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:

收獲機械化率低是影響我國甘蔗產(chǎn)業(yè)可持續(xù)發(fā)展的關(guān)鍵因素之一，適用的機收技術(shù)與裝備是推進(jìn)機收發(fā)展的必要條件,。本文從收獲窗口期甘蔗的理化特性,，糖廠與農(nóng)藝對機收的技術(shù)要求，機械化收獲的技術(shù)路線,，機收分行與扶起,、切梢、推倒,、根部切割,、輸送、切段,、除雜,、集料等關(guān)鍵技術(shù)與部件以及收獲系統(tǒng)等方面進(jìn)行文獻(xiàn)梳理。分析了這些技術(shù)存在的問題和國內(nèi)外收獲機在我國的適用性,。我國已形成了完備的科研與制造體系,，生產(chǎn)出大、中,、小型系列甘蔗收獲機,。我國甘蔗收獲機械的研制具有自上而下的研發(fā)任務(wù)和政策引導(dǎo)，以及在引進(jìn),、消化吸收國外先進(jìn)技術(shù)基礎(chǔ)上進(jìn)行研發(fā)的特點,，甘蔗收獲機技術(shù)路線創(chuàng)新不夠，關(guān)鍵技術(shù)原創(chuàng)性不足,。國內(nèi)外現(xiàn)有機型在我國的適用性較差,，糖廠和蔗農(nóng)對機收含雜率、損失率,、根茬破頭率和蔗田碾壓的接受程度較低,。結(jié)合我國蔗糖產(chǎn)業(yè)實際情況、甘蔗立地和農(nóng)藝技術(shù)條件,，創(chuàng)制適用機收技術(shù)與裝備：針對云南甘蔗倒伏較輕和蔗莖較脆的特點,，研制扶起-立式輸送-剝?nèi)~與打捆聯(lián)合收獲技術(shù)；針對廣西,、廣東榨季多雨和甘蔗倒伏較嚴(yán)重的特點,，研制以推倒-伏臥輸送割堆（捆）技術(shù)為核心的分步協(xié)同機收技術(shù)；針對農(nóng)村田塊小和窄行距的特點,，研制雙行機收技術(shù)與機具,；針對大型農(nóng)場適合大,、中機具作業(yè)的特點，完善寬行距固定軌跡作業(yè)農(nóng)機農(nóng)藝融合技術(shù),。

Abstract:

針對前期研制的甘蔗雙芽蔗段橫向種植機在丘陵地區(qū)開溝過程中溝深不穩(wěn)定,、不宜操作等問題,，結(jié)合橫向種植機工作特點，設(shè)計了一種甘蔗橫向種植機溝深控制系統(tǒng),，由激光測距傳感器,、壓力變送器及單片機控制系統(tǒng)組成，研究了后犁溝深與油缸負(fù)載壓力的關(guān)系,，通過實時監(jiān)測拖拉機提升液壓油缸負(fù)載壓力、溝深變化,，并與設(shè)定的溝深閾值比較,，通過控制系統(tǒng)實現(xiàn)對溝深的自動控制。首先,，通過理論分析,、Simulink仿真建模，對上拉桿與下拉桿的位移關(guān)系進(jìn)行了運動仿真,。研究了開溝過程中甘蔗橫向種植機的三點懸掛負(fù)載方式,，建立了拖拉機液壓提升油缸位移與后犁溝深關(guān)系的理論模型。其次,，設(shè)計了基于單片機液壓控制系統(tǒng),，搭建了雙芽蔗段橫向種植機溝深控制系統(tǒng)試驗平臺。最后,，在試驗平臺上進(jìn)行了性能驗證試驗及多因素正交試驗,，對溝深穩(wěn)定性系數(shù)的主要影響因素及影響溝深控制的規(guī)律進(jìn)行了探討；試驗結(jié)果表明,，系統(tǒng)調(diào)節(jié)響應(yīng)速度小于1s,，不同開溝深度溝深穩(wěn)定性系數(shù)均大于90%，在設(shè)定的范圍內(nèi),，試驗結(jié)果與設(shè)定值基本吻合,，驗證了溝深控制程序可靠性。通過多因素正交試驗可知,，交互因素中液壓調(diào)速閥開度,、開溝深度均對溝深穩(wěn)定性系數(shù)產(chǎn)生顯著影響,，試驗結(jié)果表明，當(dāng)調(diào)速閥開度為0.56圈,、土壤含水率為27.4%,、開溝深度為29.6cm時，溝深穩(wěn)定性系數(shù)最高,，為95.87%,。

Abstract:

現(xiàn)有甘蔗剝?nèi)~機雖然能有效去除大部分蔗葉，但主要針對榨糖所需甘蔗,，傷芽率較高,，并不適用于蔗種剝?nèi)~。為解決甘蔗剝?nèi)~機傷芽率高的問題,，設(shè)計了一種整稈式蔗種剝?nèi)~系統(tǒng)并對其進(jìn)行了仿真與試驗,。首先利用虛擬仿真平臺對剝?nèi)~過程進(jìn)行單因素仿真試驗，分析了碎葉機構(gòu),、喂入排出機構(gòu)以及剝?nèi)~機構(gòu)對蔗種受力情況的影響,。其次在仿真分析的基礎(chǔ)上完成了試驗臺試驗，根據(jù)仿真試驗結(jié)果進(jìn)行了二次回歸通用旋轉(zhuǎn)組合試驗并優(yōu)化了試驗參數(shù),，得到最佳作業(yè)參數(shù)組合：柔性繩碎葉輥轉(zhuǎn)速為670r/min,、剝?nèi)~輥筒轉(zhuǎn)速為400r/min、柔性繩碎葉元件單排根數(shù)為16,、柔性繩長度為330mm,。在該參數(shù)組合下，蔗種剝?nèi)~含雜率為6.59%,，傷芽率為4.70%,。最后進(jìn)行了2種剝?nèi)~機剝?nèi)~后蔗種的種植對比試驗，結(jié)果表明,，蔗種剝?nèi)~機和傳統(tǒng)剝?nèi)~機剝?nèi)~后蔗種發(fā)芽率分別為81.25%和56.25%,。本文研究結(jié)果可為蔗種剝?nèi)~機設(shè)計提供借鑒和參考。

Abstract:

宿根蔗補種機是解決甘蔗田間缺苗問題的一種補種裝置,，對于補種機田間作業(yè)，能夠精準(zhǔn)地識別并定位宿根蔗苗十分重要,。針對甘蔗田間宿根蔗苗難以精確檢測并定位的問題,，提出了一種雙目相機結(jié)合改進(jìn)YOLO v5目標(biāo)檢測算法的宿根蔗苗識別和定位方法,。針對目標(biāo)檢測，提出了一種改進(jìn)YOLO v5s網(wǎng)絡(luò)模型YOLO v5s_P234_SGG,。首先在不同光照及距離條件下拍攝宿根蔗苗圖像,，進(jìn)行數(shù)據(jù)預(yù)處理和標(biāo)注，構(gòu)建宿根蔗苗數(shù)據(jù)集,，然后剔除原始YOLO v5s網(wǎng)絡(luò)模型的大目標(biāo)檢測層,，新增一個小目標(biāo)檢測層，使模型能夠更好地適應(yīng)對蔗苗這種小目標(biāo)的識別需求,；其次在主干網(wǎng)絡(luò)引入SimAM注意力機制,，以增強模型對宿根蔗苗關(guān)鍵特征信息的關(guān)注，引入SlimNeck代替Neck網(wǎng)絡(luò),，在保持足夠精度的同時降低了模型復(fù)雜度,，并將主干網(wǎng)絡(luò)中的普通卷積模塊替換成Ghost模塊，顯著減小了模型內(nèi)存占用量,。實驗結(jié)果表明,，該方法在宿根蔗苗數(shù)據(jù)集上精確率達(dá)到95.8%，召回率達(dá)到95.2%,，平均精度均值達(dá)到97.1%,，相比原始YOLO v5s網(wǎng)絡(luò)，精確率上升3.1個百分點,，召回率上升2.6個百分點，平均精度均值上升3.1個百分點,，模型內(nèi)存占用量減小7.7MB,，參數(shù)量減少4062632，浮點運算次數(shù)減少7.8×109,，單幅圖像檢測時間減少3.7ms,。蔗苗定位實驗結(jié)果表明，雙目測距定位算法平均相對誤差為0.97%,，最大相對誤差為4.60%,。成功實現(xiàn)了對甘蔗苗的精準(zhǔn)識別與測距，為后續(xù)的農(nóng)業(yè)智能作業(yè)提供了重要的實時信息和決策支持,。

Abstract:

針對預(yù)切種式雙芽蔗段橫向補種機缺少整體的缺苗數(shù)據(jù),，導(dǎo)致補種效率不高等問題，提出了一種基于無人機RGB圖像的宿根蔗缺苗定位方法,。首先,，通過無人機快速采集實際田間宿根蔗幼苗的高分辨率圖像,，將航拍大圖（分辨率為5472像素×3648像素）切分成多幅子圖并進(jìn)行數(shù)據(jù)增強，從而構(gòu)建宿根蔗幼苗數(shù)據(jù)集,；其次,，在YOLO v5s的基礎(chǔ)上引入P2小目標(biāo)特征層和DyHead模塊，提高對幼苗小目標(biāo)的檢測準(zhǔn)確性,，并在訓(xùn)練過程引入圖像加權(quán)策略解決樣本數(shù)量不平衡問題,，進(jìn)一步提高被遮擋幼苗的檢測精度；然后,，在切片輔助推理框架中引入改進(jìn)模型訓(xùn)練權(quán)重,，在大尺寸田間圖像中實現(xiàn)宿根蔗幼苗的檢測；最后,，構(gòu)建以改進(jìn)的DBSCAN聚類算法和PCA擬合算法為核心的作物行識別算法,，在作物行線上定位缺苗位置。試驗結(jié)果表明,，改進(jìn)宿根蔗幼苗檢測模型在子圖上的平均檢測精度為96.8%,，在大圖上的識別精確率和召回率為94.5%和91.8%，檢測時間為0.32s,?；跈z測的位置坐標(biāo)信息利用作物行識別算法實現(xiàn)分壟，作物行聚類準(zhǔn)確率達(dá)到100%,，擬合的作物行中心線角度平均誤差為0.2455°,，作物行中心線上缺苗位置識別的精確率和召回率為91.9%和97.1%，平均定位誤差為9.73像素,。該方法可用于大尺寸復(fù)雜田間圖像上的宿根蔗智能缺苗定位,，為補種作業(yè)提供技術(shù)支持，對延長宿根年限,、提高甘蔗產(chǎn)量具有重要意義,。

