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

Abstract:

棉花作為我國重要的戰(zhàn)略物資，其產(chǎn)業(yè)數(shù)字化升級(jí)對(duì)實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化與邊疆經(jīng)濟(jì)可持續(xù)發(fā)展意義重大。本文系統(tǒng)梳理了數(shù)字棉花技術(shù)體系的研究成果，提出“數(shù)字棉花”概念框架和技術(shù)體系，涵蓋種植管理、測(cè)產(chǎn)采收、收購加工、公證檢驗(yàn)、倉儲(chǔ)物流及全流程質(zhì)量追溯等全產(chǎn)業(yè)鏈環(huán)節(jié)。重點(diǎn)分析了數(shù)字化裝備通過融合物聯(lián)網(wǎng)、遙感、大數(shù)據(jù)及人工智能技術(shù)，在精準(zhǔn)播種、智能水肥調(diào)控、無人機(jī)植保、采收監(jiān)測(cè)等環(huán)節(jié)的應(yīng)用現(xiàn)狀與關(guān)鍵技術(shù)突破，揭示了當(dāng)前技術(shù)應(yīng)用中存在的設(shè)備適配性不足、數(shù)據(jù)孤島及成本效益失衡等問題，從生產(chǎn)流程的全鏈條優(yōu)化、標(biāo)準(zhǔn)體系建設(shè)、技術(shù)融合創(chuàng)新及數(shù)據(jù)平臺(tái)構(gòu)建等維度，提出了推動(dòng)數(shù)字棉花技術(shù)標(biāo)準(zhǔn)化、規(guī)模化應(yīng)用的路徑，為棉花產(chǎn)業(yè)提質(zhì)增效與高質(zhì)量發(fā)展提供理論支撐。

Abstract:

為實(shí)現(xiàn)殘膜回收機(jī)在自然環(huán)境中快速、準(zhǔn)確地識(shí)別棉田地表殘膜目標(biāo)，本文提出了一種基于DCA-YOLO 11輕量化模型的棉田地表殘膜識(shí)別方法。以4JMLE-210型殘膜回收機(jī)工作后棉田地表殘膜為研究對(duì)象，在不同時(shí)間段采集地表殘膜圖像900幅，通過透視變換、圖像裁剪、數(shù)據(jù)清洗、數(shù)據(jù)增強(qiáng)等預(yù)處理，最終得到5215幅殘膜樣本圖像，按照4∶1劃分為訓(xùn)練集和測(cè)試集，實(shí)現(xiàn)了對(duì)棉田地表殘膜的數(shù)據(jù)集構(gòu)建。通過在YOLO 11模型主干網(wǎng)絡(luò)中增加深度可分離卷積（DWConv）模塊代替通用卷積（Conv）模塊，用于減少計(jì)算復(fù)雜度和參數(shù)量；通過在輸出檢測(cè)端末尾加入CBAM卷積塊注意力機(jī)制模塊來提高模型的感知能力，減少邊緣與背景干擾；通過用ADown模塊替換主干網(wǎng)絡(luò)中的Conv模塊，實(shí)現(xiàn)殘膜特征圖不同層之間的下采樣，減少特征圖空間維度，保留關(guān)鍵信息來提高殘膜目標(biāo)檢測(cè)準(zhǔn)確性。試驗(yàn)結(jié)果表明，在復(fù)雜自然環(huán)境下，DCA-YOLO 11模型精確率P為81.9%，召回率R為80.9%，平均精度均值mAP（重疊率0.5）為86.7%，參數(shù)量為2.20×106，處理速度為80f/s。通過對(duì)不同模型進(jìn)行對(duì)比試驗(yàn)，DCA-YOLO 11模型檢測(cè)精確率比YOLO v10、YOLO v9、YOLO v8分別高2.9、2.3、3.8個(gè)百分點(diǎn)，召回率比YOLO v10、YOLO v9、YOLO v8分別高2.0、1.0、1.8個(gè)百分點(diǎn)，處理速度比YOLO v9、YOLO v8分別提升12.7%、14.2%，略低于YOLO v10。DCA-YOLO 11模型在保證精度的同時(shí)，模型最小，參數(shù)量最少，證明其輕量化與優(yōu)越性。模型通過泛化性試驗(yàn)，其在驗(yàn)證數(shù)據(jù)集上的檢測(cè)結(jié)果，R2為0.72，平均絕對(duì)誤差和均方根誤差分別為4.92個(gè)和2.72個(gè)，提出的DCA-YOLO 11輕量化模型泛化性較好。該研究可為殘膜回收機(jī)械在復(fù)雜環(huán)境下精準(zhǔn)、高效撿拾殘膜以及殘膜回收機(jī)回收率車載視覺估測(cè)提供理論依據(jù)與數(shù)據(jù)基礎(chǔ)。

Abstract:

針對(duì)殘膜回收機(jī)實(shí)際作業(yè)過程中存在多種相似非目標(biāo)場(chǎng)景干擾，目標(biāo)場(chǎng)景圖像背景復(fù)雜且地表殘膜尺寸小、破碎度大、無固定輪廓導(dǎo)致殘膜覆蓋率難以準(zhǔn)確評(píng)估的問題，提出基于車載成像和深度卷積神經(jīng)網(wǎng)絡(luò)的地表殘膜識(shí)別方法。構(gòu)建了一種基于多重特征增強(qiáng)的SE-DenseNet-DC分類模型，在DenseNet121模型每個(gè)稠密塊的非線性組合函數(shù)前后引入通道注意力機(jī)制增強(qiáng)有效特征信息通道的權(quán)重，然后引入多尺度串聯(lián)空洞卷積替換原始模型第1層卷積提升感受野并保持細(xì)節(jié)敏感度，實(shí)現(xiàn)目標(biāo)場(chǎng)景圖像的有效提取；構(gòu)建了一種基于細(xì)節(jié)信息增強(qiáng)和多尺度特征融合的CDC-TransUnet分割模型，在TransUnet模型的編碼器部分引入CBAM模塊提取更加細(xì)微和精確的全局特征，在跳躍連接部分引入DAB模塊融合多尺度語義信息并彌補(bǔ)編碼和解碼階段特征之間的語義差距，然后在解碼器部分引入CCAF模塊減少上采樣丟失的細(xì)節(jié)信息，實(shí)現(xiàn)目標(biāo)場(chǎng)景圖像復(fù)雜背景中地表殘膜的精準(zhǔn)分割。試驗(yàn)結(jié)果表明，SE-DenseNet-DC分類模型對(duì)目標(biāo)場(chǎng)景圖像的分類準(zhǔn)確率、查準(zhǔn)率、查全率和F1值分別達(dá)到96.26%、91.54%、94.49%和92.83%，CDC-TransUnet分割模型對(duì)目標(biāo)場(chǎng)景圖像中地表殘膜分割平均交并比（MIOU）達(dá)到77.17%，模型預(yù)測(cè)殘膜覆蓋率與人工標(biāo)注殘膜覆蓋率決定系數(shù)（R2）為0.92，均方根誤差（RMSE）為0.23%，平均相對(duì)誤差為2.95%，單幅圖像評(píng)估時(shí)間平均為0.54s。本文方法在殘膜回收機(jī)回收后地表殘膜覆蓋率監(jiān)測(cè)評(píng)估中具有較高的準(zhǔn)確率和較快的推理速度，為殘膜回收機(jī)回收質(zhì)量實(shí)時(shí)準(zhǔn)確評(píng)估提供技術(shù)支撐。

Abstract:

標(biāo)準(zhǔn)體系構(gòu)建是實(shí)現(xiàn)智慧農(nóng)場(chǎng)標(biāo)準(zhǔn)化建設(shè)的基礎(chǔ)性工程。針對(duì)當(dāng)前棉花生產(chǎn)智慧農(nóng)場(chǎng)建設(shè)中存在的標(biāo)準(zhǔn)體系碎片化、標(biāo)準(zhǔn)化水平偏低、數(shù)據(jù)共享機(jī)制不完善等關(guān)鍵問題，在系統(tǒng)梳理棉花生產(chǎn)智慧農(nóng)場(chǎng)標(biāo)準(zhǔn)現(xiàn)狀及標(biāo)準(zhǔn)化需求的基礎(chǔ)上，確立了標(biāo)準(zhǔn)體系構(gòu)建的核心原則與思路。進(jìn)而融合改進(jìn)切克蘭德方法論與霍爾三維結(jié)構(gòu)模型，構(gòu)建了包含層次維度、環(huán)節(jié)維度和專業(yè)維度的三維架構(gòu)模型，提出了由基礎(chǔ)通用標(biāo)準(zhǔn)、數(shù)據(jù)標(biāo)準(zhǔn)、產(chǎn)品標(biāo)準(zhǔn)、方法標(biāo)準(zhǔn)和管理服務(wù)標(biāo)準(zhǔn)構(gòu)成的標(biāo)準(zhǔn)體系框架，實(shí)現(xiàn)了標(biāo)準(zhǔn)層級(jí)的縱向貫通與業(yè)務(wù)環(huán)節(jié)的橫向覆蓋。為驗(yàn)證體系科學(xué)性，本研究構(gòu)建了包含4個(gè)一級(jí)指標(biāo)和7個(gè)二級(jí)指標(biāo)的模糊層次綜合評(píng)價(jià)模型，評(píng)價(jià)結(jié)果表明該標(biāo)準(zhǔn)體系具有良好的適用性，具備顯著的應(yīng)用指導(dǎo)價(jià)值。研究成果可為我國棉花生產(chǎn)智慧農(nóng)場(chǎng)標(biāo)準(zhǔn)體系建設(shè)提供理論依據(jù)。

Abstract:

為實(shí)時(shí)監(jiān)測(cè)棉花精量鋪膜播種作業(yè)過程，提高棉花精量鋪膜穴播機(jī)智能化水平，以白色光源色標(biāo)傳感器和高清網(wǎng)絡(luò)相機(jī)作為主要監(jiān)測(cè)元件，基于Vision Assistant視覺助手，設(shè)計(jì)了棉花精量鋪膜穴播機(jī)作業(yè)質(zhì)量監(jiān)測(cè)系統(tǒng)。該系統(tǒng)由播種監(jiān)測(cè)模塊、鋪膜監(jiān)測(cè)模塊及可視化模塊構(gòu)成，其中播種監(jiān)測(cè)模塊包括播種狀態(tài)監(jiān)測(cè)傳感器、接近開關(guān)傳感器等；鋪膜監(jiān)測(cè)模塊主要由高清網(wǎng)絡(luò)相機(jī)構(gòu)成；可視化模塊包括數(shù)據(jù)采集模塊、工控機(jī)等。利用Labview軟件圖形化編程，搭載多功能工控機(jī)，通過功能選擇控件運(yùn)行指定功能程序，實(shí)現(xiàn)播種質(zhì)量（播量、漏播量）、鋪膜質(zhì)量（采光面寬度、采光面覆土寬度、采光面破損面積）及作業(yè)工況實(shí)時(shí)監(jiān)測(cè)。作業(yè)質(zhì)量監(jiān)測(cè)系統(tǒng)臺(tái)架試驗(yàn)及田間試驗(yàn)結(jié)果表明：該系統(tǒng)工作穩(wěn)定可靠，播量監(jiān)測(cè)準(zhǔn)確率達(dá)92%以上，采光面寬度監(jiān)測(cè)準(zhǔn)確率達(dá)94%以上，采光面破損面積監(jiān)測(cè)準(zhǔn)確率達(dá)81%以上，采光面覆土寬度監(jiān)測(cè)準(zhǔn)確率達(dá)90%，滿足棉花精量鋪膜穴播機(jī)作業(yè)質(zhì)量監(jiān)測(cè)系統(tǒng)實(shí)際要求，可為棉花鋪膜播種作業(yè)質(zhì)量評(píng)價(jià)提供技術(shù)支持。

Abstract:

針對(duì)長江流域麥后棉區(qū)土壤黏重，地表留存秸稈殘茬量大，地輪驅(qū)動(dòng)方式易出現(xiàn)纏繞打滑、壅土現(xiàn)象，導(dǎo)致漏播、斷條，且缺乏棉花導(dǎo)種與性能檢測(cè)一體化裝置等問題，設(shè)計(jì)了基于雷達(dá)測(cè)速的棉花精量直播機(jī)排種測(cè)控系統(tǒng)。構(gòu)建了3路獨(dú)立直流電機(jī)轉(zhuǎn)速控制以及3路棉花種子流實(shí)時(shí)檢測(cè)的云-端構(gòu)架模式；設(shè)計(jì)了播種測(cè)控云平臺(tái)，實(shí)現(xiàn)播種作業(yè)參數(shù)實(shí)時(shí)采集、顯示、存儲(chǔ)及多設(shè)備的管控；設(shè)計(jì)了模糊PID控制器，實(shí)現(xiàn)指定粒距的隨速實(shí)時(shí)調(diào)控。利用Matlab開展了模糊PID控制器與PID控制器仿真對(duì)比試驗(yàn)。結(jié)果表明，模糊PID算法模型比PID算法模型超調(diào)量降低28.95%，上升時(shí)間減少28.57%，穩(wěn)態(tài)時(shí)間減少22.22%。開展電機(jī)控制精度試驗(yàn)，結(jié)果表明，電機(jī)實(shí)際轉(zhuǎn)速與理論轉(zhuǎn)速最大誤差為1.8%，平均誤差為1.1%。臺(tái)架試驗(yàn)結(jié)果表明，與JPS-16型計(jì)算機(jī)視覺試驗(yàn)臺(tái)相比，測(cè)控系統(tǒng)檢測(cè)合格指數(shù)、漏播指數(shù)、重播指數(shù)相差不大于1.3、0.7、0.8個(gè)百分點(diǎn)。路面試驗(yàn)結(jié)果表明，當(dāng)作業(yè)速度為3.6~9.2m/h時(shí)，實(shí)際排種數(shù)與理論排種數(shù)最大誤差為2.4%；單路檢測(cè)準(zhǔn)確率不小于97.44%。田間試驗(yàn)結(jié)果表明，當(dāng)作業(yè)速度為3.6~9.2m/h時(shí)，本系統(tǒng)控制播種合格指數(shù)不小于90.81%，漏播指數(shù)不大于4.64%，粒距變異系數(shù)不大于14.38%。示范應(yīng)用表明，該棉花精量直播機(jī)排種測(cè)控系統(tǒng)能夠有效提升長江流域棉區(qū)麥后棉花直播機(jī)播種質(zhì)量。

Abstract:

