(jī)器人作業(yè)環(huán)境復(fù)雜,導(dǎo)致其在田間行走時易摔倒,影響機(jī)器人作業(yè)效率,準(zhǔn)確預(yù)測機(jī)身摔倒?fàn)顟B(tài)對機(jī)器人行走穩(wěn)定性具有重要意義。提出一種基于本體傳感器信號處理的機(jī)器人摔倒臨界狀態(tài)預(yù)測方法。首先,采集四足機(jī)器人在玉米田間行走摔倒和Gazebo軟件模擬機(jī)器人田間行走過程摔倒?fàn)顟B(tài)的慣性測量傳感器信號,對機(jī)器人正常行走、摔倒臨界穩(wěn)定狀態(tài)2個階段及完全摔倒的4種工況信號進(jìn)行分類,生成不同機(jī)身狀態(tài)的信號數(shù)據(jù)集。其次,采用種群優(yōu)化算法(Improved population optimization,IPO)優(yōu)化變分模態(tài)分解(Variational modede composition,VMD)參數(shù),提出基于改進(jìn)種群優(yōu)化變分模態(tài)分解(Improved population optimization variational modede composition,IPOVMD)的信號處理方法;采用IPO算法對廣義回歸神經(jīng)網(wǎng)絡(luò)(General regression neuralnetwork,GRNN)的參數(shù)進(jìn)行優(yōu)化,提出基于改進(jìn)種群優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)(Improved population optimization general regression neural network, IPOGRNN)模型。最后,基于上述信號處理方法,建立基于IPOVMDGRNN模型的田間作業(yè)機(jī)器人摔倒預(yù)測方法,采用機(jī)器人實際田間行走橫滾角、俯仰角作為模型測試數(shù)據(jù),驗證田間作業(yè)機(jī)器人摔倒預(yù)測模型性能。試驗結(jié)果表明:提出的IPOVMDGRNN模型輸出總誤差為0.1467、平均相對誤差為0.0065、均方誤差為0.0003,提取的特征有良好代表性;相比VMDBPNN、VMDGRNN、PSOVMDGRNN模型,平均預(yù)測成功響應(yīng)時間縮短127.75、91.5、39.5ms。該算法能提供機(jī)器人在田間行走時的機(jī)器人摔倒臨界狀態(tài)預(yù)測能力,可為提高四足機(jī)器人自主作業(yè)的田間通過性提供技術(shù)支撐。

摘要:為解決田間復(fù)雜環(huán)境下拖拉機(jī)機(jī)載農(nóng)機(jī)具監(jiān)測困難、模型參數(shù)量過大等問題,提出了一種基于輕量化RepVIT的農(nóng)機(jī)具識別模型TMAInet。利用自主開發(fā)的農(nóng)機(jī)服務(wù)平臺“農(nóng)業(yè)機(jī)械化精準(zhǔn)作業(yè)平臺暨希望田野冶收集了6種工作狀態(tài)的農(nóng)機(jī)具數(shù)據(jù)集,并通過Copy-paste等數(shù)據(jù)增強(qiáng)方法將訓(xùn)練集擴(kuò)增至6627幅。基于RepVIT網(wǎng)絡(luò)模型框架,設(shè)計了一種卷積前饋模塊(CFF)以提升不同尺度細(xì)粒度特征提取能力,引入了注意力機(jī)制ECA以優(yōu)化模型參數(shù)結(jié)構(gòu)并簡化特征提取模塊。通過Pre-training+Fine-tuning(PF)遷移學(xué)習(xí)方法對模型進(jìn)行了訓(xùn)練,并在Jetsonnano邊緣設(shè)備上進(jìn)行了部署。實驗結(jié)果表明,通過PF遷移學(xué)習(xí)方法,TMAInet模型的識別準(zhǔn)確率、F1分?jǐn)?shù)和召回率分別達(dá)到99.13%、98.53%和98.78%,相較于原始的RepVIT模型分別提升1.86、3.04、1.95個百分點,在邊緣設(shè)備端保持幀速率73f/s的同時參數(shù)量降低至7.3×106。TMAInet能夠在實際應(yīng)用中準(zhǔn)確、高效監(jiān)測農(nóng)機(jī)具常見類別,為無人化智慧農(nóng)場的發(fā)展提供技術(shù)參考。

摘要:水田除草是提升水稻產(chǎn)量的關(guān)鍵農(nóng)藝措施,其中化學(xué)除草因其高效性被廣泛應(yīng)用。傳統(tǒng)化學(xué)除草依賴人工操作,且常采用大面積噴施,操作成本增加的同時還易引起環(huán)境污染等負(fù)面問題。基于此背景,設(shè)計了一款精準(zhǔn)噴施型水田除草機(jī)用于自適應(yīng)除草作業(yè)。搭建了除草機(jī)噴施裝置及系統(tǒng),基于構(gòu)建的多樣化水田雜草數(shù)據(jù)集設(shè)計了以MSYOLOv7為核心框架的雜草檢測系統(tǒng)。MSYOLOv7模型將骨干網(wǎng)絡(luò)與MobileOne相結(jié)合,將CIoU損失函數(shù)替換為SIoU損失函數(shù)。通過消融試驗和不同模型對比試驗驗證模型性能,結(jié)果顯示模型識別精度為95.65%,平均精度均值(mAP)為92.67%,實時性達(dá)到51.29f/s。在樹莓派上使用OpenVINO對IR模型進(jìn)行推理,檢測單幅水田雜草圖像耗時0.806s。構(gòu)建的噴施系統(tǒng)能即時捕捉并解析來自雜草檢測系統(tǒng)的傳輸信號,進(jìn)而實現(xiàn)對除草噴施裝置的精準(zhǔn)調(diào)控。田間試驗結(jié)果表明,精準(zhǔn)噴施型水田自適應(yīng)除草機(jī)傷苗率為2.95%,對靶施藥準(zhǔn)確率為94.98%,變異系數(shù)為0.128%,滿足水田除草的農(nóng)藝要求。該除草機(jī)實現(xiàn)了水田除草無人化操作,可為農(nóng)業(yè)的智能化發(fā)展提供技術(shù)參考。

摘要:為解決傳統(tǒng)清選損失檢測傳感器依靠時域特征閾值分辨籽粒沖擊信號存在的閾值確定難、魯棒性差、缺乏適應(yīng)性等問題,開發(fā)了一套玉米籽粒直收機(jī)清選損失檢測系統(tǒng),提出了一種基于變尺度一維卷積神經(jīng)網(wǎng)絡(luò)(VS-1D CNN)的籽粒沖擊分類算法。首先,針對沖擊信號采集、處理與傳輸設(shè)計了硬件電路與軟件處理程序,開發(fā)了配套上位機(jī)。然后,搭建數(shù)據(jù)采集試驗平臺,采集、保存了不同沖擊高度和角度下雜余、玉米籽粒沖擊信號,構(gòu)建了數(shù)據(jù)集并對VS-1D CNN籽粒沖擊分類算法進(jìn)行了訓(xùn)練,訓(xùn)練結(jié)果表明,該模型在測試集上準(zhǔn)確率為94.2%。最后,對所設(shè)計的檢測系統(tǒng)在不同工作條件下的性能及不同雜余、籽粒混合物的分類性能進(jìn)行了驗證,結(jié)果表明所提出的VS-1D CNN算法性能表現(xiàn)良好,在不同安裝位置和不同籽粒流量下,檢測準(zhǔn)確率最高可達(dá)95%以上;對于不同比例雜余、籽粒混合物識別分類準(zhǔn)確率達(dá)93%以上,表明本文所提出算法性能優(yōu)異,可以在不設(shè)置固定時域特征閾值情況下準(zhǔn)確檢測籽粒損失。