Abstract:

甘蔗中耕培土作業(yè)質(zhì)量對促進(jìn)甘蔗植株生長,、抗倒伏、增產(chǎn)等有重要影響,。傳統(tǒng)等行距甘蔗中耕培土機對寬窄行甘蔗種植模式下的培土效果不佳,，易造成窄行蔗壟“火山口”現(xiàn)象。針對上述問題,，設(shè)計了一種立式螺旋送土甘蔗寬窄行中耕培土機,；根據(jù)寬窄行種植模式下培土農(nóng)藝要求,，通過理論計算確定了關(guān)鍵部件結(jié)構(gòu)與作業(yè)參數(shù)范圍；采用EDEM軟件,，以旋耕深度,、螺旋輸送器轉(zhuǎn)速和作業(yè)速度為試驗因素，以培土高度和作業(yè)功耗為試驗指標(biāo)進(jìn)行離散元仿真試驗,，仿真結(jié)果表明：旋耕深度,、螺旋輸送器轉(zhuǎn)速和作業(yè)速度對培土高度和作業(yè)功耗的影響顯著；當(dāng)作業(yè)速度為4km/h時,，旋耕深度與螺旋輸送器轉(zhuǎn)速交互作用對培土高度影響不顯著,，對作業(yè)功耗影響不顯著，獲得最優(yōu)作業(yè)參數(shù)為：旋耕深度274mm,、螺旋輸送器轉(zhuǎn)速245r/min,。通過樣機田間試驗驗證了仿真結(jié)果準(zhǔn)確可靠，田間性能試驗結(jié)果為：平均培土高度134.4mm,，培土高度合格率100%,，甘蔗損失率4%，除草率90%,，培土后窄行蔗叢基部形成龜背壟,，無火山口形狀，符合寬窄行種植模式下的培土作業(yè)要求,。

Abstract:

為了提高甘蔗收獲機切割深度控制系統(tǒng)的適用范圍和準(zhǔn)確度,，針對當(dāng)前參考壓力設(shè)定無法根據(jù)土壤參數(shù)和機車參數(shù)自動調(diào)整的問題，建立了負(fù)載壓力預(yù)測模型,。通過正交試驗方法對負(fù)載壓力與入土切割深度,、喂入量、土壤含水率,、土壤堅實度之間的關(guān)系進(jìn)行了數(shù)據(jù)采集,，并將試驗數(shù)據(jù)作為負(fù)載壓力預(yù)測模型的訓(xùn)練樣本和測試樣本。根據(jù)訓(xùn)練樣本建立極限學(xué)習(xí)機(ELM)和基于麻雀搜索算法優(yōu)化的極限學(xué)習(xí)機(SSA-ELM)負(fù)載壓力預(yù)測模型,，并通過測試樣本對預(yù)測模型進(jìn)行性能評價,。結(jié)果表明，與ELM模型相比,，SSA-ELM預(yù)測模型平均絕對誤差,、平均相對誤差和均方根誤差在黃壤條件下降低50.00%,、44.14%和44.44%，在紅壤條件下降低58.33%,、56.98%和57.14%,。為了檢驗負(fù)載壓力預(yù)測模型在實際收獲過程中的適用性，在試驗平臺上模擬蔗地遇到的各種工況,，將預(yù)測模型應(yīng)用于現(xiàn)有控制系統(tǒng)進(jìn)行試驗,。結(jié)果表明，當(dāng)入土切割深度為20mm,、作業(yè)速度為0.34m/s,、刀盤轉(zhuǎn)速為700r/min時，預(yù)測模型滿足參考壓力的設(shè)定要求,，且切割深度與目標(biāo)深度最大誤差不大于5mm,，滿足甘蔗收獲生產(chǎn)的實際要求。

Abstract:

排雜風(fēng)機是切段式甘蔗收獲機的核心部件之一,，其性能對甘蔗收獲機含雜率起到了至關(guān)重要的作用，而葉輪是排雜風(fēng)機的核心部件,，其氣動性能與排雜效果密切相關(guān),。針對橫置式甘蔗收獲機排雜風(fēng)機葉輪性能不足、影響排雜效果的問題,，以葉輪為研究對象,，研究輪轂類型、葉片安裝角β,、葉片數(shù)Nb,、葉輪無量綱面積G、葉片夾角γ對風(fēng)機氣動特性的影響及其機理,，并以提高風(fēng)機全壓為目標(biāo),，通過響應(yīng)面優(yōu)化法得到了較佳的葉輪結(jié)構(gòu)參數(shù)為：葉片安裝角23.34°、葉輪無量綱面積0.43和葉片夾角14.56°,。在不同風(fēng)機轉(zhuǎn)速（1050,、1350、1650r/min）,、不同甘蔗長勢（良好,、較差和嚴(yán)重倒伏）和不同行駛速度（1、2、3km/h）下進(jìn)行田間試驗,。結(jié)果表明：對于長勢良好的甘蔗,，當(dāng)風(fēng)機轉(zhuǎn)速為1050r/min時，不同行駛速度下,，優(yōu)化后風(fēng)機含雜率分別降低1.06,、1.99、3.28個百分點,；當(dāng)風(fēng)機轉(zhuǎn)速為1350r/min時,，優(yōu)化后風(fēng)機含雜率最多可降低2.5個百分點；當(dāng)風(fēng)機轉(zhuǎn)速提升至1650r/min時,，優(yōu)化前后風(fēng)機在各行駛速度下含雜率未表現(xiàn)出明顯差異,；對于長勢較差和嚴(yán)重倒伏的甘蔗，優(yōu)化后風(fēng)機含雜率最多可分別降低5.45,、2.1個百分點,。優(yōu)化后風(fēng)機提升了甘蔗收獲機在復(fù)雜田間環(huán)境中的排雜能力，且所得數(shù)據(jù)為后續(xù)風(fēng)機研究提供了理論支持,。

Abstract:

針對履帶式甘蔗收獲機在橫向斜坡的丘陵山地作業(yè)時容易側(cè)翻問題,，設(shè)計了一種適用于履帶式甘蔗收獲機的底盤調(diào)平機構(gòu),。基于履帶式甘蔗收獲機中間有甘蔗輸送通道的特點,，提出了兩側(cè)設(shè)置調(diào)平機構(gòu)的方案,。開展了底盤調(diào)平機構(gòu)關(guān)鍵部件參數(shù)設(shè)計和各調(diào)整油缸受力分析。根據(jù)相似性原理搭建縮小比例的試驗平臺,，對試驗平臺進(jìn)行了橫向傾翻分析和橫向姿態(tài)調(diào)整試驗,。理論計算和試驗結(jié)果表明，橫向調(diào)整后橫向傾翻角比調(diào)整前橫向傾翻角大,，橫向傾翻角得到提升,，調(diào)平底盤可以有效改變整機質(zhì)心，在一定程度上提升了整機橫向穩(wěn)定性,。橫向傾翻試驗中,，調(diào)整前橫向傾翻角為24.31°,，橫向調(diào)整后橫向傾翻角為27.52°,，橫向調(diào)整后橫向傾翻角提高13.20%。橫向姿態(tài)調(diào)整試驗結(jié)果表明,，橫向調(diào)整角最大10°,，調(diào)整時間為1s,，調(diào)整精度在0.5°以內(nèi)，驗證了機構(gòu)橫向姿態(tài)調(diào)整的可行性,。在底盤調(diào)平機構(gòu)初始狀態(tài),，調(diào)整油缸所受負(fù)載最大值為871.61N，換算成樣機所需推力為55783.04N,。

Abstract:

為解決玉米免耕播種機在高速作業(yè)下播深一致性較差的問題,，設(shè)計一種可調(diào)節(jié)液壓仿形機構(gòu),，并通過補償調(diào)節(jié)的方式實現(xiàn)高精度的同步仿形。應(yīng)用ANSYS軟件對液壓仿形機構(gòu)進(jìn)行靜力學(xué)分析,，求得液壓缸初始伸出量與液壓仿形機構(gòu)最大應(yīng)力應(yīng)變之間的關(guān)系,，分析結(jié)果表明，在伸出量30,、40,、50、60,、70mm下,，隨著液壓缸初始伸出量的增大，液壓仿形機構(gòu)最大應(yīng)力顯著降低,、最大應(yīng)變逐漸增加,。為初步檢驗液壓仿形機構(gòu)作業(yè)性能，驗證所設(shè)計滑動調(diào)節(jié)機構(gòu)對其作業(yè)適應(yīng)性的提升效果,，使用播種單體仿形性能檢測試驗臺,，以液壓缸初始伸出量和作業(yè)速度為試驗因素，以上下仿形平均誤差比,、仿形平均誤差,、平均調(diào)節(jié)時長為試驗指標(biāo),，進(jìn)行二因素五水平二次正交旋轉(zhuǎn)組合試驗。試驗得出：當(dāng)作業(yè)速度為12.3km/h時，滑動調(diào)節(jié)機構(gòu)對調(diào)節(jié)精度的提升效果最佳,，最大可使調(diào)節(jié)誤差降低18.99%，當(dāng)作業(yè)速度為14.8km/h時,，滑動調(diào)節(jié)機構(gòu)對調(diào)節(jié)速度的提升效果最佳,，最大可使調(diào)節(jié)時長縮短16.11%，通過滑動調(diào)節(jié)機構(gòu)可使得不同作業(yè)速度下仿形平均誤差小于等于2.02mm、調(diào)節(jié)時長小于等于0.29s,，滿足設(shè)計要求,。此外，為進(jìn)一步驗證液壓仿形機構(gòu)綜合仿形性能,，進(jìn)行田間對比試驗,，結(jié)果表明：裝備該液壓仿形機構(gòu)的播種單體播深合格率為94.8%，播深最大變異系數(shù)為6.12%,，各項指標(biāo)均滿足玉米播種農(nóng)藝要求,。