針對(duì)電容式棉花排種監(jiān)測(cè)中產(chǎn)生的信號(hào)含噪聲導(dǎo)致排種信息不易提取的問題，提出CEEMDAN-小波閾值聯(lián)合降噪方法。根據(jù)棉花排種質(zhì)量檢測(cè)原理構(gòu)造含噪仿真信號(hào)，對(duì)比經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical mode decomposition，EMD)、集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble empirical mode decomposition，EEMD)和自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解(Complementary ensemble empirical mode decomposition with adaptive noise，CEEMDAN)去噪法3種傳統(tǒng)方法對(duì)正常播種、漏播、重播仿真信號(hào)的降噪效果；其次將小波閾值去噪法融入CEEMDAN去噪法，設(shè)計(jì)相關(guān)系數(shù)閾值公式，區(qū)分大量含噪的本征模態(tài)函數(shù)（Intrinsic mode function，IMF）分量與含有效信號(hào)的IMF分量，去除含噪IMF分量中的噪聲且保留更多原始信號(hào)的形狀特征，漏播、重播信號(hào)信噪比（SNR）分別增加4.9509、6.8493dB，曲線相似度（NCC）分別增加0.0280、0.0549，平滑度（SR）分別減小0.0024、0.0045,改善了單獨(dú)使用CEEMDAN去噪法對(duì)漏播、重播信號(hào)降噪效果不優(yōu)的問題。搭建排種信號(hào)采集試驗(yàn)平臺(tái)對(duì)所提方法進(jìn)行驗(yàn)證，結(jié)果表明，該方法具有良好的降噪及信號(hào)特征還原能力，降噪后可實(shí)現(xiàn)對(duì)排種數(shù)量監(jiān)測(cè)。

Abstract:

利用基于過程的棉花生長動(dòng)態(tài)模型，精確定量模擬新疆棉田生物量積累和產(chǎn)量形成過程，可為智慧農(nóng)業(yè)決策提供技術(shù)支撐。基于APSIM-Cotton模型構(gòu)建了融合氣象數(shù)據(jù)的棉花生長和產(chǎn)量動(dòng)態(tài)預(yù)測(cè)方法。首先通過2023—2024年田間試驗(yàn)數(shù)據(jù)校準(zhǔn)模型參數(shù)，其次運(yùn)用氣候相似年方法構(gòu)建生長季氣象數(shù)據(jù)，然后融合ECMWF短期天氣預(yù)測(cè)產(chǎn)品（Open Data）進(jìn)行未來9d棉花生長動(dòng)態(tài)模擬，最終實(shí)現(xiàn)全生育期內(nèi)棉花產(chǎn)量滾動(dòng)預(yù)測(cè)。結(jié)果表明，APSIM-Cotton能夠準(zhǔn)確地模擬昌吉地區(qū)不同播種密度（9~27株/m2）下的棉花生育期（NRMSE為5.18%）、生物量（NRMSE為19.60%）和產(chǎn)量（NRMSE為6.08%）；基于短期氣象預(yù)測(cè)產(chǎn)品的棉花生物量預(yù)測(cè)在1~3d內(nèi)精度最高（NRMSE為1.3%），隨預(yù)報(bào)時(shí)效延長，9d預(yù)測(cè)誤差升至3.24%；通過氣象數(shù)據(jù)融合（即歷史氣象數(shù)據(jù)、短期天氣預(yù)報(bào)與歷史氣候相似年型數(shù)據(jù)的動(dòng)態(tài)拼接）可以在全生育期內(nèi)預(yù)測(cè)當(dāng)季棉花產(chǎn)量，使用18個(gè)最佳相似年型數(shù)量的預(yù)測(cè)誤差最低，產(chǎn)量預(yù)測(cè)誤差整體穩(wěn)定在4%以內(nèi)，但播種后90~115d預(yù)測(cè)誤差波動(dòng)較大（最大相對(duì)誤差可達(dá)10%），因此該時(shí)段的預(yù)測(cè)結(jié)果需謹(jǐn)慎使用。

Abstract:

棉蚜蟲的精準(zhǔn)無損檢測(cè)對(duì)棉蚜蟲害防治及棉花產(chǎn)量和品質(zhì)的提升具有重要意義。本研究提出一種基于多特征融合的棉蚜蟲危害等級(jí)（Cotton aphid damage levels，CADL）監(jiān)測(cè)方法，融合棉花冠層光譜特征波長、植被指數(shù)和紋理特征，提高棉花蚜蟲危害等級(jí)識(shí)別精度。采用無人機(jī)搭載高光譜成像系統(tǒng)采集棉花冠層高光譜圖像，利用Savitzky-Golay平滑（SG平滑）和多元散射校正（MSC）對(duì)提取的光譜數(shù)據(jù)進(jìn)行預(yù)處理，利用支持向量機(jī)（SVM）模型將預(yù)處理后的光譜數(shù)據(jù)進(jìn)行建模，對(duì)比發(fā)現(xiàn)MSC表現(xiàn)更優(yōu)。采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（CARS）和隨機(jī)蛙跳算法（SFLA）對(duì)MSC預(yù)處理后的光譜數(shù)據(jù)進(jìn)行特征波長一次提取，分別提取出31、37個(gè)特征波長。進(jìn)一步使用連續(xù)投影算法（SPA）對(duì)特征波長進(jìn)行二次提取，最終確定了6個(gè)棉蚜蟲危害敏感波長，分別為650、786、931、938、945、961nm。基于二次提取的6個(gè)特征波長，計(jì)算了9種植被指數(shù)和8種紋理特征，并分別分析了9種植被指數(shù)和8種紋理特征與棉蚜蟲危害等級(jí)（CADL）的相關(guān)性。構(gòu)建了LightGBM、XGBoost、SVM和RF模型，并基于以上模型對(duì)比了特征波長、植被指數(shù)、紋理特征，特征波長和植被指數(shù)2種特征相融合，以及特征波長、植被指數(shù)和紋理特征3種特征相融合對(duì)棉蚜蟲危害等級(jí)的判定效果。結(jié)果表明，植被指數(shù)（RDVI、SAVI、MSAVI、OSAVI）和紋理特征（MEA、VAR、DIS、HOM）與CADL相關(guān)性較高。基于特征波長、植被指數(shù)和紋理特征3種特征相融合的XGBoost模型對(duì)棉蚜蟲危害等級(jí)判定效果最佳，測(cè)試集總體分類精度（OA）達(dá)到86.99%，Kappa系數(shù)為0.8371，相較于僅使用特征波長、植被指數(shù)、紋理特征，特征波長和植被指數(shù)2種特征相融合的模型，測(cè)試集OA分別提升4.88、27.64、21.95、2.44個(gè)百分點(diǎn)。

Abstract:

地上生物量（AGB）精準(zhǔn)估算是作物生長監(jiān)測(cè)與精準(zhǔn)農(nóng)業(yè)決策的關(guān)鍵技術(shù)。針對(duì)傳統(tǒng)無人機(jī)（UAV）遙感方法在棉花AGB估算中存在的雙重局限——基于植被指數(shù)（VIs）的模型易受冠層光譜飽和效應(yīng)干擾，且難以量化冠層三維結(jié)構(gòu)動(dòng)態(tài)與AGB累積的時(shí)空異質(zhì)性，本文融合UAV三維點(diǎn)云空間解析與冠層覆蓋度時(shí)序特征，構(gòu)建了基于株高×冠層覆蓋度（PH×CC）的多維度估算模型。通過設(shè)計(jì)對(duì)比實(shí)驗(yàn)框架，評(píng)估了PH×CC模型與4種模型（VIs結(jié)合隨機(jī)森林（RF）、梯度提升（GB）、支持向量機(jī)（SVM）及反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN））的性能差異。結(jié)果表明：PH×CC模型在測(cè)試集上表現(xiàn)出顯著優(yōu)勢(shì)，其估算精度(決定系數(shù)R2=0.93，均方根誤差(RMSE)為15.30g/m2)較最優(yōu)傳統(tǒng)模型（RF：R2=0.76，RMSE為23.35g/m2）提升22.3%（P<0.01）。機(jī)理分析表明，PH×CC參數(shù)通過協(xié)同表征PH垂直延伸與冠幅水平擴(kuò)展的動(dòng)態(tài)耦合關(guān)系，可解析83%的冠層結(jié)構(gòu)變異（傳統(tǒng)VIs模型僅57%），顯著提升了模型對(duì)AGB-結(jié)構(gòu)互作機(jī)制的解釋能力。研究為突破無人機(jī)農(nóng)情監(jiān)測(cè)中“光譜-結(jié)構(gòu)”信息融合的技術(shù)瓶頸提供了新方法，同時(shí)為解析棉花冠層生長動(dòng)態(tài)的生物學(xué)機(jī)制提供了可量化的建模工具。

Abstract:

針對(duì)棉花田間復(fù)雜環(huán)境障礙物被遮擋致準(zhǔn)確檢測(cè)難、邊緣設(shè)備算力有限的問題，本文提出一種基于改進(jìn)YOLO 11n模型的田間障礙物檢測(cè)方法。首先，采用輕量級(jí)網(wǎng)絡(luò)StarNet作為主要特征提取網(wǎng)絡(luò)，并引入DBA模塊(Dynamic position bias attention block)重構(gòu)C2PSA(Convolutional block with parallel spatial attention)，以增強(qiáng)多尺度特征之間的交互能力；其次，使用KAGNConv(Kolmogorov-Arnold generalized network convolution)替換基線模型C3k2(Cross stage partial with kernel size 2)模塊中的瓶頸結(jié)構(gòu)，實(shí)現(xiàn)對(duì)精細(xì)特征提取的同時(shí)，給予模型更高靈活性和可解釋性；最后，集成分離與增強(qiáng)注意力模塊(Separated and enhancement attention module, SEAM)至檢測(cè)頭，增強(qiáng)模型在遮擋場(chǎng)景中的檢測(cè)能力。試驗(yàn)結(jié)果表明，改進(jìn)模型YOLO 11n-SKS與基線模型相比精確率、召回率、mAP50、mAP50-95分別提升2.3、2.1、1.3、1.4個(gè)百分點(diǎn)，達(dá)到91.7%、88.3%、91.9%、62.3%，模型浮點(diǎn)數(shù)運(yùn)算量僅為4.4×109FLOPs，模型參數(shù)量減少17.1%。本研究模型在性能和計(jì)算復(fù)雜度之間實(shí)現(xiàn)了較好的平衡，滿足棉田收獲作業(yè)場(chǎng)景中實(shí)時(shí)檢測(cè)需求，降低了部署邊緣設(shè)備算力要求，為采棉機(jī)自主安全作業(yè)提供技術(shù)支撐。

Abstract:

為解決棉花打頂作業(yè)過程中，打頂裝置晃動(dòng)嚴(yán)重、對(duì)行穩(wěn)定性差等問題，根據(jù)新疆地區(qū)機(jī)采棉田種植模式，設(shè)計(jì)了一款基于北斗導(dǎo)航的棉花打頂機(jī)履帶行走系統(tǒng)，確定了底盤整機(jī)和關(guān)鍵部件的設(shè)計(jì)結(jié)構(gòu)和參數(shù)。以STM32F103為主控器，搭載基于實(shí)時(shí)動(dòng)態(tài)差分的北斗衛(wèi)星導(dǎo)航系統(tǒng)，實(shí)現(xiàn)自動(dòng)導(dǎo)航控制；建立履帶底盤運(yùn)動(dòng)學(xué)模型確定預(yù)瞄點(diǎn)，得到定位點(diǎn)與目標(biāo)路徑的曲率偏差，同時(shí)引入底盤幾何中心行駛速度為控制器輸入量，提出一種自調(diào)節(jié)的雙輸入模糊PID控制算法，實(shí)現(xiàn)底盤的作業(yè)路徑自動(dòng)追蹤。以打頂期棉田為作業(yè)對(duì)象，分別開展性能試驗(yàn)和作業(yè)試驗(yàn)，結(jié)果表明：底盤田間自主導(dǎo)航作業(yè)時(shí)，最大絕對(duì)偏差不超過39mm，標(biāo)準(zhǔn)差不超過18.5mm，平均絕對(duì)偏差為15.3mm；工作過程中所搭載的打頂裝置平均航向角偏轉(zhuǎn)角為0.38°，平均橫滾角偏轉(zhuǎn)角為0.33°，平均俯仰角偏轉(zhuǎn)角為0.26°。自走式履帶底盤行駛穩(wěn)定性強(qiáng)、對(duì)行精準(zhǔn)、跟蹤誤差小，可適用于棉花打頂行走作業(yè)。

Abstract:

單株總鈴數(shù)是棉花重要的表型性狀之一，也是種植者估算棉花產(chǎn)量的重要參考因素。因此，從真實(shí)復(fù)雜的棉田圖像中高效準(zhǔn)確地識(shí)別棉花，對(duì)于確保棉花產(chǎn)業(yè)生產(chǎn)的經(jīng)濟(jì)效益和增強(qiáng)農(nóng)業(yè)管理至關(guān)重要。然而，許多現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)在棉花識(shí)別方面優(yōu)先考慮準(zhǔn)確性，缺乏了對(duì)識(shí)別效率的關(guān)注。因此，以脫葉期新疆密植棉花為對(duì)象，提出了一種改進(jìn)的輕量化YOLO（IML-YOLO）棉鈴快速識(shí)別模型。IML-YOLO模型結(jié)合了輕量化卷積特征提取和YOLO模型實(shí)時(shí)快速識(shí)別的優(yōu)勢(shì)，構(gòu)建了一種全新的RepGhostCSPELAN輕量化模塊，同時(shí)為了降低由輕量化帶來的模型識(shí)別精度下降的問題，結(jié)合CAHSFPN特征融合提高對(duì)不同尺度棉鈴的識(shí)別精度，還提出了一種Focaler-MPDIoU損失函數(shù)，有效提高了模型的識(shí)別精度。通過消融試驗(yàn)和可解釋性分析證實(shí)了這些設(shè)計(jì)的有效性和顯著性。與基準(zhǔn)YOLO v8n模型相比，IML-YOLO模型在浮點(diǎn)運(yùn)算次數(shù)、模型內(nèi)存占用量和參數(shù)量方面分別顯著降低了32.1%、47.5%和50%，同時(shí)平均精確度提升了10.1個(gè)百分點(diǎn)。將IML-YOLO模型應(yīng)用于棉花產(chǎn)量預(yù)測(cè)，平均相對(duì)誤差為7.22%。該模型為棉鈴檢測(cè)算法與產(chǎn)量預(yù)測(cè)提供了新途徑，為棉花智能化管理提供了技術(shù)支持。

Abstract:

隨著新疆地區(qū)棉花機(jī)械化采收的普及，機(jī)采棉質(zhì)量追溯面臨數(shù)據(jù)孤島、信息共享滯后及全程監(jiān)控缺位等問題，導(dǎo)致籽棉到皮棉的質(zhì)量追溯難以精準(zhǔn)透明。為此，結(jié)合區(qū)塊鏈去中心化、不可篡改的特性與物聯(lián)網(wǎng)設(shè)備實(shí)時(shí)采集的協(xié)同優(yōu)勢(shì)，提出了基于區(qū)塊鏈的機(jī)采棉質(zhì)量溯源模型。該模型引入了基于邏輯回歸的鏈下-鏈上協(xié)同數(shù)據(jù)查詢優(yōu)化，實(shí)現(xiàn)高頻數(shù)據(jù)智能預(yù)緩存，設(shè)計(jì)了結(jié)合強(qiáng)化學(xué)習(xí)與橢圓曲線加密的訪問控制模型，增強(qiáng)了數(shù)據(jù)安全性和隱私保護(hù)能力，最后，基于長安鏈開源區(qū)塊鏈平臺(tái)開發(fā)了機(jī)采棉質(zhì)量溯源系統(tǒng)。系統(tǒng)性能測(cè)試結(jié)果表明，常規(guī)查詢場(chǎng)景下，本系統(tǒng)查詢時(shí)延從72.37ms縮短至60.14ms；高頻查詢場(chǎng)景下，查詢時(shí)延降至32.75ms，優(yōu)化效果隨數(shù)據(jù)量增長而提升，可以滿足用戶實(shí)時(shí)查詢需求。此外，通過明文敏感性與密鑰敏感性測(cè)試，密文平均變化率分別為87.78%和82.68%，確保了數(shù)據(jù)在跨機(jī)構(gòu)協(xié)作過程中的隱私安全。該模型形成了“物聯(lián)網(wǎng)采集-區(qū)塊鏈存證-智能合約驗(yàn)真-多級(jí)權(quán)限訪問”的閉環(huán)架構(gòu)，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，提高了信息檢索效率。

Abstract:

回潮率嚴(yán)重影響棉花品質(zhì)檢測(cè)結(jié)果，精確測(cè)量回潮率對(duì)棉花分級(jí)意義重大。針對(duì)在棉花束纖維斷裂比強(qiáng)度檢測(cè)中回潮率的補(bǔ)償校正問題，提出了一種基于電阻法的棉花束纖維回潮率檢測(cè)方法。通過搭建電阻-圖像同步采集平臺(tái)，利用圖像特征表征棉層厚度，探究在電阻法測(cè)回潮率時(shí)，電極間距、溫度及棉層厚度對(duì)電阻測(cè)量的影響規(guī)律，建立以電阻、溫度為輸入變量的多元預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明：圖像灰度特征與電阻高度相關(guān)且呈非線性關(guān)系，探明了棉層厚度對(duì)電阻測(cè)量的影響規(guī)律；電阻在電極間距為2~12mm范圍內(nèi)呈顯著正相關(guān)，解釋了電極間距增大導(dǎo)致電阻測(cè)量誤差擴(kuò)大的內(nèi)在機(jī)制，基于此，確立電極間距2mm為最優(yōu)檢測(cè)參數(shù)，驗(yàn)證了該參數(shù)下不同品質(zhì)棉花束纖維電阻無顯著性差異（P>0.05）。進(jìn)行32組4.44%~12.2%回潮率棉樣實(shí)驗(yàn)，結(jié)果顯示隨機(jī)森林（Random forest, RF）模型預(yù)測(cè)精度最優(yōu)，其R2為0.99，均方根誤差為0.24%。本研究突破傳統(tǒng)松散團(tuán)狀棉纖維回潮率檢測(cè)限制，實(shí)現(xiàn)了束狀纖維回潮率快速測(cè)量，可為棉花斷裂比強(qiáng)度等物理性能指標(biāo)的精準(zhǔn)補(bǔ)償校正提供技術(shù)支撐。

Abstract:

針對(duì)棉花采收和收購環(huán)節(jié)中籽棉回潮率檢測(cè)工序復(fù)雜、受人工影響因素較大、檢測(cè)精度低的問題，提出了一種基于電阻技術(shù)的信息融合檢測(cè)方法。分別采集了環(huán)境溫濕度以及籽棉電阻、密度與回潮率，分析了籽棉回潮率隨環(huán)境溫濕度變化規(guī)律，討論了籽棉密度對(duì)籽棉電阻檢測(cè)的影響，確定了籽棉電阻與回潮率的關(guān)系。為了提高籽棉回潮率檢測(cè)的精確性和穩(wěn)定性，融合環(huán)境溫濕度及籽棉電阻和密度作為特征變量，將“環(huán)境參數(shù)-物理特性-電學(xué)特性”進(jìn)行數(shù)據(jù)關(guān)聯(lián)；建立多元線性回歸、支持向量回歸、隨機(jī)森林等5類回歸模型，采用“模型競(jìng)爭(zhēng)-集成優(yōu)化”策略建立堆疊集成融合模型預(yù)測(cè)回潮率，實(shí)現(xiàn)了數(shù)據(jù)級(jí)和決策級(jí)的信息融合。結(jié)果表明，基于信息融合的堆疊集成模型為最優(yōu)回潮率預(yù)測(cè)模型，在測(cè)試數(shù)據(jù)集上其決定系數(shù)R2為0.994，平均絕對(duì)誤差（MAE）為0.104%，均方根誤差（RMSE）為0.151%，驗(yàn)證了信息融合檢測(cè)方法的可靠性。該方法可為棉花采收打包和收購環(huán)節(jié)的回潮率檢測(cè)提供數(shù)據(jù)支撐。

Abstract:

機(jī)采棉已經(jīng)成為我國、特別是棉花主產(chǎn)區(qū)的主要種植模式。采棉機(jī)是用于機(jī)采棉收獲的關(guān)鍵裝備，也是農(nóng)業(yè)機(jī)械高端裝備的典型代表。本文從采棉機(jī)的作業(yè)過程與原理出發(fā)，圍繞籽棉采摘、籽棉匯集輸送、籽棉壓縮打包、底盤驅(qū)動(dòng)行走、整機(jī)智能調(diào)控等方面進(jìn)行文獻(xiàn)梳理，分析了當(dāng)前研究的熱點(diǎn)、難點(diǎn)、問題與不足。我國采棉機(jī)經(jīng)過政府引導(dǎo)發(fā)展與市場(chǎng)自由競(jìng)爭(zhēng)，在引進(jìn)、消化和吸收國外先進(jìn)技術(shù)基礎(chǔ)上，已經(jīng)形成完備的采棉機(jī)科研與制造體系。我國采棉機(jī)在采摘頭堵塞機(jī)理、氣力輸送流場(chǎng)動(dòng)態(tài)演變、底盤載荷譜等方面存在基礎(chǔ)科學(xué)問題尚未解決；打包機(jī)構(gòu)等結(jié)構(gòu)設(shè)計(jì)方案創(chuàng)新性、原創(chuàng)性不足，仍受制于國外專利；運(yùn)行狀態(tài)監(jiān)測(cè)、智能作業(yè)水平較高，但缺乏籽棉流量、棉包密度/濕度等高精度專用傳感器。針對(duì)上述問題和不足，從棉花采摘機(jī)理、氣力輸送高保真度仿真分析、行走底盤動(dòng)力學(xué)分析與優(yōu)化、打包機(jī)構(gòu)創(chuàng)新設(shè)計(jì)、整機(jī)智能調(diào)控等方面對(duì)未來研究方向進(jìn)行了分析和展望，提出了未來應(yīng)對(duì)采棉機(jī)存在的問題和不足加以重點(diǎn)研究。

Abstract:

熱帶水果是許多熱帶、亞熱帶國家的重要出口產(chǎn)品，是區(qū)域經(jīng)濟(jì)發(fā)展的重要支撐。隨著農(nóng)業(yè)智能裝備的不斷發(fā)展，結(jié)合人工智能等新興技術(shù)，自動(dòng)化、智能化熱帶水果采摘機(jī)器人逐漸成為農(nóng)業(yè)采摘領(lǐng)域研究熱點(diǎn)。回顧了采摘機(jī)器人在熱帶水果產(chǎn)業(yè)發(fā)展中應(yīng)用和研究進(jìn)展，梳理了國內(nèi)外熱帶水果采摘現(xiàn)狀，基于常見熱帶水果生長環(huán)境的復(fù)雜性與作物生長的特殊性，分析了不同熱帶水果采摘機(jī)械技術(shù)特點(diǎn)，討論了熱帶水果采摘機(jī)器人各子系統(tǒng)的關(guān)鍵技術(shù)，并對(duì)當(dāng)前的關(guān)鍵技術(shù)難點(diǎn)進(jìn)行了分析。最后，展望了人工智能等高新技術(shù)賦能農(nóng)業(yè)裝備機(jī)遇，提出了未來熱帶水果采摘機(jī)器人逐步向智能化、無人化采摘的發(fā)展趨勢(shì)。

Abstract:

針對(duì)蘇打鹽堿土滲透性差及傳統(tǒng)改良設(shè)備適應(yīng)性不足等問題，設(shè)計(jì)了一種鹽堿土秸稈深埋機(jī)。采用離散元法（Discrete element method, DEM）與中心復(fù)合試驗(yàn)設(shè)計(jì)法（Central composite design, CCD）對(duì)開溝裝置進(jìn)行階梯減阻優(yōu)化。結(jié)果表明：當(dāng)深松鏟入土深度為38.4cm、入土角為24.7°、刃角為60.1°時(shí)，開溝鏟阻力為9752.5N，系統(tǒng)總阻力為12401.9N，較對(duì)照組分別降低27.7%和0.4%。對(duì)優(yōu)化組合參數(shù)進(jìn)行田間驗(yàn)證，可得系統(tǒng)總阻力為14500.5N，較對(duì)照組增加2.6%；開溝鏟所受阻力11801.8N，較對(duì)照組降低16.5%。開溝平均深度39.1cm（變異系數(shù)5.06%），平均寬度9.4cm（變異系數(shù)5.16%），說明設(shè)備在作業(yè)穩(wěn)定性上具備較高一致性。秸稈填充深埋合格率80%，表明設(shè)備能夠較好地完成填埋任務(wù)。通過結(jié)構(gòu)設(shè)計(jì)與參數(shù)優(yōu)化有效解決了蘇打鹽堿土開溝作業(yè)中高阻低效問題，為鹽堿地改良提供了可靠的技術(shù)裝備支撐。

Abstract:

適用于草地耕作的松土部件較為缺乏，為徹底打破草地土壤板結(jié)結(jié)構(gòu)，設(shè)計(jì)了一種草地專用松土部件——折翼式松土鏟。以折翼式松土鏟的鏟柄滑切角、鏟翼寬度、鏟尖入土角為試驗(yàn)因素，以耕作阻力、土壤坑形輪廓面積和壟形輪廓面積為目標(biāo)參數(shù)進(jìn)行結(jié)構(gòu)參數(shù)優(yōu)化試驗(yàn)；并對(duì)比分析了折翼式松土鏟和3種傳統(tǒng)松土鏟（鑿形鏟、棱形鏟、箭形鏟）對(duì)板結(jié)草地土壤的松土性能（壟形輪廓面積、坑形輪廓面積、土壤擾動(dòng)系數(shù)、土壤蓬松度、翻垡率和地表平整度）。試驗(yàn)結(jié)果表明，折翼式松土鏟結(jié)構(gòu)參數(shù)最優(yōu)組合為：鏟翼寬度40mm、鏟柄滑切角20°、鏟尖入土角20°，此時(shí)耕作阻力6140N，坑形輪廓面積160cm2，壟形輪廓面積68cm2。與3種傳統(tǒng)松土鏟相比，折翼式松土鏟作業(yè)后的草地表面更為平整，產(chǎn)生的翻垡較少，且均為小土塊翻垡；相同作業(yè)速度下折翼式松土鏟造成的坑形輪廓面積和土壤擾動(dòng)系數(shù)均最大，而壟形輪廓面積、土壤蓬松度、翻垡率和地表平整度均最小，故折翼式松土鏟的草地松土性能優(yōu)于傳統(tǒng)的鑿形鏟、棱形鏟和箭形鏟。

Abstract:

針對(duì)氣送式稻麥兼用型高速播種機(jī)作業(yè)時(shí)種子輸送速度快造成投種精度低、投種不穩(wěn)定等問題，設(shè)計(jì)了一種基于旋風(fēng)減速原理的種子減速器。采用CFD-DEM耦合仿真方法進(jìn)行單因素試驗(yàn)，確定主要結(jié)構(gòu)因素并選取適宜尺寸區(qū)間。為確定種子減速器結(jié)構(gòu)參數(shù)，基于單因素試驗(yàn)結(jié)果開展了Box-Behnken正交組合仿真試驗(yàn)，結(jié)果表明：最佳結(jié)構(gòu)尺寸為圓筒直徑D為82.352mm，圓筒長度Ht為101.364mm，排氣口直徑DP為25.0002mm，錐筒長度Hz為67.9025mm，此時(shí)秈稻種子出種口流速V1和種子豎直速度V2分別為5.212m/s和0.462m/s；粳稻種子出種口流速V1和種子豎直速度V2分別為5.339m/s和0.473m/s；小麥種子出種口流速V1和種子豎直速度V2分別為5.341m/s和0.408m/s。臺(tái)架驗(yàn)證試驗(yàn)結(jié)果表明，在出種口處秈稻種子豎直速度為0.411m/s，粳稻種子豎直速度為0.452m/s，小麥種子豎直速度為0.457m/s，與仿真試驗(yàn)結(jié)果較符合。條播性能臺(tái)架試驗(yàn)結(jié)果表明，有種子減速器時(shí)排種成條效果明顯優(yōu)于無種子減速器情況，而且秈稻、粳稻和小麥排量均勻性變異系數(shù)分別由無種子減速器時(shí)41.61%、25%和37.84%依次降至9.10%、8.42%和8.49%，滿足種子減速器性能要求。研究結(jié)果可為后續(xù)提高氣送式稻麥兼用型播種機(jī)播種性能提供指導(dǎo)。

Abstract:

針對(duì)黃淮海麥玉兩熟區(qū)免耕播種機(jī)上被動(dòng)圓盤式切茬刀在秸稈覆蓋量大或土壤強(qiáng)度不足情況下秸稈切斷率較低的問題，本文設(shè)計(jì)了一種可手動(dòng)調(diào)節(jié)圓盤直徑的切茬刀。該變徑切茬刀設(shè)有圓盤直徑調(diào)節(jié)機(jī)構(gòu)，可根據(jù)不同地塊的土壤特性和地表秸稈殘茬覆蓋量來調(diào)整圓盤直徑，以實(shí)現(xiàn)秸稈高效切割。結(jié)合理論分析，確定星齒刀片兩刃口間角度為110°，變徑圓盤切茬刀最小半徑為230mm，最大半徑為280mm，在切茬刀調(diào)節(jié)至確定直徑時(shí)，變徑機(jī)構(gòu)具有自鎖功能，保證刀片直徑固定不變。土槽試驗(yàn)結(jié)果表明，直徑為460mm的變徑切茬圓盤、平面圓盤、缺口圓盤和波紋圓盤，在相同工況下，圓盤入土深度較深時(shí)比較淺時(shí)切割性能好，當(dāng)入土深度為10cm時(shí)，變徑切茬圓盤秸稈切割性能優(yōu)于其他類型圓盤，此時(shí)秸稈切斷率為75.16%，牽引力為355.27N。土槽性能試驗(yàn)結(jié)果表明，變徑切茬圓盤直徑越大秸稈切割性能越好，當(dāng)圓盤直徑為560mm時(shí)，秸稈切斷率為93.25%；田間驗(yàn)證試驗(yàn)結(jié)果表明，當(dāng)變徑切茬圓盤直徑為560mm時(shí)，秸稈切斷率達(dá)到98.33%，裝置切割秸稈殘茬性能良好，可以滿足黃淮海地區(qū)小麥免耕播種作業(yè)農(nóng)藝和技術(shù)要求。