摘要:為了實現(xiàn)寬行距果蔬種植環(huán)境下土壤參數(shù)高效檢測,根據(jù)土壤自動化檢測作業(yè)需求,本文對土壤多參數(shù)檢測機(jī)器人的土壤鉆孔模組和檢測傳感器運動模組分別進(jìn)行了結(jié)構(gòu)和控制電路設(shè)計,配置搭載了視覺導(dǎo)航模組。其中視覺導(dǎo)航控制模組使用DSU2Net輕量化分割模型進(jìn)行路徑識別,通過提取分割路徑感興趣區(qū)域,獲取左右邊界點計算中間導(dǎo)航點,之后運用最小二乘法擬合導(dǎo)航線,結(jié)合實時獲取的機(jī)器人航向角,利用PID算法進(jìn)行行走導(dǎo)航控制。試驗結(jié)果表明,DSU2Net模型參數(shù)量僅為6.5×105,識別幀率達(dá)到63.17f/s,平均準(zhǔn)確率為94.68%,F1值為89.87%,具有較好的實時性和準(zhǔn)確性。初始位置無偏差情況下,不同速度平均誤差不大于0.074m,標(biāo)準(zhǔn)誤差不大于0.044m。初始位置有偏差情況下,平均誤差不大于0.085m,標(biāo)準(zhǔn)誤差不大于0.088m。土壤鉆孔和檢測傳感器運動模組作業(yè)穩(wěn)定,能夠?qū)Σ煌疃韧寥肋M(jìn)行鉆孔松土和參數(shù)檢測。研究結(jié)果可為果蔬種植環(huán)境土壤自主檢測提供技術(shù)方案。

摘要:無人飛機(jī)在雜交水稻制種輔助授粉領(lǐng)域得到廣泛應(yīng)用,但現(xiàn)有電動農(nóng)用無人飛機(jī)續(xù)航時間短,換電頻次高,難以充分利用短暫的有效授粉時間窗口,影響授粉效率。為解決無人飛機(jī)輔助授粉續(xù)航時間短的問題,同時優(yōu)選作業(yè)參數(shù)以提高輔助授粉作業(yè)效果,本文設(shè)計了一種采用多電池組分時并聯(lián)配電方案的航時可延展輔助授粉無人飛機(jī),最大續(xù)航時間達(dá)到50min。采用基于LBM(Lattice Boltzmann method)的數(shù)值模擬方法對樣機(jī)旋翼產(chǎn)生的下洗風(fēng)場進(jìn)行了仿真,優(yōu)選出飛行速度4.5m/s和飛行高度2m(距離父本冠層)的作業(yè)參數(shù)。為驗證樣機(jī)輔助授粉效果和優(yōu)選作業(yè)參數(shù)的有效性,設(shè)計了樣機(jī)、四旋翼、六旋翼3種機(jī)型雜交水稻制種田間輔助授粉對比試驗,并通過采集單視野平均花粉粒數(shù)、結(jié)實率、制種產(chǎn)量以及續(xù)航時間4個維度數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)化分析。試驗結(jié)果表明,樣機(jī)試驗續(xù)航時間(42min)、輔助授粉作業(yè)效率(10.5hm2/架次)、單視野平均花粉粒數(shù)(6.98粒,農(nóng)藝上要求至少3粒)和制種產(chǎn)量(1996.5kg/hm2)以及綜合評分均優(yōu)于另外兩種對照機(jī)型。研究結(jié)果可為提高雜交水稻制種無人飛機(jī)輔助授粉效率提供參考。

摘要:針對目前使用無人機(jī)識別棉花黃萎病危害等級時,光譜數(shù)據(jù)冗余度高和傳統(tǒng)機(jī)器學(xué)習(xí)模型識別精度不足等問題,采用無人機(jī)搭載NanoHyperspec高光譜成像儀采集棉田高光譜圖像,通過探究棉花冠層對不同黃萎病危害等級的光譜響應(yīng)特征,利用最優(yōu)植被指數(shù)組合建立一種適用于黃萎病危害等級分類的監(jiān)測模型,實現(xiàn)棉花黃萎病危害等級的精準(zhǔn)分類。首先,利用最小冗余最大相關(guān)算法(Minimum redundancy maximum relevance,mRMR)對17種潛在的植被指數(shù)和270個光譜波段進(jìn)行特征重要性排序,將mRMR篩選得到的特征,通過逐步遞增分組的方式輸入至極限梯度提升模型(eXtremegradientboosting,XGBoost),確定與黃萎病危害等級相關(guān)性最高的植被指數(shù)和光譜特征波段。然后,基于Transformer架構(gòu)和前饋神經(jīng)網(wǎng)絡(luò)(Feed forward neural network,FNN)構(gòu)建TransformerFNN棉花黃萎病危害等級分類模型,將植被指數(shù)與光譜特征波段輸入TransformerFNN模型進(jìn)行分類識別,對比了植被指數(shù)與光譜特征波段對棉花黃萎病危害等級分類識別的準(zhǔn)確性。最后,利用后向傳播神經(jīng)網(wǎng)絡(luò)(Back propagation neural network,BPNN)、Transformer和支持向量機(jī)(Support vector machine,SVM)構(gòu)建棉花黃萎病危害等級分類模型,并對這4種分類模型進(jìn)行精度驗證與對比分析。結(jié)果表明:棉花黃萎病等級分類的最優(yōu)植被指數(shù)組合為MSR和TVI,最優(yōu)特征波段組合為430、439、488、566、697、722、742、764、769、782、822、831、858、873、878、893、909、985nm。基于TransformerFNN模型,植被指數(shù)對黃萎病危害等級的總體分類精度為95.6%,較光譜特征波段的總體分類精度89.4%提高6.2個百分點。基于植被指數(shù),TransformerFNN模型對黃萎病危害等級的分類識別率比BPNN模型提高11.2個百分點,比Transformer模型提高17.2個百分點,比SVM模型提高30.8個百分點。研究提出了一種通過植被指數(shù)進(jìn)行棉花黃萎病高精度監(jiān)測方法,可為大面積棉花黃萎病精確監(jiān)測提供有效措施。

摘要:水田平整是水稻生產(chǎn)不可或缺的環(huán)節(jié)。為了改善水田平地機(jī)對坑洼硬底層的適應(yīng)性,進(jìn)一步提高作業(yè)性能,設(shè)計了支撐式水田平地機(jī)。根據(jù)平地鏟工作原理,對平地鏟高度調(diào)節(jié)機(jī)構(gòu)進(jìn)行運動學(xué)分析;在此基礎(chǔ)上,設(shè)計了平地鏟及其高度調(diào)節(jié)機(jī)構(gòu)。設(shè)計了支撐桿結(jié)構(gòu),研究了支撐桿對平地鏟運動特性的影響。開展了有/無支撐桿對比試驗和水田平整試驗。對比試驗結(jié)果表明,有支撐桿的平地鏟在試驗全程高度變化幅度減少15%以上,在田面凸起位置高度變化幅度減少30%以上,同時,平地鏟高度變化次數(shù)減少。表明有支撐桿平地鏟更有利于平地鏟高度控制,更適用于坑洼硬底層作業(yè)。0.21hm2的水田平整試驗結(jié)果表明,平整后田面高度標(biāo)準(zhǔn)差Sd為21.66mm,田面高度相對平整基準(zhǔn)高度絕對偏差不大于30mm的測量點占比ρ為86.54%;總面積為1.89hm2的2塊水田平整試驗結(jié)果表明,平整后Sd分別為26.02mm和27.43mm, ρ分別為80.53%和81.03%。全部試驗田塊經(jīng)平整后的Sd均小于30mm,且ρ均高于80%,達(dá)到了水田平整要求,驗證了支撐式水田平地機(jī)結(jié)構(gòu)設(shè)計有效性,可為坑洼硬底層水田機(jī)械化平整提供裝備支撐。

摘要:針對2BDQ系列玉米品字形播種機(jī)高速作業(yè)時(12~16km/h)因氣流裹挾種子進(jìn)入雙側(cè)導(dǎo)種裝置速度過快產(chǎn)生劇烈碰撞,使雙側(cè)種子交錯均勻程度下降導(dǎo)致落種品字成形率低的問題,設(shè)計一種正壓氣流導(dǎo)槽式導(dǎo)種裝置。闡述了導(dǎo)種裝置結(jié)構(gòu)與上下組合式導(dǎo)槽導(dǎo)種原理,建立玉米種子在導(dǎo)槽上引種、附種過程的力學(xué)模型,探究導(dǎo)種過程中種子約束狀態(tài)與導(dǎo)槽結(jié)構(gòu)參數(shù)的關(guān)系。采用DEM-CFD耦合仿真方法,分析玉米種子導(dǎo)種速度軌跡并比較氣流場確定上導(dǎo)槽與下導(dǎo)槽寬度比例,通過單因素試驗確定上導(dǎo)槽高度、下導(dǎo)槽寬度與輸送氣流正壓取值范圍。以單因素試驗結(jié)果為試驗因素水平值,以品字形合格指數(shù)、導(dǎo)種一致性變異系數(shù)為試驗指標(biāo),利用JPS16型高速播種性能檢測試驗臺進(jìn)行三因素三水平Box-Behnken臺架試驗設(shè)計,得到導(dǎo)種裝置最優(yōu)參數(shù)組合并進(jìn)行試驗驗證,并選用4種不同類型的玉米種子進(jìn)行導(dǎo)種裝置最優(yōu)參數(shù)組合的適播試驗。結(jié)果表明:最優(yōu)參數(shù)組合為上導(dǎo)槽高度354.491mm、下導(dǎo)槽寬度2.245mm、輸送氣流正壓0.739kPa,驗證試驗下該參數(shù)組合的品字形合格指數(shù)為91.791%、導(dǎo)種一致性變異系數(shù)為6.111%,與優(yōu)化結(jié)果相符,在田間試驗作業(yè)速度12~16km/h工況中測得品字形合格指數(shù)不低于85.1%。