Abstract:

針對現(xiàn)有稻油輪作區(qū)油菜精量聯(lián)合直播種床整理采用旋耕拖板平整廂面、牽引式開畦溝犁組開設(shè)畦溝,，易出現(xiàn)廂面不平,、溝形不穩(wěn)等問題，提出了旋耕起壟埋茬,、封閉型開畦溝,、主動式旋壓整形、仿形開種溝油菜精量聯(lián)合直播凸壟種床構(gòu)建工藝,，設(shè)計了一種油菜精量聯(lián)合直播機凸壟廂面構(gòu)建裝置,，由開畦溝犁、旋耕起壟刀組配合變軸頸整形輥與仿形機構(gòu)組成,，實現(xiàn)畦溝與廂面旋壓整形,，構(gòu)建凸?fàn)顗琶妫⑼ㄟ^與整形輥一體式開種溝圓環(huán)進(jìn)行種溝開設(shè),，實現(xiàn)油菜直播播深仿形控制,。依據(jù)油菜種植畦溝開設(shè)要求，設(shè)計了由不同犁體曲面構(gòu)成的組合式封閉型開畦溝犁組,，結(jié)合提出的壟面構(gòu)建工藝以及土壤運移規(guī)律,，進(jìn)行了變軸頸整形輥結(jié)構(gòu)設(shè)計、力學(xué)分析和鎮(zhèn)壓力控制機構(gòu)設(shè)計,；通過離散元仿真開展了正交試驗,，進(jìn)行了響應(yīng)曲面分析，以廂面傾角α穩(wěn)定和溝墻傾角β最大為目標(biāo),，優(yōu)化得到較優(yōu)工作參數(shù)為：裝置前進(jìn)速度3.8km/h,、旋耕刀轉(zhuǎn)速280r/min,、整形輥轉(zhuǎn)速147r/min。田間試驗結(jié)果表明,，裝置作業(yè)后凸壟廂面輪廓及畦溝溝溝形穩(wěn)定，仿形部件鎮(zhèn)壓力控制效果較好,，廂面傾角為2.94°,，溝墻傾角為49.09°，傾角穩(wěn)定性系數(shù)均大于90%,，廂面平整度為12.31mm,，土壤堅實度穩(wěn)定性系數(shù)為91.77%，溝深及溝寬穩(wěn)定性系數(shù)均大于90%,，條形種溝明顯,，出苗效果良好；通過跟蹤油菜生育周期內(nèi)畦溝溝形演變情況,，發(fā)現(xiàn)經(jīng)過整個冬春油菜生育期,，平均畦溝深度減小31.68%，平均上溝寬度增大21.65%,，未出現(xiàn)溝墻坍塌現(xiàn)象,；裝置畦溝開設(shè)質(zhì)量、廂面整形質(zhì)量,、鎮(zhèn)壓力控制效果和播深控制效果均滿足油菜種植要求,。

Abstract:

針對氣送式排種系統(tǒng)在排種量增大時混種裝置內(nèi)易出現(xiàn)種子回流,、堵塞等現(xiàn)象，導(dǎo)致排種系統(tǒng)高速播種作業(yè)適應(yīng)性較差的問題,，設(shè)計了一種突擴文丘里結(jié)構(gòu)的高通量混種裝置,，通過理論分析確定了輸種管直徑、混種區(qū)長度,、進(jìn)種入口截面長度等關(guān)鍵結(jié)構(gòu)參數(shù),；Fluent氣流場仿真結(jié)果表明，當(dāng)風(fēng)速為12,、15,、18m/s時，文丘里結(jié)構(gòu)的混種裝置喉管處負(fù)壓最小值分別為-236,、-372,、-538Pa,，突擴文丘里結(jié)構(gòu)的混種裝置預(yù)混區(qū)負(fù)壓最小值分別為-396、-621,、-1007Pa,，突擴文丘里結(jié)構(gòu)產(chǎn)生的“文丘里效應(yīng)”優(yōu)于普通文丘里結(jié)構(gòu)；DEM-CFD耦合仿真結(jié)果表明,，在混種過程中突擴文丘里結(jié)構(gòu)的混種裝置存在約12%油菜種子與突擴文丘里結(jié)構(gòu)延伸部分碰撞后彈跳,，碰撞后種子保持向混種區(qū)方向運移，油菜和小麥均未出現(xiàn)回流,、堵塞等現(xiàn)象,。臺架試驗結(jié)果表明，傳統(tǒng)文丘里結(jié)構(gòu)的混種裝置在油菜混種通量大于等于2.4g/s出現(xiàn)種子回流,，小麥混種通量大于等于60g/s時出現(xiàn)種子回流且各行排量一致性變異系數(shù)顯著增大,、混種通量大于等于100g/s時發(fā)生堵塞；突擴文丘里結(jié)構(gòu)的混種裝置在油菜混種通量小于等于4.8g/s,、小麥混種通量小于等于120g/s時未出現(xiàn)種子回流,、堵塞等現(xiàn)象，油菜,、小麥各行排量一致性變異系數(shù)低于5.17%,、3.29%，總排量穩(wěn)定性變異系數(shù)低于1.19%,、0.80%,，可滿足油菜、小麥播種機速度為4~12km/h的農(nóng)藝播量要求,，研究結(jié)果為氣送式排種系統(tǒng)結(jié)構(gòu)優(yōu)化提供參考,。