Abstract:

針對(duì)藠頭（Allium chinense）機(jī)械化種植時(shí)鱗芽朝向的農(nóng)藝要求，基于勺夾式藠頭排種器設(shè)計(jì)了一種由喂入擋板、電機(jī)、同步帶輪、夾持帶等組成的柔性帶式藠頭夾持定向投種裝置。對(duì)投種裝置的喂入、夾持正姿和投種過程進(jìn)行理論分析，確定了關(guān)鍵部件結(jié)構(gòu)及參數(shù)。建立多柔性體動(dòng)力學(xué)和離散元法耦合仿真模型，以投種橫臥率、落種橫臥率、穴距合格率為試驗(yàn)指標(biāo)，采用Plackett-Burman試驗(yàn)法開展夾持帶傾角、理論輸送速度、帶速差比、夾持帶間距及喂入半徑的五因素顯著性篩選耦合仿真試驗(yàn)，并以夾持帶傾角、理論輸送速度、帶速差比為試驗(yàn)因素進(jìn)行回歸正交田間試驗(yàn)；通過Box-Behnken中心試驗(yàn)法建立投種橫臥率和穴距合格率的回歸模型，并開展參數(shù)優(yōu)化，獲得最優(yōu)參數(shù)組合為：夾持帶傾角65°、理論輸送速度0.38m/s、帶速差比1.64。在最優(yōu)參數(shù)下進(jìn)行3次田間試驗(yàn)，結(jié)果表明在前進(jìn)速度0.16m/s的條件下，該裝置平均投種橫臥率和平均穴距合格率分別為61.11%、78.89%，與回歸模型預(yù)測(cè)值分別相差4.17、1.15個(gè)百分點(diǎn)。

Abstract:

針對(duì)機(jī)械化播種作業(yè)過程中地表起伏造成的播種下壓力波動(dòng)、開溝深度穩(wěn)定性差問題，設(shè)計(jì)了一種氣動(dòng)式播種下壓力調(diào)節(jié)裝置，并分析了該裝置運(yùn)動(dòng)過程，明確了其主要工作部件下壓力空氣彈簧扭轉(zhuǎn)變形過程，對(duì)播種下壓力影響因素和下壓力仿形空氣彈簧變形過程進(jìn)行分析，確定了影響播種下壓力穩(wěn)定性空氣彈簧主要結(jié)構(gòu)參數(shù)為簾線角、活塞半徑和活塞錐角。建立了空氣彈簧氣固耦合有限元仿真模型，以提高播種下壓力穩(wěn)定性為優(yōu)化指標(biāo)，進(jìn)行二次旋轉(zhuǎn)正交組合仿真試驗(yàn)，建立了試驗(yàn)指標(biāo)與影響因素的回歸模型，確定下壓力空氣彈簧最優(yōu)結(jié)構(gòu)參數(shù)組合：簾線角為38°、活塞半徑為42mm、活塞錐角為23°。在最優(yōu)參數(shù)組合下對(duì)氣動(dòng)式播種下壓力調(diào)節(jié)裝置進(jìn)行田間試驗(yàn)，試驗(yàn)結(jié)果表明，氣動(dòng)式相較于螺旋彈簧式播種下壓力調(diào)節(jié)裝置能夠有效提高開溝深度穩(wěn)定性，當(dāng)作業(yè)速度為4、8、12km/h時(shí)，開溝深度合格率分別提高8、3、11個(gè)百分點(diǎn)，開溝深度變異系數(shù)平均降低2.58個(gè)百分點(diǎn)，提高了機(jī)械化播種時(shí)的播深一致性。

Abstract:

為解決帶式導(dǎo)種裝置在高速（13~16km/h）播種時(shí)單種腔內(nèi)籽粒姿態(tài)不穩(wěn)定、位置不一致的問題，設(shè)計(jì)了一種帶式導(dǎo)種裝置籽粒姿態(tài)矯正元件，該元件由5階平行橫紋構(gòu)成，每3階橫紋對(duì)應(yīng)1個(gè)種腔，橫紋凸起高度為1mm。并采用丁腈橡膠材料制作，當(dāng)大豆接觸到第1階橫紋后會(huì)被其調(diào)整成籽粒長軸垂直于輸種帶運(yùn)行方向進(jìn)行穩(wěn)定導(dǎo)種。通過分析籽粒在碰撞形變階段和碰撞恢復(fù)階段的狀態(tài)，明確籽粒在矯正區(qū)內(nèi)的理論二維輸種位置。利用EDEM離散元仿真軟件進(jìn)行矯正橫紋最佳高度仿真試驗(yàn)，以傾角合格率和偏移合格率為評(píng)價(jià)指標(biāo)，通過單因素試驗(yàn)分析籽粒從限位-矯正過渡階段至矯正階段終點(diǎn)的位移曲線，明確矯正橫紋高度對(duì)籽粒橫向運(yùn)移規(guī)律，并得到橫紋高度1.00mm下籽粒傾角合格率平均值為95.7%，籽粒偏移合格率平均值為98.2%。利用高速攝像技術(shù)進(jìn)行單因素對(duì)比試驗(yàn)，并以姿態(tài)變異系數(shù)和株距變異系數(shù)為指標(biāo)進(jìn)行矯正效果對(duì)比試驗(yàn)。對(duì)比試驗(yàn)結(jié)果表明，有矯正元件的帶式導(dǎo)種裝置姿態(tài)變異系數(shù)和株距變異系數(shù)均低于無矯正元件的帶式導(dǎo)種裝置；安裝橫紋高度為1mm、厚度為4mm的矯正元件后，籽粒姿態(tài)變異系數(shù)平均值為16.45%，株距變異系數(shù)平均值為12.78%，可滿足高速精量播種作業(yè)要求。

Abstract:

針對(duì)半夏種子形狀不規(guī)則、大小不均勻造成的充種不充分、清種困難等問題，基于鏈條翻轉(zhuǎn)運(yùn)動(dòng)特性，本文提出利用轉(zhuǎn)動(dòng)慣性力清種方法，設(shè)計(jì)一種鏈勺翹尾自清式半夏精量排種器，通過翹尾種勺及水滴形型孔提高充種率，實(shí)現(xiàn)自清種。通過對(duì)排種器工作過程中種子受力情況及運(yùn)動(dòng)狀態(tài)進(jìn)行分析，闡述了鏈勺翹尾自清式排種器工作原理；基于DEM-MBD耦合進(jìn)行仿真試驗(yàn)，分析種勺充種傾角、鏈條張緊力和種勺型孔結(jié)構(gòu)參數(shù)對(duì)排種器工作性能的影響，確定排種器結(jié)構(gòu)參數(shù)；設(shè)計(jì)二次回歸正交旋轉(zhuǎn)組合仿真試驗(yàn)，確定種勺型孔最佳結(jié)構(gòu)參數(shù)組合：種勺型孔長度為18.6mm、種勺型孔寬度為14.1mm、種勺型孔留種孔深度為8.6mm；為確定排種器最佳作業(yè)參數(shù)，以主動(dòng)鏈輪轉(zhuǎn)速和種層高度為試驗(yàn)因素，進(jìn)行二次回歸正交旋轉(zhuǎn)組合臺(tái)架試驗(yàn)。試驗(yàn)結(jié)果表明，當(dāng)排種器主動(dòng)鏈輪轉(zhuǎn)速為39.2r/min、種層高度為206mm時(shí)，排種器作業(yè)性能最優(yōu)，其合格指數(shù)為93.37%、重播指數(shù)為2.17%、漏播指數(shù)為4.46%，研究結(jié)果可為球莖類中藥材排種器設(shè)計(jì)提供參考。

Abstract:

肉蓯蓉是一種寄生于梭梭、紅柳等根部深處的草本植物，因其種子體積小、價(jià)格高，且播種時(shí)需要附著在寄主植物根系附近，故肉蓯蓉機(jī)械化播種要求精量排種和深播。根據(jù)肉蓯蓉農(nóng)藝種植要求，結(jié)合人工播種方式，設(shè)計(jì)并制作了具備開溝、播種、覆土作業(yè)的肉蓯蓉播種機(jī)。通過分析開溝刀盤的受力狀態(tài)確定了刀盤主要結(jié)構(gòu)參數(shù)及刀片布局形式，按照拋土與覆土體積恒定原則設(shè)計(jì)了導(dǎo)土罩結(jié)構(gòu)參數(shù)，結(jié)合有限元分析軟件重點(diǎn)對(duì)開溝刀盤及主傳動(dòng)軸進(jìn)行模態(tài)分析，并確定了機(jī)具工作參數(shù)。對(duì)照液體噴灑量和作業(yè)速度匹配了肉蓯蓉播種流量，確定了出種口形式及尺寸范圍。以噴口吹送氣壓與噴種口開度為試驗(yàn)因素，播種均勻性變異系數(shù)為試驗(yàn)指標(biāo)開展田間試驗(yàn)。試驗(yàn)結(jié)果表明:當(dāng)噴口吹送氣壓為0.2MPa、出種口開度為1.5mm時(shí)，播種均勻性變異系數(shù)為13.50%，且播種深度穩(wěn)定性系數(shù)不小于91.17%，滿足當(dāng)前肉蓯蓉的種植農(nóng)藝要求。

Abstract:

針對(duì)密植蔬菜半自動(dòng)移栽作業(yè)效率低的問題，本文設(shè)計(jì)一種用于A5-1200型高密度移栽機(jī)斜置式自動(dòng)取投苗裝置。缽苗盤和取投臂均與水平方向傾斜45°布置，取投苗爪在取苗位置和投苗位置之間直線往復(fù)運(yùn)動(dòng)，縮短了取苗行程。取投苗爪在取投臂上的安裝位置固定，與缽苗間距和投苗杯間距對(duì)應(yīng)，省略了分苗環(huán)節(jié)。缽苗盤移位機(jī)構(gòu)通過橫向移動(dòng)和縱向移動(dòng)將缽苗輸送到取苗位置，實(shí)現(xiàn)整排間隔取苗。傳動(dòng)部件采用滾珠絲杠模組，驅(qū)動(dòng)采用步進(jìn)電機(jī)，以PLC為控制器，實(shí)現(xiàn)了運(yùn)動(dòng)位置精確控制。通過單因素試驗(yàn)分析取投臂回程速度、取投苗爪插入深度和取投苗爪入土角對(duì)取投苗效果的影響規(guī)律，設(shè)計(jì)Box-Behnken響應(yīng)面試驗(yàn)確定最優(yōu)工作參數(shù)。試驗(yàn)結(jié)果表明，當(dāng)取投臂回程速度為300mm/s、取投苗爪插入深度為31mm、取投苗爪入土角為10°時(shí)，實(shí)際取投成功率為97.0%。配備斜置式自動(dòng)取投苗裝置后，A5-1200型高密度移栽機(jī)栽植能力可達(dá)到7200株/h，滿足密植移栽技術(shù)要求。

Abstract:

針對(duì)生姜收獲機(jī)清土效果差、作業(yè)阻力大、損傷率較高的難題，設(shè)計(jì)了一種鏟篩組合式生姜收獲機(jī)，可實(shí)現(xiàn)生姜的對(duì)行、挖掘、清土、鋪放作業(yè)，其關(guān)鍵部件生姜挖掘清土裝置主要由挖掘鏟和抖土篩組成。通過對(duì)生姜挖掘清土裝置進(jìn)行理論分析和仿真試驗(yàn)，初步確定鏟面傾角為18°，鏟面長度為160mm，擺動(dòng)頻率為4Hz。以整機(jī)前進(jìn)速度、抖土篩擺動(dòng)幅度、抖土篩擺動(dòng)頻率為試驗(yàn)因素，生姜含土率和損傷率為試驗(yàn)指標(biāo)，依據(jù)Box-Behnken試驗(yàn)原理對(duì)鏟篩組合式生姜收獲機(jī)進(jìn)行田間試驗(yàn)。對(duì)試驗(yàn)結(jié)果進(jìn)行方差分析，建立生姜含土率和損傷率與各顯著因素之間的回歸模型。對(duì)回歸模型的目標(biāo)函數(shù)進(jìn)行求解，得出最優(yōu)參數(shù)組合：前進(jìn)速度0.39m/s、擺動(dòng)幅度30°、擺動(dòng)頻率3.901Hz，此時(shí)生姜含土率的模型預(yù)測(cè)值為9.85%，損傷率為1.79%。田間驗(yàn)證試驗(yàn)結(jié)果表明，生姜挖掘清土裝置含土率為10.31%，損傷率為1.86%，與模型預(yù)測(cè)值之間的相對(duì)誤差均小于5%；較原挖掘清土裝置含土率降低2.39個(gè)百分點(diǎn)，損傷率降低1.38個(gè)百分點(diǎn)；生姜挖掘清土裝置作業(yè)阻力約為1240N,較原挖掘清土裝置作業(yè)阻力降低11.43%。

Abstract:

針對(duì)油葵聯(lián)合收獲清選裝置在離散元仿真時(shí)缺乏準(zhǔn)確模型的問題，本文以聯(lián)合收獲油葵脫出物為對(duì)象，采用離散元法對(duì)不同種類油葵脫出物模型接觸參數(shù)進(jìn)行分類標(biāo)定。通過對(duì)隨機(jī)選取的油葵脫出物進(jìn)行分類，確定了油葵脫出物主要組成成分及質(zhì)量占比；利用數(shù)顯游標(biāo)卡尺、萬能試驗(yàn)機(jī)和自制試驗(yàn)臺(tái)等儀器確定了各油葵脫出物本征參數(shù)和接觸參數(shù)；以各油葵脫出物物理堆積角為基礎(chǔ)，開展了Plackett-Burman試驗(yàn)、最陡爬坡試驗(yàn)和Box-Behnken試驗(yàn)，確定了對(duì)各油葵脫出物堆積角影響顯著的參數(shù)及取值范圍；利用Design-Expert軟件中的優(yōu)化模塊，以各油葵脫出物物理堆積角為目標(biāo)值進(jìn)行尋優(yōu)，確定了各油葵脫出物較優(yōu)參數(shù)組合分別為油葵籽粒剪切模量7.35×107Pa、油葵籽粒-鋼材碰撞恢復(fù)系數(shù)0.295、油葵籽粒-油葵籽粒靜摩擦因數(shù)0.669、油葵碎葵盤剪切模量1.94×107Pa、油葵碎葵盤-鋼材碰撞恢復(fù)系數(shù)0.467、油葵碎葵盤-鋼材靜摩擦因數(shù)0.436、油葵莖稈剪切模量7.39×107Pa、油葵莖稈-鋼材靜摩擦因數(shù)0.553、油葵莖稈-油葵莖稈靜摩擦因數(shù)0.775；利用各較優(yōu)參數(shù)組合對(duì)油葵籽粒、油葵碎葵盤、油葵莖稈以及油葵脫出物混料進(jìn)行仿真堆積試驗(yàn)，試驗(yàn)結(jié)果表明，仿真堆積角與物理堆積角誤差分別為0.66%、0.96%、0.64%、1.15%。