摘要:針對現(xiàn)有長江流域棉區(qū)麥后直播裝備仿形效果差、播種深度合格指數(shù)低、播種深度一致性不理想等問題,結(jié)合長江流域棉區(qū)麥后直播棉農(nóng)藝要求設(shè)計了一種獨立仿形棉花直播機(jī),在深入分析長江流域棉區(qū)麥后直播過程中仿形開溝過程基礎(chǔ)上,采用離散元法與多體動力學(xué)耦合方法對仿形開溝作業(yè)過程進(jìn)行了仿真,確定了影響種溝深度的關(guān)鍵結(jié)構(gòu)與工作參數(shù)。利用EDEM-RecurDyn耦合仿真建立了土壤與仿形開溝裝置互作模型,研究了彈簧剛度和機(jī)具作業(yè)速度對開溝深度合格指數(shù)及一致性變異系數(shù)的影響規(guī)律。以開溝深度合格指數(shù)和開溝深度一致性變異系數(shù)為評價指標(biāo)進(jìn)行單因素二次正交旋轉(zhuǎn)組合試驗,確定最優(yōu)參數(shù)組合為彈簧剛度15N/mm、作業(yè)速度0.8m/s,最優(yōu)參數(shù)組合條件下:開溝深度合格指數(shù)為86.7%,開溝深度一致性變異系數(shù)為11.6%。最優(yōu)參數(shù)組合下田間試驗結(jié)果為:開溝深度合格指數(shù)84%,開溝深度一致性變異系數(shù)12.80%,田間與仿真開溝深度合格指數(shù)、開溝深度一致性變異系數(shù)相對誤差為3.21%、9.38%。優(yōu)化后參數(shù)組合與其他組合田間試驗結(jié)果為:開溝深度合格指數(shù)提高不小于6個百分點,開溝深度一致性變異系數(shù)降低不小于1.69個百分點,田間出苗效果滿足長江流域棉區(qū)麥后直播作業(yè)要求。

摘要:南方丘陵山區(qū)地塊小而分散,通常采用田間取泥育秧方式。機(jī)械化取泥雖可以降低成本、節(jié)省時間和勞動力,提高秧苗適應(yīng)性,但由于水田硬底層和泥漿表面不平,作業(yè)參數(shù)難以動態(tài)調(diào)節(jié),導(dǎo)致取泥量不穩(wěn)定,難以實現(xiàn)連續(xù)田間取泥育秧作業(yè)。本文運用Matlab/Simulink建立取泥控制系統(tǒng)模型,以泥漿質(zhì)量為控制目標(biāo),以取泥深度和螺旋輸送器轉(zhuǎn)速為被控變量,采用模糊PID控制方法設(shè)計取泥控制系統(tǒng)仿真模型,并進(jìn)行仿真。仿真結(jié)果表明,當(dāng)前進(jìn)速度為0.15m/s時,取泥控制系統(tǒng)儲泥箱中泥漿質(zhì)量穩(wěn)定時間為18s,超調(diào)量為0.125%。為驗證取泥控制系統(tǒng)作業(yè)效果,搭建了基于位移傳感器、壓力傳感器、傾角傳感器和PLC1200控制器的取泥試驗臺架,以取泥裝置前進(jìn)速度、地面平整度為試驗因素開展臺架試驗,試驗結(jié)果表明,泥漿質(zhì)量最大標(biāo)準(zhǔn)偏差為0.46kg,最小標(biāo)準(zhǔn)偏差為0.21kg,儲泥箱最大泥漿質(zhì)量為8.8kg,最小泥漿質(zhì)量為7.1kg,作業(yè)過程中螺旋輸送器前端未出現(xiàn)泥漿堆積,各項作業(yè)指標(biāo)均滿足田間取泥育秧裝備作業(yè)要求。

摘要:檢測噴嘴性能是植保作業(yè)過程中的重要參數(shù),直接關(guān)系到農(nóng)藥的噴灑效果,進(jìn)而嚴(yán)重影響植保作業(yè)質(zhì)量和效率。本研究設(shè)計一款基于多傳感器同步采集的噴霧機(jī)噴嘴性能檢測儀,以實現(xiàn)田間作業(yè)前對噴嘴性能失效程度的精確評估,保障植保作業(yè)高效、精準(zhǔn)執(zhí)行。采用STM32微控制器為核心處理單元,集成多個高精度流量與壓力傳感器,實時同步采集噴嘴尖端數(shù)據(jù)并通過藍(lán)牙傳輸?shù)絃abVIEW平臺,實現(xiàn)高效、可視化的數(shù)據(jù)分析、預(yù)警與存儲,達(dá)到實時檢測噴嘴性能狀態(tài)要求。試驗結(jié)果表明,對失效噴嘴壓力檢測時壓力測量最大誤差為2.174%,流量測量最大誤差為1.936%;對多個噴嘴性能同步檢測驗證時,壓力測量最大相對誤差為1.515%,平均誤差為0.887%,流量測量最大相對誤差為2.061%,平均誤差為1.151%;對多個噴嘴性能田間試驗時,壓力最大相對誤差為1.990%,平均誤差為1.629%,流量最大相對誤差為2.713%,平均誤差為2.014%,符合噴嘴性能檢測要求。該裝置為噴霧機(jī)噴嘴性能檢測提供了可靠、高效的智能檢測手段,滿足植保標(biāo)準(zhǔn)化作業(yè)前檢測的技術(shù)要求。

摘要:針對履帶式谷物聯(lián)合收獲機(jī)脫粒滾筒對物料打擊力度大、脫出物細(xì)碎化程度高,導(dǎo)致清選篩面雜余多易堆積,影響籽粒透篩,造成清選損失率高以及功率消耗大等問題,通過優(yōu)化齒桿及脫粒元件的結(jié)構(gòu)和排布,設(shè)計了螺旋交錯排布式脫粒滾筒,減少了滾筒載荷波動,降低了脫粒元件對物料的沖擊強(qiáng)度,有利于減少物料的破碎和斷裂。通過離散元仿真試驗與臺架試驗分析了脫出物籽粒分布規(guī)律,對比分析了莖稈在原機(jī)滾筒和所設(shè)計螺旋滾筒內(nèi)的運移速度以及滾筒受到的扭矩。仿真試驗結(jié)果表明,當(dāng)滾筒轉(zhuǎn)速為750r/min時,莖稈在所設(shè)計螺旋滾筒內(nèi)的運移速度提升23.5%,更利于物料向后輸送,平均扭矩下降29.2%,且扭矩波動變化更小,脫粒作業(yè)穩(wěn)定性更好。田間對比試驗結(jié)果表明,所設(shè)計螺旋滾筒脫出物莖稈斷裂和細(xì)碎化程度更低,減輕了篩面負(fù)荷,提升了籽粒透篩概率,清選損失率平均降低22.8%。在相同作業(yè)條件下,配置螺旋滾筒的聯(lián)合收獲機(jī)平均油耗下降18.1%。仿真試驗與田間對比試驗結(jié)果表明,所設(shè)計的螺旋交錯排布式脫粒滾筒有助于減少作業(yè)損失,提升作業(yè)效率,降低脫粒功耗,能夠滿足履帶式聯(lián)合收獲機(jī)高效低損低功耗的作業(yè)需求。