Abstract:

針對現(xiàn)有大蒜精量排種裝置漏播率高,、取種單粒率低等問題，設(shè)計了一種鏈勺式大蒜精量排種器,，闡述了排種器結(jié)構(gòu)和工作原理,，對其關(guān)鍵部件進(jìn)行了優(yōu)化設(shè)計，分析了排種器工作過程,，確定了影響其作業(yè)性能的關(guān)鍵因素,，建立了排種器DEM-MBD耦合仿真模型并進(jìn)行了單因素仿真試驗，探究了排種器不同工作參數(shù)對作業(yè)性能的影響,，以主動鏈輪轉(zhuǎn)速,、種層高度和充種區(qū)排種鏈條傾角為試驗因素,，以取種單粒率、漏充率和重充率為試驗指標(biāo),，進(jìn)行了二次回歸正交旋轉(zhuǎn)組合仿真試驗,，建立了各試驗指標(biāo)與試驗因素的回歸模型，并確定了排種器最優(yōu)作業(yè)參數(shù),。試驗結(jié)果表明,，當(dāng)主動鏈輪轉(zhuǎn)速為23.1r/min、排種鏈條傾角為67.6°,、種層高度為301.5mm時，工作性能最佳,，此時取種單粒率為92.5%,，漏充率為2.5%，重充率為5.0%,。為了驗證優(yōu)化后排種器作業(yè)性能,，進(jìn)行了臺架試驗，試驗結(jié)果與回歸模型預(yù)測結(jié)果基本一致,，該研究為鏈勺式大蒜精量排種器及其關(guān)鍵部件優(yōu)化設(shè)計提供了參考,。

Abstract:

為解決帶式高速導(dǎo)種裝置導(dǎo)種過程中種帶托片與種粒均經(jīng)過監(jiān)測點,，無法區(qū)分脈沖變化特征，導(dǎo)種性能難以監(jiān)測的問題,，研究一種基于紅外傳感器的帶式高速導(dǎo)種裝置監(jiān)測方法并設(shè)計了監(jiān)測系統(tǒng),。利用其導(dǎo)種特性提出了雙側(cè)脈沖比較法，設(shè)計了帶式高速導(dǎo)種裝置監(jiān)測模塊硬件電路與軟件程序,。同時通過對監(jiān)測系統(tǒng)采樣試驗結(jié)果分析,，提出一種基于雙側(cè)脈沖值分析與能量掩碼平滑算法（Bilateral pulse value analysis and energy masking smoothing algorithm，BPV-EMSA）的帶式高速導(dǎo)種裝置監(jiān)測算法,。仿真試驗表明：該算法減少了原始脈沖的噪聲和隨機波動,，使數(shù)據(jù)更加平滑穩(wěn)定并突出了數(shù)據(jù)主要趨勢和模式，同時抑制了瞬態(tài)脈沖干擾,，提升了數(shù)據(jù)可解釋性和分析準(zhǔn)確性,。監(jiān)測系統(tǒng)精度試驗結(jié)果表明：所設(shè)計的帶式高速導(dǎo)種裝置監(jiān)測系統(tǒng)在不同作業(yè)速度下最高監(jiān)測精度為97.65%，最低精度為95.99%,，系統(tǒng)能夠精確采集種粒經(jīng)過監(jiān)測點的脈沖變化,。監(jiān)測系統(tǒng)性能評價試驗結(jié)果表明：播種合格率平均監(jiān)測差值為2個百分點,，播種漏播率平均監(jiān)測差值為1.45個百分點，播種重播率平均監(jiān)測差值為0.56個百分點,。播種合格率相對差值不大于2.23個百分點,，播種漏播率相對差值不大于1.78個百分點，播種重播率相對差值不大于1.00個百分點,。該監(jiān)測方法能夠準(zhǔn)確監(jiān)測帶式高速導(dǎo)種裝置的導(dǎo)種性能,。

Abstract:

為解決帶式高速導(dǎo)種裝置導(dǎo)種過程中導(dǎo)種電機與排種器驅(qū)動電機轉(zhuǎn)速同步率低、穩(wěn)定性差,，造成播種株距變異系數(shù)升高,播種均勻度差的問題,，提出一種基于模糊滑模卡爾曼（Fuzzy sliding mode control-Kalman,FSMC-Kalman）算法的帶式高速導(dǎo)種裝置控制系統(tǒng),。通過對系統(tǒng)運動過程分析建立了排種電機,、導(dǎo)種電機與作業(yè)速度的關(guān)系，為研究系統(tǒng)控制策略,，對兩個電機建立了數(shù)學(xué)模型,。提出的FSMC-Kalman算法利用模糊算法動態(tài)整定滑模控制器中的逼近系數(shù)與速率系數(shù),，并在反饋環(huán)節(jié)加入卡爾曼濾波算法,，從而增強控制系統(tǒng)的魯棒性與自適應(yīng)能力。仿真試驗表明：基于FSMC-Kalman算法的導(dǎo)種電機轉(zhuǎn)速無超調(diào),，調(diào)節(jié)時間為0.22s,，穩(wěn)態(tài)誤差為4.68r/min；基于FSMC-Kalman算法的排種電機轉(zhuǎn)速也無超調(diào),，調(diào)節(jié)時間為0.23s,，穩(wěn)態(tài)誤差為1.96r/min。臺架試驗表明：FSMC-Kalman算法4種作業(yè)速度的平均合格株距變異系數(shù)為7.98%,。FSMC-Kalman算法相較于SMC算法平均合格株距變異系數(shù)降低4.67個百分點,，相較于FSMC算法平均合格株距變異系數(shù)降低3.36個百分點，相較于SMC-Kalman算法平均合格株距變異系數(shù)降低2.06個百分點,?；贔SMC-Kalman的帶式高速導(dǎo)種裝置控制系統(tǒng)能夠使導(dǎo)種電機與排種器驅(qū)動電機高同步率穩(wěn)定工作，從而提高播種均勻度,。