Abstract:

針對(duì)目前國內(nèi)制種玉米機(jī)械化剝皮采用普通玉米聯(lián)合收獲機(jī)作業(yè)籽粒損失大、剝皮生產(chǎn)線建設(shè)成本高、晾曬場(chǎng)剝皮裝備短缺等問題，設(shè)計(jì)了一種移動(dòng)式制種玉米剝皮機(jī)，采用柔性輸送帶喂入裝置、全橡膠分段組合式剝皮輥、氣固耦合式快速篩選裝置和可分離移動(dòng)式機(jī)架設(shè)計(jì)，以提高剝皮效率，降低籽粒損傷，便于運(yùn)輸和存放。通過對(duì)制種玉米剝皮過程進(jìn)行理論分析與計(jì)算，確定了影響剝皮效果的主要因素和關(guān)鍵部件的結(jié)構(gòu)參數(shù)，并采用Box-Behnken試驗(yàn)設(shè)計(jì)原理，以剝皮輥轉(zhuǎn)速、剝皮輥傾角和剝皮輥偏置角為試驗(yàn)因素，以苞葉剝凈率、籽粒脫落率和籽粒破損率為性能指標(biāo)，進(jìn)行三因素三水平試驗(yàn)，最后根據(jù)實(shí)際工況開展驗(yàn)證試驗(yàn)。多目標(biāo)優(yōu)化結(jié)果表明：最佳工作參數(shù)組合為剝皮輥轉(zhuǎn)速265.57r/min、剝皮輥傾角10.06°、剝皮輥偏置角19.76°，此時(shí)苞葉剝凈率為95.33%，籽粒脫落率為1.471%，籽粒破損率為0.661%。驗(yàn)證試驗(yàn)結(jié)果表明：在最優(yōu)參數(shù)組合時(shí)苞葉剝凈率為94.22%、籽粒脫落率為1.511%、籽粒破損率為0.675%，與參數(shù)優(yōu)化結(jié)果基本吻合，滿足制種玉米機(jī)械化剝皮的作業(yè)要求。該研究可為制種玉米剝皮機(jī)的設(shè)計(jì)與改進(jìn)提供參考。

Abstract:

針對(duì)花生機(jī)械化收獲落果損失大且回收困難等問題，設(shè)計(jì)了一款滾筒式花生落果撿拾機(jī)，對(duì)其挖掘撿拾裝置、升運(yùn)裝置、篩分集果裝置進(jìn)行了設(shè)計(jì)和相關(guān)參數(shù)計(jì)算。通過對(duì)升運(yùn)裝置上果土混合物的受力分析和運(yùn)動(dòng)學(xué)分析，獲得了升運(yùn)裝置中升運(yùn)單體與升運(yùn)鏈間夾角、升運(yùn)鏈運(yùn)行速度的理論值范圍。以花生落果撿拾率和含雜率為評(píng)價(jià)指標(biāo)，通過對(duì)升運(yùn)裝置作業(yè)參數(shù)單因素和雙因素模擬，分析了升運(yùn)單體與升運(yùn)鏈間夾角、升運(yùn)鏈運(yùn)行速度以及二者交互作用對(duì)花生升運(yùn)率和含雜率的影響，獲得了最優(yōu)參數(shù)組合為：升運(yùn)單體與升運(yùn)鏈間夾角45°、升運(yùn)鏈運(yùn)行速度1.5m/s。樣機(jī)田間試驗(yàn)結(jié)果表明，花生落果撿拾率為95%，含雜率為8.5%，滿足整機(jī)設(shè)計(jì)要求。研究結(jié)果可為花生落果撿拾技術(shù)及裝備研發(fā)提供參考。

Abstract:

針對(duì)低比轉(zhuǎn)數(shù)沖壓離心泵水力性能偏低問題，以CDL1型多級(jí)沖壓離心泵葉輪為研究對(duì)象，結(jié)合數(shù)值模擬和試驗(yàn)測(cè)試方法，對(duì)首級(jí)葉輪的水力性能進(jìn)行分析。由于低比轉(zhuǎn)數(shù)沖壓離心泵葉輪水力性能受多個(gè)因素影響，本文使用拉丁超立方方法對(duì)首級(jí)葉輪各設(shè)計(jì)變量進(jìn)行抽樣形成樣本空間并獲得相應(yīng)性能參數(shù)，進(jìn)而建立Kriging代理模型分析各參數(shù)對(duì)葉輪水力性能的敏感性，選定葉輪關(guān)鍵影響參數(shù)為粒子群算法（PSO）輸入，對(duì)多參數(shù)進(jìn)行優(yōu)化設(shè)計(jì)，在此基礎(chǔ)上探究葉輪的水力性能和內(nèi)流機(jī)制。結(jié)果表明，優(yōu)化后的葉輪水力性能優(yōu)于原始設(shè)計(jì)，最高效率點(diǎn)效率提升2.8個(gè)百分點(diǎn)，單級(jí)揚(yáng)程提高0.4m。

Abstract:

準(zhǔn)確表征易空蝕區(qū)域是水力機(jī)械設(shè)計(jì)及提高其工作壽命的有效措施，也是空蝕數(shù)值預(yù)測(cè)的關(guān)鍵難點(diǎn)。采用基于密度修正的SST k-ω湍流模型及Sauer空化模型對(duì)NACA0009三維扭曲水翼進(jìn)行非定常空化數(shù)值計(jì)算，通過對(duì)比空穴脫落頻率及實(shí)驗(yàn)中空穴瞬態(tài)特征驗(yàn)證了當(dāng)前空化模擬的準(zhǔn)確性。并考慮能量傳遞效率構(gòu)建了空蝕能量從流場(chǎng)空間輻射至壁面的能量傳播關(guān)系，從而預(yù)測(cè)出壁面空蝕載荷。通過對(duì)比不同瞬時(shí)時(shí)刻的壁面空蝕能量及空蝕載荷發(fā)現(xiàn)：由于空蝕載荷綜合考慮了全流場(chǎng)空間中空蝕能量對(duì)于壁面的侵蝕影響，預(yù)測(cè)出了更大范圍的空蝕強(qiáng)度覆蓋區(qū)域；時(shí)均12個(gè)周期內(nèi)每個(gè)瞬時(shí)時(shí)間步所產(chǎn)生的壁面空蝕強(qiáng)度，進(jìn)而得到了壁面時(shí)均空蝕強(qiáng)度分布，并將空蝕能量與空蝕載荷得到的壁面時(shí)均空蝕強(qiáng)度與空蝕實(shí)驗(yàn)結(jié)果對(duì)比發(fā)現(xiàn)，基于能量傳遞效率預(yù)測(cè)得到的時(shí)均空蝕載荷覆蓋區(qū)域與實(shí)驗(yàn)結(jié)果更加吻合，確定了能量傳遞效率在空蝕數(shù)值預(yù)測(cè)中的必要性。

Abstract:

作物遙感識(shí)別精度提升是精準(zhǔn)農(nóng)業(yè)與智慧農(nóng)業(yè)實(shí)現(xiàn)飛躍發(fā)展的關(guān)鍵驅(qū)動(dòng)力。作物遙感識(shí)別精度取決于樣本、圖像特征和分類方法3個(gè)要素。為減小樣本數(shù)據(jù)瓶頸導(dǎo)致的分類誤差，本文通過樣本數(shù)量擴(kuò)充和質(zhì)量控制協(xié)同提升作物遙感識(shí)別精度。以河套灌區(qū)烏蘭布和灌域?yàn)檠芯繀^(qū)，構(gòu)建2023年作物生育期NDVI時(shí)序圖像，結(jié)合作物NDVI時(shí)序特征在圖像上進(jìn)行采樣，實(shí)現(xiàn)作物樣本數(shù)量擴(kuò)充，并篩選剔除不合格樣本實(shí)現(xiàn)樣本質(zhì)量控制。篩選出野外樣本（擴(kuò)充前樣本）801個(gè)像元，圖像樣本（擴(kuò)充樣本）17917個(gè)像元，總樣本（擴(kuò)充后樣本）18718個(gè)像元。采用4種機(jī)器學(xué)習(xí)分類器開展樣本擴(kuò)充前后作物分類效果對(duì)比，結(jié)果表明，樣本擴(kuò)充后作物分類精度明顯提升，分類總體精度提升約5個(gè)百分點(diǎn)，Kappa系數(shù)提高約0.05。其中RF和NNC分類精度較高，CART和SVM分類精度略低。采用CNN和LSTM深度學(xué)習(xí)模型開展樣本擴(kuò)充后作物遙感識(shí)別，結(jié)果表明CNN和LSTM分類精度優(yōu)于精度較高的RF和NNC分類精度。

Abstract:

土壤背景對(duì)玉米葉面積指數(shù)（Leaf area index, LAI）的準(zhǔn)確估算存在影響，傳統(tǒng)土壤背景去除方法由于消除了土壤像素的面積信息從而導(dǎo)致目標(biāo)區(qū)域光譜與玉米LAI的相關(guān)性降低。因此，本文提出了一種土壤背景去除方法，該方法在去除土壤像素光譜反射率的同時(shí)保留了土壤像素面積信息，基于該方法對(duì)多光譜影像進(jìn)行預(yù)處理并提取歸一化差異植被指數(shù)（Normalized difference vegetation index, NDVI）等26個(gè)植被指數(shù)與Mean等8個(gè)紋理特征，結(jié)合株高/葉綠素含量等作物長勢(shì)協(xié)變量，對(duì)以上3種不同類型的特征進(jìn)行排列組合形成多個(gè)輸入特征集合，利用8種建模算法建立多個(gè)LAI估算模型，并與基于傳統(tǒng)土壤背景去除方法的LAI估算模型進(jìn)行對(duì)比。結(jié)果表明，本文提出的土壤背景去除方法在保留土壤像素和植被像素面積信息的前提下有效消除了土壤光譜反射率對(duì)植被光譜反射率的影響，基于該方法建立的LAI估算模型效果均優(yōu)于傳統(tǒng)方法；多類型特征融合可提高多光譜影像對(duì)LAI的模型估算精度，紋理特征對(duì)LAI的估算效果優(yōu)于植被指數(shù)；機(jī)器學(xué)習(xí)模型對(duì)LAI的模型估算效果優(yōu)于傳統(tǒng)統(tǒng)計(jì)回歸算法，最優(yōu)模型是經(jīng)本文所提土壤背景處理方法預(yù)處理后以植被指數(shù)+紋理特征+株高/葉綠素含量作為輸入的一維卷積神經(jīng)網(wǎng)絡(luò)（One-dimensional convolutional neural network, 1D-CNN）模型，其測(cè)試集調(diào)整決定系數(shù)R2Adj、均方根誤差(RMSE)和平均絕對(duì)誤差(MAE)分別為0.9515、0.2421和0.1795。研究結(jié)果可為快速、準(zhǔn)確估算玉米LAI提供方法。

Abstract:

針對(duì)農(nóng)業(yè)短文本數(shù)據(jù)特征詞語少、語義特征稀疏、冗余度高、價(jià)值密度低等問題，構(gòu)建了一種利用多尺度通道注意力算法融合多語義特征的語義匹配模型Font_MBAFF，以提升農(nóng)業(yè)短文本的語義匹配性能。首先利用漢字偏旁部首和四角號(hào)碼豐富短文本特征；然后利用多尺度卷積核通道注意力加權(quán)網(wǎng)絡(luò)MSCN和基于多頭自注意力的雙向長短期記憶網(wǎng)絡(luò)Multi_SAB分別從空間和時(shí)間提取語義特征；最后利用文本注意力融合機(jī)制TEXTAFF對(duì)多種特征進(jìn)行智能融合。試驗(yàn)結(jié)果表明，F(xiàn)ont_MBAFF模型可有效彌補(bǔ)短文本特征詞少的不足，優(yōu)化文本特征提取及特征融合，語義匹配正確率達(dá)到96.42%，與MaLSTM、BiLSTM、BiLSTM_Self-attention、TEXTCNN_Attention、Sentence-BERT等5種語義匹配模型相比優(yōu)勢(shì)明顯，正確率至少高2.07個(gè)百分點(diǎn)。

Abstract:

在非結(jié)構(gòu)環(huán)境下，由于杭白菊的簇狀生長特性導(dǎo)致相互遮擋嚴(yán)重，使得杭白菊檢測(cè)算法的檢測(cè)精度較低。針對(duì)該問題，提出一種改進(jìn)YOLO v8n的杭白菊檢測(cè)模型Hwc-YOLO v8n（Hangzhou white chrysanthemum-YOLO v8n）。首先，提出通過增加標(biāo)簽的方式，將實(shí)際需求的雙類別標(biāo)簽改變?yōu)槿悇e，提升模型對(duì)杭白菊各個(gè)花期的關(guān)鍵性特征的精細(xì)化檢測(cè)能力；其次，在主干網(wǎng)絡(luò)中設(shè)計(jì)一種動(dòng)態(tài)特征提取模塊(C2f-Dynamic)，以加強(qiáng)模型對(duì)被遮擋目標(biāo)特征缺失情況的動(dòng)態(tài)適應(yīng)，并在檢測(cè)頭部分增加160像素×160像素的檢測(cè)頭，使得模型具備針對(duì)小目標(biāo)檢測(cè)的能力；最后，采用角度懲罰度量的損失（SIoU）優(yōu)化邊界框損失函數(shù)，提升了模型檢測(cè)精度和泛化能力。模塊位置試驗(yàn)和熱力圖試驗(yàn)表明，C2f-Dynamic模塊能動(dòng)態(tài)適應(yīng)遮擋目標(biāo)的特征變化。改進(jìn)后的Hwc-YOLO v8n模型對(duì)遮擋杭白菊識(shí)別的平均精度均值提升了1.7個(gè)百分點(diǎn)，召回率均值提高了0.88個(gè)百分點(diǎn)。模型消融和對(duì)比試驗(yàn)結(jié)果表明，改進(jìn)后的Hwc-YOLO v8n模型相比于DETR、SSD、YOLO v5、YOLO v6和YOLO v7，對(duì)杭白菊的檢測(cè)效果更好。平均精度均值相較于DETR、SSD、YOLO v5、YOLO v6和YOLO v7分別提升了5.7、12.6、0.7、0.75、11.25個(gè)百分點(diǎn)，召回率均值相較于YOLO v5和YOLO v7提升了2.15、1.4個(gè)百分點(diǎn)，可為后續(xù)杭白菊智能化采收作業(yè)提供技術(shù)支撐。