摘要:為進(jìn)一步提高基于介電特性的聯(lián)合收獲機(jī)小麥含水率檢測裝置模型檢測精度和適用范圍,本研究以“京冬22號”、“蜀麥1958冶”、“渦麥33”3個品種小麥為研究對象,測量含水率范圍為8.41%~21.6%,檢測溫度范圍為5~40℃,容重范圍為714.44~777.58kg/m3的小麥相對介電常數(shù)。試驗結(jié)果表明,同一溫度條件下,容重越大,相對介電常數(shù)越大;在同一容重條件下,相對介電常數(shù)會隨溫度升高而增大,也隨含水率升高而變大。采用校正集樣本150個,預(yù)測集樣本42個,基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(GABP)的方法建立了相對介電常數(shù)、溫度、容重與小麥含水率的關(guān)系模型,模型采用3-5-1結(jié)構(gòu),最大迭代次數(shù)1000次,學(xué)習(xí)誤差閾值1×10-6。校正集R2、RMSE、MAE分別為0.996、0.241%、0.189%;預(yù)測集R2、RMSE、MAE分別為0.993、0.295%、0.189%,該模型具有較高的檢測精度和穩(wěn)定性,為不同品種小麥含水率在線檢測提供了一種新的檢測方法。

摘要:針對末端執(zhí)行器采摘作用力與果蔬匹配性差,導(dǎo)致?lián)p傷率較高、通用性偏低的問題,提出一種基于靈巧手的球形果蔬無損抓取接觸力優(yōu)化方法。分析球形果蔬采摘的分離方案,建立有摩擦無損點接觸模型,以采摘期的水蜜桃為研究對象,試驗測定指尖材料與水蜜桃的靜摩擦因數(shù)和無損接觸參數(shù)。基于旋量理論建立多指靈巧手的運動學(xué)模型以及雅可比矩陣,分析果蔬采摘的力平衡約束,構(gòu)建關(guān)節(jié)接觸點果蔬的力位映射模型,提出基于最小作用力的靈巧手抓取規(guī)劃方法,以采摘水蜜桃為例進(jìn)行求解分析,基于快速非支配排序遺傳算法(Nondominated sorting genetic algorithm II,NSGAII)實現(xiàn)接觸力的多目標(biāo)尋優(yōu)。水蜜桃采摘試驗結(jié)果表明,該方法能實現(xiàn)對半徑為2.6~8cm水蜜桃的穩(wěn)定抓取與采摘,有效避免采摘過程中果蔬損傷,實際測量值與理論計算值平均絕對接觸力誤差為0.39N,采摘成功率為92%,無損率為97.8%,平均采摘時間為10.3s,滿足靈巧手無損穩(wěn)定采摘的需求。

摘要:針對當(dāng)前國內(nèi)外小粒徑苜蓿種子機(jī)械化收獲缺少專用采收裝備且采凈率低等問題,設(shè)計了一種機(jī)械梳脫耦合負(fù)壓氣流吸收的增流式半喂入苜蓿種子收獲機(jī)。根據(jù)苜蓿植株生物學(xué)特性和種植農(nóng)藝提出了機(jī)械梳齒梳脫、氣流吸附與運移、負(fù)壓風(fēng)機(jī)增流的小粒徑苜蓿種子機(jī)械化采收方案。基于苜蓿種子收獲過程損失抑制機(jī)理進(jìn)行了梳脫割臺關(guān)鍵部件設(shè)計,針對苜蓿種子收獲過程中的未梳損失,設(shè)計梳齒結(jié)構(gòu)對種莢進(jìn)行捋穗式梳脫。針對落粒與飛濺損失,設(shè)計滾筒與壁面組合式氣流喉口和負(fù)壓風(fēng)機(jī)對種子、種莢進(jìn)行吸附與運移。在此基礎(chǔ)上,開展了梳齒梳脫過程中的運動學(xué)特性分析,確定了梳脫速比有效范圍為36~50,梳脫滾筒半徑為290mm,并識別出影響未梳損失的關(guān)鍵參數(shù)為梳脫滾筒轉(zhuǎn)速、中心離地高度和割臺行進(jìn)速度。利用CFD仿真結(jié)合CCD正交試驗研究了梳脫滾筒轉(zhuǎn)速、氣流喉口尺寸與負(fù)壓風(fēng)機(jī)轉(zhuǎn)速交互作用對割臺流場的影響規(guī)律,并通過響應(yīng)面法確定氣流喉口尺寸、梳脫滾筒轉(zhuǎn)速和負(fù)壓風(fēng)機(jī)轉(zhuǎn)速優(yōu)化值分別為83mm、1000r/min和1450r/min。為驗證整機(jī)及梳脫割臺功能有效性,開展了苜蓿種子收獲樣機(jī)田間試驗,結(jié)果表明:當(dāng)梳脫滾筒中心離地高度為430mm、機(jī)具行進(jìn)速度為0.68m/s時,梳脫后苜蓿植株無種莢漏梳現(xiàn)象,苜蓿種子采凈率達(dá)到83.4%,作業(yè)效率達(dá)0.73hm2/h,滿足苜蓿種子機(jī)械化采收指標(biāo)要求,為小粒徑種子采收機(jī)設(shè)計提供了參考。

摘要:加氣滴灌能有效提高水肥利用效率和作物產(chǎn)量,在加氣系統(tǒng)中形成大量均勻的微納米氣泡,并提高灌溉水中溶解氧濃度,是加氣滴灌長距離水氣均勻傳輸?shù)年P(guān)鍵。基于旋流剪切破碎原理設(shè)計了一種微納米氣泡發(fā)生器并優(yōu)化其工作參數(shù)。通過單因素試驗分析、高速攝影技術(shù)和溶氧檢測試驗,研究了系統(tǒng)運行壓力和進(jìn)氣量對氣泡特征(直徑、數(shù)量和均勻度)和溶氧量的影響,最終結(jié)合響應(yīng)面優(yōu)化試驗,確定裝置最優(yōu)加氣效果下的運行壓力與進(jìn)氣量組合,結(jié)果表明:壓力控制在300~400kPa內(nèi),生成的氣泡和溶氧效果相較其他壓力工況下更好。在進(jìn)氣量1%~5%內(nèi),采用1%進(jìn)氣量時小氣泡的直徑分布最佳、平均直徑最小,而5%進(jìn)氣量下裝置生成氣泡速率更快。5%以上的大進(jìn)氣量會使裝備停止運行后60μm以下的小氣泡數(shù)量偏少,并顯著增大微氣泡的平均直徑,縮短氣泡持續(xù)時間。同時,溶氧試驗表明,增加進(jìn)氣量能顯著提高溶氧效率以及最終氧含量。通過響應(yīng)優(yōu)化求解,得出裝置以壓力350kPa和進(jìn)氣量2%的工況運行,能夠以最低能耗達(dá)到最優(yōu)加氣效果。此工況下,裝置最終生成小氣泡直徑d32為68.6μm,增氧速率約0.81mg/(L·min),溶氧穩(wěn)定后溶氧量變化量為1.08mg/L,氣泡維持時間可達(dá)323s。

摘要:不同作物遙感分類算法具備不同的學(xué)習(xí)能力和容錯能力,單一分類器的精度因研究區(qū)和使用的數(shù)據(jù)不同而存在差異,沒有一種分類器能夠在所有情況下都獲得最優(yōu)表現(xiàn)。鑒于此,本文提出了基于客觀賦權(quán)法集成多分類器的集成學(xué)習(xí)算法用于作物分類。以K最近鄰法、支持向量機(jī)、隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)和一維卷積神經(jīng)網(wǎng)絡(luò)為基分類器,基于Sentinel2多光譜影像計算時序歸一化植被指數(shù)(Normalized difference vegetation index,NDVI)作為輸入特征。對熵值法和變異系數(shù)法進(jìn)行改進(jìn),并結(jié)合組合賦權(quán)法對5個基分類器進(jìn)行加權(quán)集成。結(jié)果表明,利用改進(jìn)的賦權(quán)方法確定基分類器的權(quán)重獲得的分類精度高于利用原始賦權(quán)方法,并且基于組合賦權(quán)法對改進(jìn)的熵值法和改進(jìn)的變異系數(shù)法進(jìn)行組合獲得的分類精度略高于基于單一賦權(quán)方法獲得的分類精度。與基分類器相比,基于F1值和歸一化組合賦權(quán)法構(gòu)建的集成學(xué)習(xí)算法在美國阿肯色州、佐治亞州、得克薩斯州和愛荷華州4個研究區(qū)的分類總體精度分別提高1.12~6.45、0.75~3.98、0.45~2.70、1.15~2.50個百分點。與傳統(tǒng)眾數(shù)投票、概率融合和精度加權(quán)方法相比,本文提出的集成學(xué)習(xí)算法同時考慮了基分類器精度差異與穩(wěn)定性。