Abstract:

針對當(dāng)前農(nóng)田土壤采樣作業(yè)勞動強度大、精準(zhǔn)性差,、自動化程度低等問題,，基于電驅(qū)履帶底盤設(shè)計了一種農(nóng)田土壤采樣車及其自主作業(yè)控制系統(tǒng)。對采樣車整機結(jié)構(gòu)組成,、工作原理與控制系統(tǒng)方案進(jìn)行了闡述,，基于有限狀態(tài)機方法設(shè)計了采樣車作業(yè)流程控制策略。以采樣車自主完成農(nóng)田內(nèi)一系列采樣點作業(yè)任務(wù)為目標(biāo),，設(shè)計了點跟蹤控制流程,，建立了采樣車點跟蹤模型，運用矢量場法設(shè)計了采樣車點跟蹤控制算法,。上線性能試驗結(jié)果表明,，基于矢量場法設(shè)計的采樣車點跟蹤控制算法具有良好的糾偏性能,，能夠快速上線且以較小的橫向偏差保持對目標(biāo)路徑的穩(wěn)定跟蹤,，當(dāng)初始橫向偏差為2m、初始航向偏差為0°時,，行駛速度0.3,、0.6、0.9m/s上線時間分別為15.7,、11.8,、11.9s，上線距離分別為4.72,、7.10,、10.74m。連續(xù)點跟蹤試驗結(jié)果表明,，行駛速度0.3,、0.6、0.9m/s下采樣車相對于各目標(biāo)路徑最大絕對橫向偏差分別為0.081,、0.107,、0.210m，平均絕對橫向偏差分別為0.018,、0.022,、0.050m，標(biāo)準(zhǔn)差分別為0.026,、0.027,、0.064m,，采樣車停止位置相對于各目標(biāo)點的絕對距離偏差平均值分別為0.068、0.081,、0.141m,。土壤采樣裝置性能試驗結(jié)果表明，各機構(gòu)運行平穩(wěn),，同一深度下采樣耗時一致,，樣本質(zhì)量變異系數(shù)較小。采樣車能夠根據(jù)所設(shè)計的控制流程與點跟蹤控制算法實現(xiàn)對一系列采樣目標(biāo)點的準(zhǔn)確連續(xù)跟蹤,，滿足農(nóng)田土壤采樣自動化作業(yè)需求,。

Abstract:

針對玉米播種同步穴施肥過程中存在種-肥施用位置和施肥量不精準(zhǔn),、穴施肥裝置施肥成穴性較差等問題，設(shè)計一種氣力輔助式對種穴施肥裝置,。依據(jù)檢測的落種信號,，氣力輔助式間歇排肥裝置將從外槽輪式排肥器排出的連續(xù)肥料轉(zhuǎn)換為間歇肥團(tuán)，并施用在距種子一定位置處,。闡述該裝置結(jié)構(gòu)組成和工作原理,，對其中關(guān)鍵結(jié)構(gòu)尺寸進(jìn)行理論分析，分析氣流對擋板的作用,，驗證該裝置的理論可行性,。基于STM32單片機開發(fā)氣力輔助式對種穴施肥控制系統(tǒng),，依據(jù)氣力輔助式對種穴施肥工作方式,，構(gòu)建適用于高頻間歇施肥場景的對種穴施肥控制模型，并設(shè)計硬件電路和控制程序,?；贓DEM離散元進(jìn)行仿真試驗，結(jié)果表明,，當(dāng)前進(jìn)速度為3~7km/h,、穴距為300mm時，平均施肥長度為69.8~169.1mm,，施肥長度變異系數(shù)為3.9%~11.9%,，排肥量誤差為1.7%~5.5%。通過觀察仿真過程中氣力輔助式間歇排肥裝置內(nèi)部肥料運動狀態(tài)，確定擋板開啟持續(xù)時間為100ms時排肥效果最佳,。臺架試驗結(jié)果表明,，單獨穴施肥時平均施肥長度為75~187mm，施肥長度變異系數(shù)為5.3%~12.4%,，排肥量誤差為5.6%~12.8%,，穴距誤差為2.5%~6.5%。對種穴施肥結(jié)果,，平均種-肥縱向間距為14~113mm,。田間試驗結(jié)果表明，當(dāng)施肥量為5g/穴時,，平均施肥長度為93~189mm,，平均種-肥縱向間距為34~119mm，種-肥同步性較好,，滿足玉米播種同步穴施肥作業(yè)要求,，試驗結(jié)果與仿真試驗值和臺架試驗值基本一致，驗證了仿真試驗和臺架試驗的可靠性,。