Abstract:

基于雙目相機(jī)的目標(biāo)定位系統(tǒng)具有起始距離短、精度高、成本低的優(yōu)點(diǎn)，適用于空間受限的溫室草莓生產(chǎn)環(huán)境下的草莓目標(biāo)識(shí)別與定位應(yīng)用。準(zhǔn)確的目標(biāo)匹配是雙目相機(jī)實(shí)現(xiàn)有效測(cè)量的保障，但自然環(huán)境下草莓表面亮度和陰影區(qū)域變化較大，基于局部特征的雙目匹配方法難以獲得穩(wěn)定且準(zhǔn)確的匹配結(jié)果。本文研究了基于圖像語義特征的草莓目標(biāo)雙目匹配方法，在光照變化大、圖像紋理豐富、果實(shí)遮擋、圖像模糊等條件下語義特征能夠保持目標(biāo)描述的穩(wěn)定性，因此可提高草莓目標(biāo)雙目匹配的準(zhǔn)確性。首先設(shè)計(jì)了圖像中草莓目標(biāo)區(qū)域的語義特征提取方法，其次設(shè)計(jì)了基于語義特征的草莓目標(biāo)相似度計(jì)算方法以及雙目結(jié)構(gòu)的幾何約束條件，最終實(shí)現(xiàn)了溫室環(huán)境下草莓目標(biāo)雙目匹配。實(shí)驗(yàn)結(jié)果表明：溫室環(huán)境下本文方法的草莓目標(biāo)匹配正確率為96.3%，可為實(shí)際采摘環(huán)境下草莓目標(biāo)雙目定位系統(tǒng)提供良好的目標(biāo)匹配結(jié)果。

Abstract:

為了解決因火龍果果實(shí)尺寸不一、數(shù)量眾多而造成的重疊遮擋問題，本文提出了一種基于YOLO v8模型的多尺度加權(quán)特征融合網(wǎng)絡(luò)(MBS-YOLO v8)。在特征提取模塊中加入擠壓和激勵(lì)網(wǎng)絡(luò)(Squeeze-and-excitation attention,SEAttention)機(jī)制，以增強(qiáng)網(wǎng)絡(luò)捕捉關(guān)鍵細(xì)節(jié)能力，解決小目標(biāo)檢測(cè)問題。提出一種多尺度加權(quán)融合網(wǎng)絡(luò)(Multi-scale weighted fusion network,MWConv)用于生成具有不同感受野的特征圖，增強(qiáng)了圖像中全局特征的捕獲能力。試驗(yàn)結(jié)果表明，MBS-YOLO v8準(zhǔn)確率為92.5%，召回率為90.1%，平均精度均值mAP50為94.7%。與YOLO v8n算法相比，MBS-YOLO v8準(zhǔn)確率、召回率和mAP50分別提高2.1、5.9、2個(gè)百分點(diǎn)。本文MBS-YOLO v8〖JP+2〗模型展現(xiàn)出高度的魯棒性，該方法有效地將全局特征信息與低維局部特征相結(jié)合，從而提高了模型對(duì)圖像內(nèi)容的理解，能夠應(yīng)對(duì)與重疊遮擋和小目標(biāo)相關(guān)的挑戰(zhàn)，為火龍果及其他同類型目標(biāo)檢測(cè)提供了改進(jìn)思路。

Abstract:

黃瓜果實(shí)的檢測(cè)與分割對(duì)于表型分析和黃瓜生長管理至關(guān)重要。然而，在復(fù)雜溫室環(huán)境下，果實(shí)往往與莖葉相互遮擋，且果實(shí)與背景顏色相似，導(dǎo)致傳統(tǒng)方法在復(fù)雜環(huán)境下難以準(zhǔn)確識(shí)別果實(shí)邊界并實(shí)現(xiàn)高效分割。為此，提出了一種基于改進(jìn)YOLO v8的黃瓜果實(shí)分割方法。該方法引入可變形卷積（Deformable convolution network v4，DCNv4）增強(qiáng)模型空間適應(yīng)性；同時(shí)采用RepNCSPELAN4模塊串聯(lián)額外的C2F模塊，細(xì)化特征提取與融合；從而提升了模型在復(fù)雜溫室環(huán)境下對(duì)黃瓜果實(shí)圖像的分割性能。實(shí)驗(yàn)結(jié)果顯示，在玻璃溫室和塑料連棟大棚兩個(gè)實(shí)驗(yàn)場(chǎng)景中的多個(gè)類別上均有出色表現(xiàn)。其中，在玻璃溫室場(chǎng)景中的精確率為96.3%，召回率為93.1%，平均精度均值mAP50為96.2%，mAP50-95為85.3%；在塑料大棚場(chǎng)景中的精確率為86.8%，召回率為81.9%，平均精度均值mAP50為90.0%，mAP50-95為77.0%。本研究提出的改進(jìn)方法在處理邊界、多重遮擋和多尺度分割方面具有更強(qiáng)的魯棒性和泛化性，使模型能適應(yīng)復(fù)雜性不同的多樣化種植環(huán)境而準(zhǔn)確分割黃瓜果實(shí)。精確的果實(shí)圖像分割有助于表型參數(shù)的獲取，為黃瓜果實(shí)的表型分析提供了可靠的技術(shù)支持，從而促進(jìn)農(nóng)業(yè)表型機(jī)器人的應(yīng)用。

Abstract:

為解決現(xiàn)階段自然條件下板栗目標(biāo)尺度不一帶來的檢測(cè)局限性，本文基于改進(jìn)YOLO 11模型提出一種多尺度板栗果實(shí)識(shí)別方法YOLO 11-MCS。提出了多尺度關(guān)鍵特征聚合模塊（MKFA），并將其引入C3k2模塊，構(gòu)建C3k2-MKFA特征提取模塊，有效捕捉不同尺度特征信息；提出了CGAFPN網(wǎng)絡(luò)，通過內(nèi)容引導(dǎo)注意力模塊引入小目標(biāo)檢測(cè)層，彌補(bǔ)了原生算法在多尺度、小目標(biāo)檢測(cè)中存在的不足；提出了共享卷積分離批量歸一化檢測(cè)頭（SCSB），采用共享卷積和分離批量歸一化結(jié)構(gòu)，實(shí)現(xiàn)跨尺度特征高效提取，增強(qiáng)了不同尺度特征一致性。試驗(yàn)結(jié)果表明，改進(jìn)模型板栗識(shí)別準(zhǔn)確率為88.2%，召回率為79.2%，平均精度為87.2%，相較于原始YOLO 11s模型，準(zhǔn)確率、召回率、平均精度分別提升0.8、5.9、5.5個(gè)百分點(diǎn)。采用通道式特征蒸餾后模型平均精度為84.7%，模型內(nèi)存占用量為6.0MB，經(jīng)Infer推理庫在Jetson Nano上部署后，檢測(cè)時(shí)間為23ms/幅，滿足板栗識(shí)別要求。

Abstract:

針對(duì)群養(yǎng)生豬體尺自動(dòng)測(cè)量中體尺測(cè)點(diǎn)難以高效和精確提取的問題，提出一種基于改進(jìn)YOLO v5-pose的群養(yǎng)生豬體尺自動(dòng)測(cè)量方法。在YOLO v5-pose主干網(wǎng)絡(luò)中融合卷積塊注意力模塊（Convolutional block attention module, CBAM），更好地捕捉到測(cè)點(diǎn)相關(guān)特征；將Neck層的C3傳統(tǒng)模塊替換為C3Ghost輕量模塊，降低模型參數(shù)量和內(nèi)存占用量；在模型Head層引入DyHead（Dynamic head）目標(biāo)檢測(cè)頭，提升模型對(duì)測(cè)點(diǎn)位置的表征能力。結(jié)果表明，改進(jìn)模型的測(cè)點(diǎn)檢測(cè)平均精度均值為92.6%，參數(shù)量為6.890×106，內(nèi)存占用量為14.1MB，與原始YOLO v5-pose模型相比，平均精度均值增加2.1個(gè)百分點(diǎn)，參數(shù)量和內(nèi)存占用量分別減少2.380×105、0.4MB。與當(dāng)前經(jīng)典模型YOLO v7-pose、YOLO v8-pose、RTMPose（Real-time multi-person pose estimation based on mmpose）和CenterNet相比，該模型的召回率和平均精度均值更優(yōu)且更輕量化。在2400幅群養(yǎng)生豬圖像數(shù)據(jù)集上進(jìn)行試驗(yàn)，結(jié)果表明，該方法測(cè)得體長、體寬、臀寬、體高和臀高的平均絕對(duì)誤差分別為4.61、5.87、6.03、0.49、0.46cm，平均相對(duì)誤差分別為2.69%、11.53%、12.29%、0.90%和0.76%。綜上所述，本文方法提高了體尺測(cè)點(diǎn)檢測(cè)精度，降低了模型復(fù)雜度，取得了更精確的體尺測(cè)量結(jié)果，為群養(yǎng)環(huán)境下生豬體尺自動(dòng)測(cè)量提供了一種有效的技術(shù)手段。

Abstract:

豬只跛行問題為豬場(chǎng)的生產(chǎn)和管理帶來了挑戰(zhàn)，因此準(zhǔn)確檢測(cè)豬只跛行情況至關(guān)重要。目前豬場(chǎng)主要依賴人工觀察和記錄，效率低耗時(shí)長，且可能存在主觀誤差。鑒于此，提出一種基于關(guān)鍵點(diǎn)和步行特征的豬只跛行檢測(cè)方法。首先，定義并確定了豬只的關(guān)鍵點(diǎn)信息，關(guān)鍵點(diǎn)包括豬只的腿、膝蓋、背部等重要部位。基于關(guān)鍵點(diǎn)，采用改進(jìn)YOLO v8n-pose模型進(jìn)行檢測(cè)。該模型在YOLO v8n-pose的基礎(chǔ)上，在頸部引入BiFPN雙向特征金字塔網(wǎng)絡(luò)進(jìn)行多尺度特征融合，同時(shí)在骨干網(wǎng)絡(luò)中引入RepGhost網(wǎng)絡(luò)，以降低特征提取網(wǎng)絡(luò)的參數(shù)量和浮點(diǎn)運(yùn)算量。然后利用檢測(cè)出的關(guān)鍵點(diǎn)坐標(biāo)計(jì)算豬只的步長、膝蓋彎曲程度和背部曲率等步行特征，并將這些特征輸入到K最近鄰算法進(jìn)行跛行與非跛行的分類。實(shí)驗(yàn)結(jié)果表明，改進(jìn)YOLO v8n-pose模型平均精度均值（mAP）達(dá)到92.4%，比原始YOLO v8n-pose模型提高4.2個(gè)百分點(diǎn)。與其他關(guān)鍵點(diǎn)檢測(cè)模型（HRNet-w32、Lite-HRNet、ResNet50、ViPNAS和Hourglass）相比，mAP分別提高10.2、11.6、14.2、11.8、12.5個(gè)百分點(diǎn)。K近鄰算法在豬只跛行測(cè)試集上的檢測(cè)精度為81.7%，比BP算法、Decision Tree算法和SVM算法分別提高1.5、11.3、6.5個(gè)百分點(diǎn)。以上結(jié)果表明，本文提出的豬只跛行檢測(cè)方法可行，能夠?yàn)樨i場(chǎng)檢測(cè)提供技術(shù)支持。

Abstract:

近年來，隨著羊只養(yǎng)殖向大規(guī)模和精細(xì)化的方向發(fā)展，羊場(chǎng)對(duì)智能化管理的需求日益增加。因此，精準(zhǔn)的個(gè)體識(shí)別和行為監(jiān)測(cè)變得尤為重要，對(duì)多目標(biāo)跟蹤（Multiple object tracking, MOT）算法的準(zhǔn)確性提出了更高要求。然而，現(xiàn)有的MOT算法在目標(biāo)遮擋和動(dòng)態(tài)場(chǎng)景下的性能仍不理想。本文提出兩種跟蹤線索：深度調(diào)制交并比（Depth modulated intersection over union, DIoU）和軌跡方向建模（Tracklet direction modeling, TDM），旨在補(bǔ)充交并比（Intersection over union, IoU）線索，提高多目標(biāo)跟蹤的精準(zhǔn)度和魯棒性。DIoU線索通過引入目標(biāo)的深度信息改進(jìn)了傳統(tǒng)的IoU計(jì)算方法。TDM聚焦于目標(biāo)的運(yùn)動(dòng)趨勢(shì)，預(yù)測(cè)其未來的移動(dòng)方向。本文將DIoU和TDM跟蹤線索集成到BoT-SORT算法中，形成改進(jìn)的多目標(biāo)跟蹤算法。在兩個(gè)私有數(shù)據(jù)集上，改進(jìn)算法相比基線方法，MOTA（Multiple object tracking accuracy）指標(biāo)分別提高1.6、1.7個(gè)百分點(diǎn)，IDF1（Identification F1 score）指標(biāo)分別提高1.9、1.0個(gè)百分點(diǎn)。結(jié)果顯示，改進(jìn)算法在復(fù)雜場(chǎng)景中的跟蹤連續(xù)性和準(zhǔn)確性顯著提升。

Abstract:

在豬只智慧養(yǎng)殖中，豬只實(shí)例分割方法是實(shí)現(xiàn)豬只自動(dòng)化檢測(cè)的關(guān)鍵技術(shù)之一，但在實(shí)際分割場(chǎng)景中，存在豬只遮擋粘連等現(xiàn)象，易導(dǎo)致分割困難。針對(duì)產(chǎn)房中仔豬分割困難問題，本文提出一種基于YOLO v5s和GAN(Generative adversarial network)的實(shí)例分割模型OD_SeGAN。該方法通過目標(biāo)檢測(cè)算法YOLO v5s提取出仔豬目標(biāo)，并輸入至語義分割算法GAN實(shí)現(xiàn)分割，并使用空洞卷積替換GAN中的普通卷積，擴(kuò)大網(wǎng)絡(luò)感受野；其次，使用擠壓-激勵(lì)注意力機(jī)制模塊，增強(qiáng)模型對(duì)仔豬全局特征的學(xué)習(xí)能力，提高模型的分割精度。實(shí)驗(yàn)結(jié)果表明，OD_SeGAN在測(cè)試集上IoU為88.6%，分別比YOLO v5s_Seg、Cascade_Mask_RCNN、Mask_RCNN、SOLO、Yolact高3.4、3.3、4.1、9.7、8.1個(gè)百分點(diǎn)。將OD_SeGAN應(yīng)用于仔豬窩均質(zhì)量估測(cè)任務(wù)中，測(cè)得仔豬窩均質(zhì)量和仔豬像素點(diǎn)數(shù)之間皮爾遜相關(guān)系數(shù)為0.956。OD_SeGAN在實(shí)際生產(chǎn)場(chǎng)景中具有良好的仔豬分割性能，可為仔豬窩均質(zhì)量估測(cè)等后續(xù)研究提供技術(shù)基礎(chǔ)。