摘要:針對辣椒穴盤育苗播種質(zhì)量實時、準(zhǔn)確檢測難和邊緣設(shè)備算力有限等問題,基于 YOLO v8n 設(shè)計了一種輕量級檢測算法 YOLO v8n SCS(YOLO v8n improved with StarNet, CAM and SCConv)。 采用“單格訓(xùn)練 + 整盤檢測冶的技術(shù)策略以降低訓(xùn)練成本,提高訓(xùn)練效率。 采用 StarNet 輕量級網(wǎng)絡(luò)和上下文增強(qiáng)模塊( Context augmentationmodule,CAM)作為主干網(wǎng)絡(luò),在降低模型復(fù)雜程度同時,實現(xiàn)深層特征多感受野信息融合;采用空間與通道重建卷積(Spatial and channel reconstruction convolution,SCConv)優(yōu)化中間層 C2f(Cross stage partial network fusion)模塊的瓶頸結(jié)構(gòu),增強(qiáng)模塊特征提取能力和提高模型推理速度;融合P2檢測層,將基線3個檢測頭減至1個,增強(qiáng)模型對小目標(biāo)的檢測性能。結(jié)果表明,YOLOv8nSCS模型參數(shù)量為1.2×106、內(nèi)存占用量為2.7MB、浮點數(shù)運算量為7.6伊109,在穴盤單格數(shù)據(jù)集上,其mAP50為98.3%、mAP50-95為83.8%、幀率為112f/s,相比基線模型YOLOv8n,參數(shù)量降低62.5%、mAP50提升2.5個百分點、mAP50-95提升2.1個百分點、浮點數(shù)運算量降低14.6%、幀率提升23.1%;在整盤檢測任務(wù)中,其檢測幀率為21f/s,檢測準(zhǔn)確率為98.2%,相比基線模型檢測幀率提升8.2%、準(zhǔn)確率提升1.1個百分點,對于播種速度800盤/h以內(nèi)的72穴育苗盤和600盤/h以內(nèi)的128穴育苗盤,其平均檢測準(zhǔn)確率大于96%,且單粒率、重播率和漏播率檢測誤差小于1.8%。本文模型在性能和計算成本之間取得了很好的平衡,降低了部署邊緣設(shè)備計算要求,滿足辣椒穴盤育苗播種質(zhì)量在線檢測需求,為育苗播種生產(chǎn)線智能化升級提供了技術(shù)支持。

摘要:針對蘋果花激光疏花技術(shù)中的關(guān)鍵參數(shù)優(yōu)化問題,設(shè)計了激光疏花試驗臺。通過正交試驗法,優(yōu)化了試驗臺高度、激光打擊時間及PWM占空比,得到最佳參數(shù)組合:激光高度為20cm、打擊時間為10s、激光功率(PWM占空比)為50%將達(dá)到最佳的疏花效果。針對激光疏花中蘋果花識別與定位,提出了LTYOLO(Light weight and targeted you only lookonce)蘋果花檢測模型,設(shè)計了基于ViTBlock的DPRViTBlock模塊和基于C2f模塊的DPRVBC2f模塊,并添加了DPRVBC2f模塊和ELA注意力模塊,應(yīng)用于檢測骨干和檢測頭的特征提取,以增強(qiáng)對蘋果花的檢測性能,驗證集中該模型的準(zhǔn)確率、召回率和平均精度均值分別為83.16%、82.15%和87.47%,相比YOLOv8模型分別提高5.04、2.12、2.15個百分點,內(nèi)存占用量為5.26MB,檢測速度為128f/s,滿足使用時的準(zhǔn)確性和實時性的要求。該研究為蘋果花疏花技術(shù)進(jìn)一步優(yōu)化與智能化應(yīng)用提供了科學(xué)依據(jù)。

摘要:針對面對害蟲數(shù)據(jù)稀缺的實際場景時,現(xiàn)有害蟲圖像識別方法容易出現(xiàn)過擬合導(dǎo)致模型表達(dá)能力不足的問題,本研究提出了一種結(jié)合度量學(xué)習(xí)和遷移學(xué)習(xí)的小樣本田間害蟲圖像分類識別方法。 首先,使用 ECA PyramidResNet12 模型在 mini-ImageNet 數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練;其次,在度量模塊中添加 ECA 通道注意力機(jī)制,通過捕捉通道間的依賴關(guān)系來增強(qiáng)害蟲的圖像特征表示;然后,使用特征金字塔結(jié)構(gòu)來捕獲害蟲圖像的局部特征和害蟲的多尺度特征;最后,利用 20 類自建鱗翅目害蟲圖像作為元數(shù)據(jù)集,對模型進(jìn)行元訓(xùn)練和元測試。 實驗結(jié)果表明,在3-way 5-shot 和 5-way 5-shot 條件下,本文模型準(zhǔn)確率分別達(dá)到 91.16% 和 87.26% ,比 SSFormers、DeepBDC 方法分別提高 4.58、1.35 個百分點。 提出的模型有效提升了小樣本學(xué)習(xí)中目標(biāo)圖像特征的表達(dá)能力,能夠為數(shù)據(jù)稀缺場景下的田間害蟲自動識別提供方法參考。

摘要:隨著現(xiàn)代生豬養(yǎng)殖業(yè)快速發(fā)展,對豬只行為精準(zhǔn)識別需求日益增長。針對豬只行為多樣性、特征相似性、相互遮擋和堆積等問題,提出一種基于改進(jìn)YOLOv8模型的豬只行為識別方法。首先,引入ConvNeXtV2作為主干特征提取網(wǎng)絡(luò),以增強(qiáng)對檢測目標(biāo)的語義信息提取能力。其次,在特征融合網(wǎng)絡(luò)中添加加權(quán)雙向特征金字塔網(wǎng)絡(luò)(BiFPN),強(qiáng)化模型特征融合能力。此外,結(jié)合上采樣算子CARAFE,進(jìn)一步提升模型在行為識別過程中特征提取能力。最后,使用WIoUv3作為損失函數(shù),優(yōu)化模型檢測精度。經(jīng)實驗驗證,改進(jìn)后模型準(zhǔn)確率、召回率、平均精度均值和F1值分別達(dá)到89.6%、88.0%、91.9%和88.8%,與TOOD、YOLOv7和YOLOv8模型相比,平均精度均值分別提高10.9、6.3、3.7個百分點,顯著提高豬只行為識別精度。消融實驗表明,各項改進(jìn)均對模型的識別性能有提升效果,ConvNeXtV2主干特征提取網(wǎng)絡(luò)對模型的提升效果最明顯。綜上所述,CBCW-YOLOv8模型在豬只行為識別任務(wù)中展現(xiàn)出優(yōu)良的綜合性能,為豬只健康管理和疾病預(yù)警提供有力的技術(shù)支持。

摘要:針對柑橘枝葉果叢生密布、位姿隨機(jī)生長情況,為了實現(xiàn)對內(nèi)生交錯和枝果層疊的果實安全交互采摘,本文提出了一種柑橘避障采摘方法。為了提高定位精度和采摘效率,將手眼標(biāo)定問題轉(zhuǎn)換為求解T1X=XT2的問題,完成了相機(jī)坐標(biāo)系到機(jī)械臂基坐標(biāo)系的標(biāo)定;針對自然環(huán)境下柑橘開心樹形進(jìn)行了基于點云密度的樹木骨架提取,并通過點密度閾值法對枝干點云進(jìn)行降噪處理,提高運算速度;利用八叉樹地圖法進(jìn)行枝干障礙物地圖搭建,通過層次包圍盒法擬合機(jī)械臂并進(jìn)行碰撞檢測,以時間最優(yōu)為目標(biāo),提出一種符合采摘農(nóng)藝需求的改進(jìn)RRT-connect避障規(guī)劃算法,在RRT-connect算法上引入目標(biāo)偏置,對采樣點進(jìn)行優(yōu)選導(dǎo)向。為驗證該避障方法的可行性,以標(biāo)準(zhǔn)矮化密植栽培柑橘果園為研究對象,搭建了采摘機(jī)器人避障系統(tǒng)。針對自然環(huán)境下果樹內(nèi)部和貼近樹干生長柑橘果實分別進(jìn)行多組避障采摘試驗。試驗結(jié)果表明,針對貼近樹干生長果實的避障運動時間為9.5s,避障采摘成功率為91%;針對果樹內(nèi)部生長的果實避障運動時間為10.5s,避障采摘成功率為88%。

摘要:全球氣候變化對未來糧食產(chǎn)量影響巨大。水分和溫度是冬小麥-夏玉米生長過程中最重要的環(huán)境因子,顯著影響其產(chǎn)量。利用華北平原保定灌溉試驗站2006—2015年冬小麥夏玉米灌溉試驗數(shù)據(jù)對AquaCrop模型進(jìn)行參數(shù)率定與校核,依據(jù)Blank型、Stewart型、Jensen型、Minhas型4種經(jīng)典的水分生產(chǎn)函數(shù),構(gòu)建冬小麥夏玉米生育期內(nèi)各階段積溫、耗水量和產(chǎn)量之間的水熱生產(chǎn)函數(shù);在此基礎(chǔ)上,利用第六次國際耦合模式比較計劃CMIP6中海氣耦合全球氣候MIROC6模式數(shù)據(jù)來考慮未來氣候變化情景,對低強(qiáng)迫排放情景(SSP1-RCP2.6和SSP4-RCP3.4)、中等強(qiáng)迫排放情景(SSP2-RCP4.5)、中等至高強(qiáng)迫排放情景(SSP3RCP7.0)和高強(qiáng)迫排放情景(SSP5-RCP8.5)等5種未來氣候變化情景的逐日降雨量與氣溫數(shù)據(jù)進(jìn)行降尺度分析,并結(jié)合構(gòu)建的水熱生產(chǎn)函數(shù)對冬小麥夏玉米產(chǎn)量變化進(jìn)行分析和預(yù)測。結(jié)果表明:經(jīng)多年灌溉試驗數(shù)據(jù)校核后的AquaCrop模型可以較好地模擬該地區(qū)冬小麥-夏玉米生長過程,夏玉米產(chǎn)量模擬值與實測值間的決定系數(shù)(R2)、均方根誤差(RMSE)、標(biāo)準(zhǔn)化均方根誤差(NRMSE)和一致性系數(shù)(d)分別為0.91、0.58t/hm2、0.06、0.97,冬小麥分別為0.80、0.42t/hm2、0.10、0.94。通過AquaCrop模型模擬的多年數(shù)據(jù)構(gòu)建了4種水熱生產(chǎn)函數(shù),其中Jensen型生產(chǎn)函數(shù)效果最好;冬小麥在抽穗灌漿期對水分最敏感,返青拔節(jié)期積溫對產(chǎn)量影響效應(yīng)最明顯,而夏玉米在拔節(jié)抽穗期對水分最敏感,本階段積溫對產(chǎn)量的影響效應(yīng)也最明顯。在未來氣候變化的5種排放情景下,冬小麥潛在產(chǎn)量呈波動趨勢,但均高于當(dāng)前時期的多年平均潛在產(chǎn)量,在SSP3-RCP7.0情景更適合生長發(fā)育;夏玉米潛在產(chǎn)量整體呈上升趨勢,在SSP1-RCP2.6情景更適合生長發(fā)育。在未來5種氣候情景下,僅考慮水熱條件補(bǔ)充灌溉對冬小麥潛在產(chǎn)量的貢獻(xiàn)率為70%左右;生育期降雨量對夏玉米潛在產(chǎn)量的貢獻(xiàn)率為94%左右。研究結(jié)果可評估未來氣候變化下糧食作物產(chǎn)量變化情況,為保障國家糧食安全戰(zhàn)略提供理論依據(jù)和技術(shù)支撐。

摘要:灌區(qū)以地表水為水源且充足時,優(yōu)化微灌管網(wǎng)需確定單個微灌系統(tǒng)的合理控制面積及布置形式并進(jìn)行優(yōu)化設(shè)計,目前管網(wǎng)優(yōu)化方法對此情況下隨機(jī)供水微灌管網(wǎng)系統(tǒng)的優(yōu)化并不適用。為實現(xiàn)不限定面積情況下隨機(jī)供水微灌管網(wǎng)系統(tǒng)布置與管徑同步優(yōu)化,并提出其最優(yōu)設(shè)計準(zhǔn)則,建立了微灌干管管網(wǎng)優(yōu)化設(shè)計數(shù)學(xué)模型,并給出了基于混合編碼遺傳算法的模型求解方法。分析了干管管網(wǎng)單位面積年費用與管網(wǎng)布置的相關(guān)性,及毛管管徑、灌水器設(shè)計流量、灌水器間距、灌水器流態(tài)指數(shù)等對干管管網(wǎng)及微灌管網(wǎng)系統(tǒng)單位面積年費用的影響。實例計算結(jié)果表明,基于毛管雙向布置控制面積最大模型結(jié)果優(yōu)化得到的微灌管網(wǎng)系統(tǒng)單位面積年費用最低,基于毛管單向布置單位面積年費用最低模型結(jié)果優(yōu)化得到的微灌管網(wǎng)系統(tǒng)單位面積年費用最高。與毛管單向布置單位面積年費用最低模型相比,基于毛管雙向布置控制面積最大模型結(jié)果優(yōu)化得到的微灌管網(wǎng)系統(tǒng)單位面積年費用減小4.46%~15.74%。實際工程中應(yīng)采用較小的毛管管徑、灌水器設(shè)計流量、灌水器流態(tài)指數(shù)和較大的灌水器間距,并基于毛管雙向布置控制面積最大模型優(yōu)化田間管網(wǎng),以此優(yōu)化結(jié)果為基礎(chǔ)進(jìn)行干管管網(wǎng)優(yōu)化可有效降低費用。研究可為不限定面積情況下隨機(jī)供水微灌管網(wǎng)系統(tǒng)優(yōu)化設(shè)計提供依據(jù)。

摘要:黑土坡耕地順坡耕作土壤侵蝕嚴(yán)重,土壤有機(jī)碳含量逐年下降。為探明不同水土保持耕作技術(shù)對黑土坡耕地玉米田土壤碳平衡的影響,開展徑流小區(qū)試驗,以常規(guī)耕作(CK)作為對照,設(shè)置等高耕作(CT)、壟向區(qū)田(RT)、深松耕(ST)、等高耕作+壟向區(qū)田(CR)、等高耕作+深松耕(CS)、壟向區(qū)田+深松耕(RS)等6種坡耕地綜合治理技術(shù)模式,觀測不同水土保持耕作技術(shù)下玉米收獲后各器官干物質(zhì)量和碳含量,同步監(jiān)測玉米田土壤碳儲量增量、CO2排放碳量和土壤侵蝕損失碳量,估算玉米凈初級生產(chǎn)力(NPP)和玉米田凈土壤碳收支值(NSCB)。結(jié)果表明:玉米植株總固碳量為10201.93~12357.34kg/hm2,各器官固碳量從大到小依次為籽粒、莖鞘、葉、穗軸、根;CT、RT、CR、CS、RS處理NPP顯著高于CK處理(P<0.05),分別增加20.28%、11.55%、21.68%、16.55%、7.95%,而ST處理NPP與CK處理之間無顯著差異(P>0.05);壟向區(qū)田、深松耕及其組合模式增加玉米田CO2排放總量,等高耕作和等高耕作+壟向區(qū)田可以降低CO2排放總量;CT處理NSCB最高,為1402.29kg/hm2,CT、RT、CR、CS處理NSCB顯著高于CK處理(P<0.05),而ST處理NSCB顯著低于CK處理(P<0.05)。綜合來看,等高耕作治理技術(shù)模式最佳,碳增“匯冶潛力最強(qiáng),研究結(jié)果可為東北黑土區(qū)坡耕地保護(hù)與治理提供理論參考和技術(shù)支撐。