Abstract:

莖干水分與液流動(dòng)態(tài)關(guān)系對(duì)于理解植物水分運(yùn)輸機(jī)制和蒸騰調(diào)控過程具有重要意義。然而，傳統(tǒng)植物水分監(jiān)測(cè)方法由于空間和時(shí)間分辨率的限制，難以捕捉植物水分變化的細(xì)微過程。本文構(gòu)建了一種基于i.MX6ULL芯片的智能監(jiān)測(cè)系統(tǒng)，通過結(jié)合先進(jìn)的傳感器技術(shù)、數(shù)據(jù)采集和分析方法，實(shí)現(xiàn)了對(duì)莖干水分、液流速率、蒸騰量、土壤含水率以及空氣溫濕度等關(guān)鍵參數(shù)的實(shí)時(shí)監(jiān)測(cè)。在銀杏樹上的長期實(shí)地監(jiān)測(cè)驗(yàn)證了系統(tǒng)穩(wěn)定性和可靠性。統(tǒng)計(jì)結(jié)果表明，銀杏樹在不同生長階段的液流和莖干水分變化趨勢(shì)顯著，液流速率為0.82~20.52cm/h，而生長季中莖干水分導(dǎo)數(shù)與液流數(shù)據(jù)呈顯著負(fù)相關(guān)（Pearson相關(guān)系數(shù)不低于-0.7）。生長季期間，液流增加伴隨著莖干水分減少，且莖干水分變化速率能夠在一定程度上反映液流變化趨勢(shì)。此外，空氣溫度每上升1℃，液流速率平均增加8.6%，而空氣相對(duì)濕度每上升10個(gè)百分點(diǎn)，則導(dǎo)致液流速率下降27.3%。研究結(jié)果為活立木水分運(yùn)輸關(guān)系提供了實(shí)驗(yàn)證據(jù)，并為植物生理學(xué)研究和生態(tài)環(huán)境管理提供了科學(xué)依據(jù)。

Abstract:

在凍融循環(huán)過程中，土壤水分、熱量及鹽分發(fā)生顯著遷移，這些動(dòng)態(tài)變化加劇了土壤鹽堿化，進(jìn)而對(duì)農(nóng)業(yè)生產(chǎn)穩(wěn)定性和土壤肥力持續(xù)性產(chǎn)生深遠(yuǎn)影響。基于大田試驗(yàn)，將生物炭和秸稈分別施加于0~15cm土層(BQ和CQ)、15~30cm(BS和CS)，另設(shè)空白對(duì)照組(CK),監(jiān)測(cè)凍融期0~15cm、15~30cm、30~45cm 3層土壤的含水率、溫度及含鹽量，探討生物炭與秸稈在不同施用深度對(duì)土壤水、熱、鹽動(dòng)態(tài)變化的影響。同時(shí)，采用結(jié)構(gòu)方程模型分析不同土層間水分、溫度和鹽分的相互關(guān)系。研究結(jié)果表明：試驗(yàn)周期內(nèi)，施加生物炭和秸稈顯著改善了土壤水、熱、鹽特性。其中，BQ、BS、CQ、CS處理在0~45cm土層平均含水率分別較對(duì)照組提高2.85、3.13、1.56、2.15個(gè)百分點(diǎn)；各處理均有效提升了土壤溫度并減小了凍融期溫度波動(dòng)；BQ和BS處理在0~45cm土層平均含鹽量較對(duì)照組分別增加0.34、0.40g/kg，且施加生物炭通過吸附鹽分有效抑制了鹽分遷移。結(jié)構(gòu)方程模型結(jié)果表明：水分遷移會(huì)對(duì)熱量傳遞和溶質(zhì)運(yùn)移造成影響，生物炭和秸稈施用改變了不同土層間水、熱、鹽的相關(guān)性。研究結(jié)果可為季節(jié)性凍土區(qū)土壤生態(tài)環(huán)境調(diào)控提供理論依據(jù)和技術(shù)支撐。

Abstract:

土壤中植硅體封閉有機(jī)碳（Phytolith-occluded organic carbon，PhytOC）積累有望成為長期固存有機(jī)碳的途徑之一。作為外硅源改良劑，硅肥能增強(qiáng)作物中植硅體的固碳功能，而生物炭則在減少土壤溫室氣體排放方面發(fā)揮積極作用。為探明硅肥和生物炭聯(lián)合施用對(duì)植硅體固碳能力的影響途徑及其對(duì)土壤溫室氣體排放的作用，設(shè)置4種處理，包括空白對(duì)照（CK）、硅肥（SF）、生物炭（BC）及硅肥與生物炭混合施用（BS），通過田間試驗(yàn)結(jié)合室內(nèi)植硅體穩(wěn)定分級(jí)試驗(yàn)，分析了不同處理下土壤硅組分的分布特征，證實(shí)了不同玉米組織中PhytOC固存量及其穩(wěn)定性差異。此外，還闡明了混合外源硅對(duì)作物農(nóng)藝性狀和減少土壤溫室氣體排放具有影響。結(jié)果表明：在BS處理下，易溶硅（CaCl2-Si）、無機(jī)土壤顆粒表面不穩(wěn)定硅（Acetic-Si）、土壤有機(jī)質(zhì)表面不穩(wěn)定硅（H2O2-Si）含量呈先增加后降低趨勢(shì)，而弱結(jié)晶硅酸鹽及無定形硅（Na2CO3-Si）含量則持續(xù)下降。與CK相比，BS處理顯著提高了玉米莖、鞘和葉部位植硅體含量，分別增加54.75%、5.68%和56.87%。作物PhytOC生產(chǎn)通量達(dá)到57.79kg/(hm2·a)。穩(wěn)態(tài)植硅體含量提高16.32個(gè)百分點(diǎn)，穩(wěn)態(tài)PhytOC生產(chǎn)通量為34.12kg/(hm2·a)。此外，聯(lián)合施用下全球變暖潛勢(shì)（Global warming potential，GWP）為3716.88kg/hm2。研究結(jié)果表明，硅肥與生物炭聯(lián)合施用能夠顯著提升作物植硅體固碳能力及減少土壤溫室氣體排放，為實(shí)現(xiàn)長期碳固存提供了思路和方法。

Abstract:

為探究秸稈和生物炭混施還田對(duì)土壤氮素含量、大豆氮素利用率和產(chǎn)量的影響，采用裂區(qū)試驗(yàn)設(shè)計(jì)，設(shè)置對(duì)照（CK，無還田）、秸稈全量還田（SF）、生物炭和秸稈混施還田（BS）3種還田方式，并設(shè)置75kg/hm2（N1）、60kg/hm2（N2）和45kg/hm2（N3）3種施氮量處理，于2022—2023年開展2年大豆田間試驗(yàn)。結(jié)果表明，秸稈和生物炭混施能緩解施氮量減少對(duì)土壤氮素含量和大豆植株生長的不利影響，且對(duì)N2處理影響更顯著。與CK和SF處理相比，BS處理促進(jìn)土壤銨態(tài)氮和硝態(tài)氮含量分別增加7.58%~78.08%和19.02%~95.56%，顯著提升大豆凈光合速率和氮素利用效率，提高大豆產(chǎn)量38.62%~60.97%。此外，基于熵權(quán)TOPSIS模型的綜合評(píng)價(jià)結(jié)果表明，BSN2處理綜合表現(xiàn)最優(yōu)，在施氮量60kg/hm2條件下，其兩年平均產(chǎn)量為3058.48kg/hm2，氮肥吸收利用效率為0.99，農(nóng)學(xué)利用效率、氮素表觀回收率和氮素響應(yīng)指數(shù)分別為9.34kg/kg、0.98和2.18。研究可為東北黑土區(qū)氮肥管理和秸稈資源化利用提供科學(xué)依據(jù)。

Abstract:

為探究在氣象數(shù)據(jù)缺失情況下機(jī)器學(xué)習(xí)模型對(duì)冬小麥生育期實(shí)際蒸散量（Actual evapotranspiration，ETa）的模擬效果以及日光誘導(dǎo)葉綠素?zé)晒猓⊿olar-induced chlorophyll fluorescence，SIF）對(duì)于機(jī)器學(xué)習(xí)模型模擬ETa的優(yōu)勢(shì)，將SIF與氣象、作物生理指標(biāo)、土壤水熱條件等因素相結(jié)合，構(gòu)建梯度上升（Gradient boosting，GB）、隨機(jī)森林（Random forest，RF）和支持向量機(jī)（Support vector machine，SVM）3種經(jīng)典機(jī)器學(xué)習(xí)模型和線性回歸（Linear regression，LR）模型模擬冬小麥生育期ETa，并與Penman-Monteith（P-M）模型計(jì)算得到的蒸散量ET_pm進(jìn)行對(duì)比。結(jié)果表明： SIF與ETa顯著相關(guān)，但僅通過SIF作為特征參數(shù)構(gòu)建的機(jī)器學(xué)習(xí)模型擬合精度較低；根據(jù)基于機(jī)器學(xué)習(xí)模型的特征參數(shù)重要度排序以及各情景下的模型模擬精度可知，SIF對(duì)機(jī)器學(xué)習(xí)模型模擬ETa的精度有提升效果。機(jī)器學(xué)習(xí)模型在有足夠的特征參數(shù)時(shí)擬合效果明顯優(yōu)于P-M模型，且在平均溫度、SIF、日照時(shí)數(shù)、葉面積指數(shù)（Leaf area index，LAI）和土壤含水率的基礎(chǔ)上繼續(xù)添加特征參數(shù)對(duì)模擬精度提升不大，因此推薦使用上述5個(gè)特征參數(shù)組成的特征集構(gòu)建機(jī)器學(xué)習(xí)模型進(jìn)行ETa預(yù)測(cè)，模型決定系數(shù)R2分別為0.92、0.91和0.91，其中GB模型對(duì)冬小麥全生育期ETa的擬合效果最好。該研究可在氣象數(shù)據(jù)缺失情況下為當(dāng)?shù)卣羯⒘康木珳?zhǔn)模擬和合理灌溉制度制定提供參考。

Abstract:

水足跡視角下的農(nóng)業(yè)綠色高效用水能為區(qū)域糧食安全和環(huán)境可持續(xù)發(fā)展提供重要支撐。本文以稻麥輪作系統(tǒng)為研究對(duì)象，基于水足跡理論構(gòu)建了稻麥輪作系統(tǒng)作物水足跡計(jì)算模型，并在此基礎(chǔ)上量化了1960—2019年漣水灌區(qū)稻麥輪作系統(tǒng)水足跡效率指標(biāo)（廣義水系數(shù)和作物生產(chǎn)水足跡），進(jìn)一步分析了稻麥輪作系統(tǒng)作物水足跡效率的時(shí)間演變規(guī)律和驅(qū)動(dòng)力，結(jié)果表明：1960—2019年稻麥輪作系統(tǒng)廣義水系數(shù)變化范圍為0.50~0.76，多年平均值為0.65，整體變化趨勢(shì)不顯著；而作物生產(chǎn)水足跡年均值為58.4m3/GJ，年際間呈顯著下降趨勢(shì)；其中作物生產(chǎn)綠水足跡年均值為35.8m3/GJ，占作物生產(chǎn)水足跡的40.6%~80.4%，而藍(lán)水足跡多年均值為22.6m3/GJ。廣義水系數(shù)和作物生產(chǎn)水足跡與氣象因素密切相關(guān)，其中降水量對(duì)二者的影響最為顯著。作物生產(chǎn)水足跡與農(nóng)業(yè)生產(chǎn)資料投入量和區(qū)域灌溉水平呈負(fù)相關(guān)，農(nóng)業(yè)機(jī)械化動(dòng)力、節(jié)水灌溉面積占比是人類活動(dòng)對(duì)作物生產(chǎn)水足跡間接表達(dá)作用的主要驅(qū)動(dòng)因子。基于作物水足跡效率及其驅(qū)動(dòng)力研究，提高降水利用率、改善區(qū)域農(nóng)業(yè)機(jī)械化和灌溉水平，是促進(jìn)水資源高效利用的有效途徑。研究結(jié)果可為區(qū)域農(nóng)業(yè)節(jié)水標(biāo)準(zhǔn)制定提供參考。

Abstract:

鹽堿土表層常伴隨復(fù)雜的干縮裂隙網(wǎng)絡(luò)結(jié)構(gòu)，探究鹽堿土干縮裂隙特征及其動(dòng)態(tài)演化過程中的土壤鹽分分布規(guī)律，對(duì)于科學(xué)制定鹽堿土鹽分淋洗制度具有重要意義。采用室內(nèi)土格開展鹽堿土干縮裂隙動(dòng)態(tài)演化特征及鹽分淋溶試驗(yàn)，設(shè)置3種初始土壤含鹽量2g/kg（S1）、5g/kg（S2）和8g/kg（S3），利用數(shù)字圖像處理技術(shù)和形態(tài)學(xué)算法獲取土壤裂隙幾何形態(tài)參數(shù)和連通性指數(shù)，分析不同初始含鹽量土壤在脫濕-吸濕過程中的干縮裂隙演化特征，并同步監(jiān)測(cè)裂隙演化下的土壤鹽分動(dòng)態(tài)變化規(guī)律。結(jié)果表明，土壤干縮開裂（脫濕）過程中，土壤初始含鹽量越大，土壤裂隙面積率、平均寬度、長度密度、連通性指數(shù)均相應(yīng)增大，且裂隙面積率、平均寬度在單個(gè)干濕循環(huán)內(nèi)形成“∞”環(huán)形狀。同時(shí)，土壤鹽分逐漸向裂隙附近區(qū)域遷移，最終形成裂隙網(wǎng)格邊緣含鹽量高、網(wǎng)格內(nèi)部低的非均勻分布規(guī)律。土壤干縮開裂過程中，S1、S2、S3處理土壤內(nèi)部含鹽量變異系數(shù)隨著土壤含水率降低而逐漸升高，且在裂隙發(fā)育穩(wěn)定后（土壤含水率為5%左右）分別達(dá)到0.235、0.247和0.251；在土壤鹽分淋洗（吸濕）過程中，S3處理土壤裂隙面積率較S2和S1處理提高8.565、4.208個(gè)百分點(diǎn)，其土壤脫鹽率相應(yīng)增加20.4%、67.3%。總體上，土壤初始含鹽量越高，土壤淋洗脫鹽率越大，S3、S2、S1處理最終土壤脫鹽率分別為54.2%、45.0%和32.4%（P＜0.05）。

Abstract:

在雙碳目標(biāo)的背景下，農(nóng)村地區(qū)的能源轉(zhuǎn)型已成為實(shí)現(xiàn)綠色發(fā)展的關(guān)鍵環(huán)節(jié)。我國農(nóng)村傳統(tǒng)農(nóng)業(yè)機(jī)械（包括拖拉機(jī)和收獲機(jī)）對(duì)化石燃料高度依賴，亟需向以電動(dòng)農(nóng)機(jī)為代表的低碳、可持續(xù)發(fā)展模式轉(zhuǎn)變，這將有助于促進(jìn)可再生能源的利用，為農(nóng)業(yè)可持續(xù)發(fā)展提供環(huán)境友好的解決方案。針對(duì)農(nóng)村地區(qū)太陽能與生物質(zhì)能等可再生資源豐富的特點(diǎn)，考慮農(nóng)機(jī)運(yùn)行特性與農(nóng)業(yè)柔性負(fù)荷，提出了農(nóng)機(jī)電能替代下生物質(zhì)耦合太陽能農(nóng)村能源系統(tǒng)規(guī)劃方法。首先，構(gòu)建了考慮電動(dòng)農(nóng)機(jī)的農(nóng)村能源系統(tǒng)框架，同時(shí)對(duì)電動(dòng)農(nóng)機(jī)負(fù)荷及農(nóng)業(yè)柔性負(fù)荷進(jìn)行建模分析。其次，建立了以經(jīng)濟(jì)成本和碳排放量最小為目標(biāo)的系統(tǒng)規(guī)劃優(yōu)化模型，采用非支配排序遺傳算法（NSGA-Ⅱ）和商業(yè)求解器Gurobi協(xié)同求解。最后，以我國東北地區(qū)某農(nóng)場(chǎng)為例進(jìn)行規(guī)劃模擬，結(jié)果表明，引入電動(dòng)農(nóng)機(jī)和農(nóng)業(yè)柔性負(fù)荷后，在考慮電動(dòng)農(nóng)機(jī)購入的條件下,農(nóng)機(jī)系統(tǒng)總成本降低24%，碳排放量降低46%。

Abstract:

為研究小麥替代玉米比例對(duì)混合物料理化特性、飼料制粒成型特性的影響規(guī)律，通過響應(yīng)面法建立了顆粒飼料制粒成型特性的預(yù)測(cè)模型。試驗(yàn)采用Box-Behnken試驗(yàn)設(shè)計(jì)，以調(diào)質(zhì)溫度（70、80、90℃）、調(diào)質(zhì)時(shí)間（45、135、225s） 和替代比例（0、50%、100%）為自變量，以顆粒飼料成型率、噸料電耗、顆粒耐久性指數(shù)為因變量，共進(jìn)行17組制粒加工試驗(yàn)，測(cè)定混合物料的理化特性指標(biāo)、飼料制粒成型特性指標(biāo)，并對(duì)自變量參數(shù)進(jìn)行優(yōu)化。試驗(yàn)結(jié)果表明：隨著小麥替代玉米比例的增加，混合物料的松裝密度、振實(shí)密度、水溶性、蛋白質(zhì)分散指數(shù)和糊化時(shí)間顯著增加（P<0.05）；休止角、吸水性指數(shù)、峰值黏度、保持黏度和最終黏度顯著下降（P<0.05）；顆粒飼料成型率升高，噸料電耗降低，顆粒耐久性指數(shù)先升高后降低。隨著調(diào)質(zhì)溫度升高，顆粒飼料成型率先升高后降低；當(dāng)替代比例在0和50%時(shí)，噸料電耗降低；當(dāng)替代比例在100%時(shí)，噸料電耗先降低后升高，顆粒耐久性指數(shù)升高。隨著調(diào)質(zhì)時(shí)間的延長，噸料電耗升高，成型率和顆粒耐久性指數(shù)變化相對(duì)較小。方差分析結(jié)果顯示，影響顆粒飼料制粒成型特性因素的主次順序依次為替代比例、調(diào)質(zhì)溫度、調(diào)質(zhì)時(shí)間，并根據(jù)響應(yīng)面建立不同替代比例下顆粒飼料制粒成型特性的預(yù)測(cè)模型，模型預(yù)測(cè)結(jié)果可靠。由此可見，使用小麥替代玉米可顯著提高顆粒飼料質(zhì)量，并降低生產(chǎn)能耗。

Abstract:

牡蠣農(nóng)產(chǎn)品在市場(chǎng)流通過程中可能攜帶傳帶性病毒、細(xì)菌等生物風(fēng)險(xiǎn)因子，已在多個(gè)國家引發(fā)頻繁的生物安全事件。生物風(fēng)險(xiǎn)檢測(cè)數(shù)據(jù)具有顯著的隱私性特點(diǎn)，風(fēng)險(xiǎn)檢測(cè)信息的不當(dāng)泄露會(huì)造成公共衛(wèi)生安全威脅。提出了一種基于區(qū)塊鏈的牡蠣供應(yīng)鏈生物風(fēng)險(xiǎn)因子隱私數(shù)據(jù)加密共享方法，通過對(duì)供應(yīng)鏈中各個(gè)環(huán)節(jié)生物風(fēng)險(xiǎn)因子檢測(cè)的數(shù)據(jù)進(jìn)行加密上鏈存儲(chǔ)，保證數(shù)據(jù)安全共享，風(fēng)險(xiǎn)源頭可追溯。該方法基于屬性的可搜索加密算法對(duì)生物風(fēng)險(xiǎn)因子檢測(cè)數(shù)據(jù)進(jìn)行訪問控制和隱私保護(hù)，并構(gòu)建加密倒排索引進(jìn)行查詢效率的優(yōu)化，通過可搜索加密算法和倒排索引的結(jié)合實(shí)現(xiàn)快速定位到相關(guān)風(fēng)險(xiǎn)批次貨物的詳細(xì)數(shù)據(jù)。實(shí)驗(yàn)測(cè)試結(jié)果表明，生物風(fēng)險(xiǎn)檢測(cè)數(shù)據(jù)關(guān)鍵詞的加密時(shí)間平均為31ms，陷門生成時(shí)間平均為32ms，可搜索密文與陷門的匹配時(shí)間平均為16ms。監(jiān)管者通過密文倒排索引查詢風(fēng)險(xiǎn)牡蠣農(nóng)產(chǎn)品相關(guān)數(shù)據(jù)的平均時(shí)間為385ms，并基于以太坊區(qū)塊鏈平臺(tái)構(gòu)建了原型系統(tǒng)，實(shí)現(xiàn)生物風(fēng)險(xiǎn)因子密文隱私數(shù)據(jù)上鏈存儲(chǔ)和追溯查詢等功能，結(jié)果表明該方法能夠滿足牡蠣供應(yīng)鏈隱私數(shù)據(jù)共享場(chǎng)景需求，為牡蠣生物風(fēng)險(xiǎn)監(jiān)管提供技術(shù)支撐。

Abstract:

為解決白胡椒初加工生產(chǎn)線熟化環(huán)節(jié)長時(shí)間無法維持恒溫控制、過度依賴人工輔助控溫等問題，設(shè)計(jì)了基于PID的白胡椒初加工生產(chǎn)線熟化溫度控制系統(tǒng)。利用STM32和觸摸屏控制蒸汽發(fā)生器和電調(diào)節(jié)閥，PT100溫度傳感器實(shí)時(shí)監(jiān)測(cè)溫度并反饋至系統(tǒng)，通過控制算法調(diào)節(jié)蒸汽流量以確保穩(wěn)定控制。采用開環(huán)階躍響應(yīng)法建立并擬合了熟化機(jī)內(nèi)溫度與時(shí)間的數(shù)學(xué)模型，通過Simulink仿真試驗(yàn)對(duì)比了Ziegler-Nichols整定法、臨界比例度法、衰減曲線法以及基于麻雀搜索算法的粒子群優(yōu)化自整定法(SSAPSO)性能。最終確定PID最佳控制參數(shù)為比例系數(shù)Kp=0.8759，積分系數(shù)Ki=0.02，微分系數(shù)Kd=4.3255。系統(tǒng)試驗(yàn)結(jié)果表明，在8min的熟化過程中，每隔1min采集當(dāng)前熟化溫度，由于熟化機(jī)與空氣直接對(duì)流換熱，其溫度穩(wěn)定在(99±1.5)℃范圍內(nèi)，熟化溫度平均相對(duì)誤差小于1.2%、變異系數(shù)小于1.3%，基本實(shí)現(xiàn)了熟化過程中自動(dòng)化精準(zhǔn)高效控溫的目的。

Abstract:

為準(zhǔn)確有效預(yù)測(cè)丘陵山區(qū)復(fù)雜作業(yè)環(huán)境下履帶式底盤牽引性能，本文基于履帶式底盤接地壓力分布規(guī)律建立其牽引性能預(yù)測(cè)模型并開展試驗(yàn)驗(yàn)證。基于坡度與底盤參數(shù)提出了一種多峰非線性分布的接地壓力分布數(shù)學(xué)模型，在不同坡度與位姿下開展接地壓力測(cè)試試驗(yàn)，結(jié)果表明其預(yù)測(cè)平均誤差為4.7%，模型能夠較好地預(yù)測(cè)履帶式底盤在坡地環(huán)境下接地壓力分布情況；基于接地壓力模型及履帶-地面的相互作用規(guī)律，通過考慮土壤特性、坡度及履帶式底盤姿態(tài)調(diào)整重心位置變化等因素，進(jìn)一步構(gòu)建了由均布垂直載荷驅(qū)動(dòng)力特性部分與非均布載荷控制部分共同組成的履帶底盤牽引力-滑轉(zhuǎn)率預(yù)測(cè)模型；基于3類履帶底盤開展等高線行駛和縱向爬坡工況牽引性能試驗(yàn)以對(duì)預(yù)測(cè)模型進(jìn)行驗(yàn)證，結(jié)果表明:模型預(yù)測(cè)平均誤差為3.6%、5.4%和6.3%，總體預(yù)測(cè)誤差較小，可為丘陵山地履帶式底盤適用性設(shè)計(jì)與機(jī)動(dòng)性能優(yōu)化提供理論依據(jù)和數(shù)據(jù)支撐。

Abstract:

交變配流泵可通過內(nèi)置旋轉(zhuǎn)配流盤連續(xù)轉(zhuǎn)動(dòng)直接輸出交變液流，驅(qū)動(dòng)液壓缸形成激振運(yùn)動(dòng)。由于交變配流泵及泵控液壓缸內(nèi)部泄漏、摩擦等非線性因素會(huì)導(dǎo)致泵輸出的雙向液流不完全對(duì)稱，泵控液壓缸位移中心值會(huì)隨振動(dòng)過程發(fā)生偏移，影響實(shí)用性。為了消除非對(duì)稱液流導(dǎo)致的激振偏移，本文在交變配流泵與液壓缸之間串聯(lián)伺服閥，形成泵-閥-缸串級(jí)偏移調(diào)控系統(tǒng)，以及基于配流盤相位的半周期分段糾偏控制策略。基于泵、閥動(dòng)力特性建立AMESim-Simulink聯(lián)合仿真模型，辨識(shí)系統(tǒng)參數(shù)，分析控制性能。搭建試驗(yàn)平臺(tái)，驗(yàn)證泵-閥聯(lián)合偏移控制方法的有效性。結(jié)果表明，該方法可控制交變配流泵控激振液壓缸位移中心值，且伺服閥芯基本處于較大開口位置，節(jié)流損失小，在保證泵控激振系統(tǒng)高效性的同時(shí)，提高了系統(tǒng)實(shí)用性。

Abstract:

在農(nóng)業(yè)機(jī)械自動(dòng)裝配產(chǎn)線上，其嵌入式控制平臺(tái)片上資源極其有限，而基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)檢測(cè)系統(tǒng)參數(shù)量過大，難以直接移植于嵌入式平臺(tái)，為此，本文提出一種基于改進(jìn)ResNet18-SSD(Single shot multi-box detector)和現(xiàn)場(chǎng)可編程門陣列（Field programmable gate array，F(xiàn)PGA）加速引擎的深度學(xué)習(xí)實(shí)時(shí)檢測(cè)方法。為了降低參數(shù)量的同時(shí)提高檢測(cè)模型準(zhǔn)確性，提出基于ResNet18-SSD的深度學(xué)習(xí)快速檢測(cè)模型，利用優(yōu)化改進(jìn)后的ResNet18網(wǎng)絡(luò)替換SSD模型的VGG16前置網(wǎng)絡(luò)，引入多分支同構(gòu)結(jié)構(gòu)和非對(duì)稱并行殘差結(jié)構(gòu)，使其能適應(yīng)遮擋、光線昏暗等復(fù)雜場(chǎng)景；在滿足檢測(cè)精度需求的情況下，采用動(dòng)態(tài)定點(diǎn)量化的方式，對(duì)模型數(shù)據(jù)量進(jìn)行縮減，以提高檢測(cè)模型執(zhí)行效率。針對(duì)改進(jìn)ResNet18-SSD模型中消耗資源嚴(yán)重的卷積層，提出一種基于Winograd算法的FPGA加速引擎，提高模型檢測(cè)實(shí)時(shí)性，通過軟硬件協(xié)同設(shè)計(jì)，從硬件加速器與軟件網(wǎng)絡(luò)輕量化兩個(gè)角度進(jìn)行聯(lián)合優(yōu)化，實(shí)現(xiàn)輕量化、加速性能及復(fù)雜場(chǎng)景下準(zhǔn)確性三者之間的平衡。在Xilinx FPGA嵌入式平臺(tái)的實(shí)驗(yàn)結(jié)果表明，本文方法檢測(cè)準(zhǔn)確率達(dá)到93.5%，當(dāng)工作頻率為100MHz時(shí)，單幅圖像檢測(cè)時(shí)間為80.232ms，滿足實(shí)時(shí)性需求。

Abstract:

針對(duì)傳統(tǒng)ORB算法在雙目特征匹配階段誤匹配率高而導(dǎo)致無法滿足高精度定位要求的問題，提出了一種基于改進(jìn)雙目ORB-SLAM3的特征匹配算法。在特征點(diǎn)匹配階段引入最近鄰匹配算法（FLANN），通過設(shè)定比率閾值篩選出更為精確的匹配對(duì)，在雙目ORB-SLAM3立體匹配中引入自適應(yīng)加權(quán)SAD-Census算法，通過考慮像素之間的幾何距離，重新計(jì)算SAD值并與Census算法相融合來提高特征匹配穩(wěn)定性和精度，同時(shí)加入自適應(yīng)的SAD窗口滑動(dòng)范圍進(jìn)一步擴(kuò)大搜索距離，進(jìn)而篩選出正確的匹配來提高系統(tǒng)精度。在EuRoC數(shù)據(jù)集和真實(shí)室內(nèi)場(chǎng)景中進(jìn)行實(shí)驗(yàn)，結(jié)果表明與改進(jìn)前ORB-SLAM3算法相比，在數(shù)據(jù)集下改進(jìn)算法定位精度提高23.32%，真實(shí)環(huán)境中提高近50%，從而驗(yàn)證了改進(jìn)算法可行性和有效性。