摘要:水分側(cè)滲過程是稻田水循環(huán)的重要環(huán)節(jié)。為揭示灌排協(xié)同調(diào)控對稻田水分側(cè)滲的影響,開展了連續(xù)兩年的田間試驗,通過設(shè)置不同的田間灌溉模式(控制灌溉、淺濕灌溉)和溝道排水方式(控制排水、自由排水)組合處理,研究灌排調(diào)控對稻田田埂溝道區(qū)域水分側(cè)滲過程的影響。結(jié)果表明:控制灌溉田埂土壤含水率波動較淺濕灌溉更劇烈,控制排水田埂土壤含水率波動較自由排水變小。灌排調(diào)控對稻田田埂溝道區(qū)域水分側(cè)滲有顯著影響,控制灌溉處理較淺濕灌溉處理、控制排水處理較自由排水處理均減小了田埂水分側(cè)滲強(qiáng)度峰值和均值,且顯著降低了稻田水分側(cè)滲總量,兩年試驗期稻田側(cè)滲水總量降低63.49%。稻田灌溉處理和溝道排水處理均對稻田水分側(cè)滲產(chǎn)生顯著影響,且灌溉處理的影響效應(yīng)更強(qiáng)。相較于淺濕灌溉處理,控制灌溉處理田埂側(cè)滲水總量占稻田輸入水總量比例增加,在實施控制灌溉時,需加強(qiáng)對稻田水分側(cè)滲管理,以確保灌溉效果最大化。灌排調(diào)控稻田水分側(cè)滲過程主要發(fā)生在田埂深度10~20cm內(nèi),在該深度存在水分側(cè)滲通道,在該深度實施合理的防滲方案可有效減少田間水分損失。研究揭示了灌排調(diào)控下稻田田埂溝道區(qū)域水分側(cè)滲過程及其對土壤水分變化的響應(yīng)過程,可為農(nóng)業(yè)水資源高效利用和精細(xì)化管理提供參考。

摘要:為探求冬小麥農(nóng)田減排優(yōu)產(chǎn)高效的施肥模式,以冬小麥(小偃22)為研究對象,設(shè)置不施肥(KB),常規(guī)施肥(NP),有機(jī)肥等氮替代25%(25%OF)、50%(50%OF)、75%(75%OF)、100%(100%OF)無機(jī)肥共6個處理,探究不同有機(jī)無機(jī)肥配施比例對冬小麥農(nóng)田溫室氣體排放、產(chǎn)量及氮肥利用效率的影響。結(jié)果表明,兩個冬小麥生長期,各施肥處理中75%OF和25%OF處理CO2平均累積排放量最低,分別比NP減少7.62%和15.31%,CO2排放通量具有夏季升高、冬季降低的特征。NP處理CH4累積吸收量最高,100%OF處理CH4累積吸收量最低,有機(jī)無機(jī)肥配施處理隨著有機(jī)肥配施比例的增加對CH4的吸收呈減少趨勢。75%OF和100%OF處理N2O累積排放量最低,兩年平均累積排放量分別比NP減少92.94%和159.47%。75%OF處理全球綜合增溫潛勢(GWP)和溫室氣體排放強(qiáng)度(GHGI)均為最低,分別比NP降低27.19%和41.38%。與NP相比,50%OF和75%OF處理冬小麥產(chǎn)量在2018—2020年分別增加15.78%~17.73%和18.64%~23.07%。與NP相比,75%OF處理顯著提高了冬小麥氮素吸收量和氮肥利用效率。綜合考慮生態(tài)因素和經(jīng)濟(jì)因素,以有機(jī)肥等氮替代75%無機(jī)肥是西北地區(qū)既能實現(xiàn)溫室氣體減排又能保證冬小麥優(yōu)產(chǎn)高效的較優(yōu)施肥模式。

摘要:場景識別可作為溫室環(huán)境空間定位的替代方案,也是智能農(nóng)機(jī)裝備視覺系統(tǒng)的重要功能之一。針對以特征聚類為基礎(chǔ)的場景識別范式無法適應(yīng)高動態(tài)變化且高度相似的溫室場景識別的問題,提出一種基于深度特征聚合的溫室場景識別方法,以預(yù)訓(xùn)練的視覺Transformer網(wǎng)絡(luò)為基礎(chǔ),提取場景圖像局部特征,應(yīng)用多層感知機(jī)全局感受野特性,考慮局部特征空間關(guān)系,融合圖像局部特征,生成場景圖像全局描述子,以多重相似性損失最小化為優(yōu)化目標(biāo),構(gòu)建溫室場景識別模型。試驗結(jié)果表明,模型場景識別R@1(top-1召回率)、R@5和R@10分別達(dá)到78.43%、89.21%和92.47%,具有較高的場景識別精度。所提出的基于多層感知機(jī)的特征混合方法是有效的,與采用池化操作進(jìn)行特征聚合相比,R@1提高8.01個百分點。模型對光照條件變化具有一定的魯棒性,與正常的中等光照條件相比,強(qiáng)光及弱光條件下,R@1下降未超過4.00個百分點。相機(jī)視角及采樣距離的變化也會影響模型識別性能,20°以內(nèi)的視角變化,R@1下降6.61個百分點,2倍以內(nèi)的距離變化,R@1下降17.87個百分點。與現(xiàn)有場景識別基準(zhǔn)方法NetVLAD、GeM、Patch-NetVLAD、MultiRes-NetVLAD和MixVPR相比,R@1分別提高7.82、6.59、3.56、4.14、1.88個百分點,在溫室場景識別任務(wù)上模型性能有較大提升。該研究構(gòu)建的基于多層感知機(jī)的圖像全局特征聚合方法,能夠生成可靠的全局描述子,用于溫室場景識別,且具有一定的光照、視角、距離及時間變化的魯棒性,研究結(jié)果可為智能農(nóng)機(jī)視覺系統(tǒng)設(shè)計提供技術(shù)參考。

摘要:隨著山藥加工產(chǎn)業(yè)的發(fā)展,山藥品質(zhì)快速無損檢測分級對產(chǎn)業(yè)鏈的健康發(fā)展具有實用意義。以研發(fā)山藥多品質(zhì)無損快速檢測裝置為目的,基于可見/近紅外局部漫透射原理,根據(jù)山藥特殊外觀特點設(shè)計了山藥專用檢測探頭,通過對比實驗設(shè)計光路,研制了一種手持式山藥多品質(zhì)無損檢測裝置。裝置整體尺寸為150mm×80mm×150mm,質(zhì)量約590g。基于研發(fā)裝置采集了150 個山藥的光譜信息,采集的光譜經(jīng)多元散射校正(Multiplicative scatter correction,MSC)后再利用隨機(jī)蛙跳算法(Shuffled frog leaping algorithm,SFLA)篩選特征波長,建立了山藥干 物質(zhì)、淀粉、蛋白質(zhì)含量的偏最小二乘回歸(Partial least squares regression,PLSR)預(yù)測模型,其干物質(zhì)、淀粉、蛋白質(zhì) 含量的驗證集相關(guān)系數(shù)分別為 0.965 3、0.967 5、0.956 3,均方根誤差( Root mean square error,RMSE) 分別為 1.09% 、 0.83% 、0.15% ,剩余預(yù)測偏差(Residual predictive deviation,RPD)分別為3.67、3.50、3.37。 基于Qt開發(fā)工具利用C語言編寫了實時分析控制軟件,并將預(yù)測模型植入裝置中,進(jìn)行了外部驗證。利用研發(fā)裝置對50個未參與建模的山藥樣品干物質(zhì)、淀粉、蛋白質(zhì)含量進(jìn)行了5次重復(fù)檢測,其變異系數(shù)分別為1.0%~1.2%、1.5%~1.7%、1.4%~1.6%;50個山藥樣本干物質(zhì)、淀粉、蛋白質(zhì)含量裝置檢測結(jié)果和標(biāo)準(zhǔn)理化值最大殘差絕對值分別為1.83%、1.64%、0.26%。結(jié)果表明,研發(fā)的手持式山藥多品質(zhì)無損檢測裝置可以滿足現(xiàn)場實時檢測需求。

摘要:基于應(yīng)激行為學(xué)的赤點石斑魚應(yīng)激行為表征是實現(xiàn)赤點石斑魚氨氮脅迫識別的前提與基礎(chǔ),但現(xiàn)有方法大多依賴于高性能硬件,不利于行為表征方法在養(yǎng)殖現(xiàn)場嵌入式系統(tǒng)上部署和應(yīng)用。針對這一問題,結(jié)合赤點石斑魚氨氮脅迫環(huán)境下活動量減少、軀體痙攣失衡等癥狀,提出了一種基于輕量化檢測跟蹤算法的赤點石斑魚氨氮應(yīng)激行為表征方法。首先使用GhostV2卷積對YOLOv5s進(jìn)行輕量化改進(jìn),采用AFPN來支持不同維度特征直接融合,消融對比實驗結(jié)果表明,改進(jìn)后輕量化模型準(zhǔn)確率和召回率分別為94.3%和89.5%,平均精度均值為96.2%,較改進(jìn)前提高1.6個百分點,模型內(nèi)存占用量約為輕量化前模型的60%。為了減少在復(fù)雜環(huán)境中跟蹤時赤點石斑魚ID頻繁跳變的問題,本文在Ocsort中嵌入了一個輕量級的外觀特征提取網(wǎng)絡(luò)并在目標(biāo)關(guān)聯(lián)時將目標(biāo)的外觀相似度矩陣引入總匹配代價矩陣;對比實驗結(jié)果表明,改進(jìn)后跟蹤算法MOTA和IDF1分別為94.7%和69.3%,比YOLOv5s與OCSORT的檢測跟蹤算法分別提高3.2、6.7個百分點。最終結(jié)合石斑魚氨氮應(yīng)激行為學(xué)研究結(jié)果,選用赤點石斑魚平均運動速度、軀體失衡石斑魚數(shù)量來表征赤點石斑魚氨氮應(yīng)激行為,行為識別準(zhǔn)確率為92.2%,可準(zhǔn)確檢測出赤點石斑魚是否處于氨氮脅迫環(huán)境中。本文的輕量化表征方法可部署到JetsonOrinNano嵌入式系統(tǒng)上,平均運行速度為6f/s,可為工廠化赤點石斑魚養(yǎng)殖氨氮脅迫的高效實時識別提供技術(shù)支撐。

摘要:丘陵山地農(nóng)機(jī)重心位置的改變嚴(yán)重影響其穩(wěn)定性、牽引性以及越障能力,針對山地農(nóng)機(jī)底盤重心調(diào)控裝置設(shè)計理論以及專用實驗平臺缺乏的問題,本文設(shè)計了一種山地農(nóng)機(jī)底盤重心全向調(diào)控實驗平臺。經(jīng)理論分析得出坡度導(dǎo)致山地農(nóng)機(jī)底盤重心偏移,嚴(yán)重影響等高線行駛的穩(wěn)定性和縱向爬坡性能,故綜合考慮坡度和重心位置的關(guān)系確定了實驗平臺的整機(jī)結(jié)構(gòu);實驗平臺主要包括傾角模擬裝置和重心調(diào)整裝置,其中,傾角模擬裝置采用多電動推桿協(xié)同作用實現(xiàn)全向0°~15°坡地模擬,重心調(diào)整裝置采用“工冶字形多滑臺組合的模式實現(xiàn)全向重心自適應(yīng)調(diào)整,從而實現(xiàn)在不同傾角工況下的重心調(diào)整功能,性能試驗結(jié)果表明:在橫、縱向以及斜向0°~15°坡地模擬中,模擬坡度均值以及數(shù)據(jù)中位線與模擬角度誤差均在0.5°之內(nèi);在重心位置確定試驗中,最大重心位置誤差為-21.4mm;在0°~15°的橫向、縱向?qū)嶋H坡地、0°~12°斜向?qū)嶋H坡地可實現(xiàn)重心自適應(yīng)調(diào)控,試驗平均誤差分別為2.6%、3.4%、5.9%,重心調(diào)整量最大誤差分別為6.7、7.3、10.8mm;在0°~15°橫、縱向模擬坡地、0°~12°斜向模擬坡地亦可實現(xiàn)重心的自適應(yīng)調(diào)控,試驗平均誤差分別為5.4%、6.5%、9.7%,重心調(diào)整量最大誤差分別為9.7、10.3、15.8mm,基本符合設(shè)計要求。本文提出的傾角模擬和重心自適應(yīng)調(diào)控方法,可為丘陵山地農(nóng)機(jī)底盤重心調(diào)控理論研究提供借鑒。

摘要:拖網(wǎng)漁船捕撈努力量的估算對于描述海洋漁業(yè)活動、量化拖網(wǎng)作業(yè)對海洋造成的生態(tài)壓力以及修訂漁業(yè)法規(guī)和政策具有重要意義。明確拖網(wǎng)漁船的捕撈投入可為中國近海漁業(yè)資源的可持續(xù)發(fā)展提供科學(xué)數(shù)據(jù)支持。本研究提出了一種基于HarrisHawksOptimization(HHO)優(yōu)化的XGBoost算法,用于構(gòu)建拖網(wǎng)漁船捕撈行為識別模型。結(jié)果表明,該模型準(zhǔn)確率、靈敏度、特異度和馬修斯相關(guān)系數(shù)分別為0.9713、0.9806、0.9632和0.9425。利用該模型識別拖網(wǎng)漁船的捕撈行為并計算了2021年在119°E~124°E、32°N~40°N海域內(nèi)山東省拖網(wǎng)漁船的捕撈努力量。以空間精度1/8°生成了捕撈努力量熱力圖,計算結(jié)果揭示了捕撈活動的空間分布主要集中在2個關(guān)鍵區(qū)域:121.1°E~124°E、35.7°N~38.7°N和119.8°E~122.8°E、33.6°N~35.4°N。本研究可為漁業(yè)資源的定量評估奠定基礎(chǔ),為海洋捕撈漁業(yè)的可持續(xù)發(fā)展提供必要數(shù)據(jù)。

摘要:針對諧波減速器剩余使用壽命預(yù)測退化節(jié)點難以選取、退化指標(biāo)與物理解釋性差、預(yù)測效果偏差較大等問題,提出了一維堆疊卷積自編碼器融合深度卷積嵌入式聚類(SCAE-DCEC)提取退化點,并結(jié)合改進(jìn)蜣螂優(yōu)化算法(DBO)優(yōu)化CNN-LSTM的諧波減速器剩余使用壽命預(yù)測方法。對振動信號進(jìn)行一維堆疊卷積自編碼器與深度卷積嵌入式聚類,解決了退化節(jié)點難以選取、退化指標(biāo)與預(yù)測網(wǎng)絡(luò)契合度差等難題;構(gòu)建了基于SPM混沌映射、自適應(yīng)概率閾值和差分變異擾動的改進(jìn)蜣螂優(yōu)化算法,并對其性能進(jìn)行評估。利用MDBO對CNN-LSTM超參數(shù)進(jìn)行優(yōu)化,形成MDBO-CNN-LSTM的剩余使用壽命預(yù)測模型。在搭建的諧波減速器實驗臺進(jìn)行加速壽命實驗及預(yù)測驗證,實驗結(jié)果表明MDBO-CNN-LSTM訓(xùn)練后預(yù)測模型擬合優(yōu)度明顯高于CNN、LSTM、CNN-LSTM、DBOCNN-LSTM網(wǎng)絡(luò)、直接退化全卷積、直接退化的貝葉斯優(yōu)化LSTM的RUL預(yù)測方法,其預(yù)測精度達(dá)到91.33%,且該方法對諧波減速器壽命后期退化趨勢中的衰退特征具有較強(qiáng)的辨識能力。

摘要:針對電液伺服減震阻尼器加載試驗臺受系統(tǒng)參數(shù)變化、外部干擾的影響,導(dǎo)致對被控模型精度要求較高的三狀態(tài)控制器跟蹤精度降低等問題,本文提出了一種先利用模型參考自適應(yīng)控制將加載系統(tǒng)補(bǔ)償為理想穩(wěn)定參考模型,再對該理想?yún)⒖寄Ｐ瓦M(jìn)行三狀態(tài)控制的自適應(yīng)三狀態(tài)控制策略。依據(jù)減震阻尼器電液伺服加載系統(tǒng)理論模型,推導(dǎo)了考慮被測減震阻尼器阻尼的加載系統(tǒng)傳遞函數(shù);基于Diophantine方程多項式設(shè)計了模型參考自適應(yīng)控制系統(tǒng),將加載系統(tǒng)補(bǔ)償為非最小實現(xiàn)理想?yún)⒖寄Ｐ?提高系統(tǒng)穩(wěn)定性;通過三狀態(tài)反饋補(bǔ)償具有穩(wěn)定理想?yún)⒖寄Ｐ偷募虞d系統(tǒng)固有頻率和阻尼比,再利用三狀態(tài)前饋實現(xiàn)極點配置,提高系統(tǒng)動態(tài)特性。通過對三狀態(tài)控制與自適應(yīng)三狀態(tài)控制進(jìn)行位置階躍和正弦響應(yīng)試驗,在2.0mm/10Hz的位置方波加載信號作用下,超調(diào)量分別為13.5%、9.6%,減小28.9%,上升時間分別為7.4、5.8ms,減少21.6%,穩(wěn)態(tài)誤差分別為0.030、0.018mm,減小40.0%;在1.5mm/30Hz的位置正弦加載信號作用下,位移誤差分別為0.29、0.18mm,減小37.9%。自適應(yīng)三狀態(tài)控制夠明顯提高電液伺服加載試驗臺的瞬態(tài)性能指標(biāo)及位移跟蹤精度。