Abstract:

清選篩箱通過往復(fù)運動對脫粒后的混合物進(jìn)行篩分，是組成聯(lián)合收獲機的核心部件之一,。針對谷物聯(lián)合收獲機清選篩箱存在整體質(zhì)量偏重,、強度富余的問題進(jìn)行輕量化設(shè)計,?；谇暹x篩箱動力學(xué)分析，分析在工作狀態(tài)下清選篩箱固有頻率和結(jié)構(gòu)強度,，確定了最大等效應(yīng)力位置及主要應(yīng)力分布區(qū)域,。基于等效靜態(tài)法將動態(tài)響應(yīng)轉(zhuǎn)化為靜態(tài)響應(yīng),，以柔順度最小為優(yōu)化目標(biāo),，以結(jié)構(gòu)強度和質(zhì)量響應(yīng)約束條件對清選篩箱側(cè)壁進(jìn)行拓?fù)鋬?yōu)化。采用尼龍作為輕質(zhì)材料對抖動板結(jié)構(gòu)進(jìn)行設(shè)計,，以拓?fù)鋬?yōu)化結(jié)果為基礎(chǔ),，提取主要結(jié)構(gòu)特征進(jìn)行模型重構(gòu)和動力學(xué)分析。結(jié)果顯示,，優(yōu)化后清選篩箱前6階固有頻率變化最大為1.68Hz,，最大等效應(yīng)力由56.59MPa下降至52.46MPa，降幅為7.29%，質(zhì)量由75kg降至66.85kg,，降低10.86%,。在此基礎(chǔ)上，利用優(yōu)化后的清選篩箱搭建了試驗臺架,，開展實際工況下的應(yīng)變試驗和耐久性試驗,，試驗結(jié)果驗證了優(yōu)化后的清選篩箱滿足實際工作強度、剛度要求,，有效提高了清選篩箱的工作性能,。

Abstract:

針對電動收獲機分布式驅(qū)動面對喂入擾動時控制的實時性,、準(zhǔn)確性和穩(wěn)定性問題，以電動收獲機為平臺,，建立部件負(fù)載模型,，結(jié)合部件轉(zhuǎn)速約束，設(shè)計BLF（Barrier Lyapunov function）多約束反演控制算法,；利用AMEsim與Matlab/Simulink平臺搭建聯(lián)合仿真模型驗證控制算法性能,。結(jié)果表明，與傳統(tǒng)PID控制相比本文算法在面對不同喂入擾動時,，割臺電機,、輸送電機、脫粒滾筒電機轉(zhuǎn)速控制超調(diào)量分別減少4%,、34%,、92%；調(diào)節(jié)時間分別減少34%,、54%,、72%；各部件電機最大轉(zhuǎn)速誤差上,，本文算法維持在預(yù)設(shè)轉(zhuǎn)速的3%內(nèi),，而PID則在8%內(nèi)。驗證了本文算法具有控制迅速,、轉(zhuǎn)速跟蹤誤差小,、抗擾能力強的特點，能將部件轉(zhuǎn)速約束在邊界內(nèi),，可實現(xiàn)不同喂入擾動下魯棒控制,，有利于穩(wěn)定整機作業(yè)質(zhì)量。

Abstract:

為研究核桃樹受到外部振動激勵載荷作用下枝干振動動態(tài)特性,，揭示機械振動采摘能量傳遞規(guī)律，建立核桃樹-采摘機振動系統(tǒng)動力學(xué)模型,，采用對稱雙偏心式核桃采摘機夾持主干的作業(yè)方式,，并按照規(guī)定的路徑和監(jiān)測點安裝三軸振動監(jiān)測傳感器的方法進(jìn)行田間振動能量傳遞試驗，主干振動位移響應(yīng)數(shù)據(jù)表明：受對稱雙偏心式激振時,，核桃樹主干運動過程發(fā)生擺動,，沿夾持位置Z方向做往復(fù)運動。由三軸振動監(jiān)測傳感器獲得的核桃樹受迫振動枝干振動位移和動能幅值變化規(guī)律可知：核桃振動采摘過程中機械能轉(zhuǎn)換為動能,，從主干激振位置以能量波的形式向上枝條自由端傳遞,，傳遞過程中各監(jiān)測點處依次獲得動能，傳遞距離越遠(yuǎn),，動能衰減越多,。枝條在空間運動過程中發(fā)生擺動彎曲，使其在生長方向存在瞬間小范圍可恢復(fù)性形變,。由于枝組長度較短等因素的影響,，其空間運動過程中上下擺動幅度大于左右擺動幅度，與枝條和側(cè)枝空間擺動幅度規(guī)律相反,。通過對激振頻率13~30Hz作業(yè)下最遠(yuǎn)端枝條受迫振動動能均值分析表明,，采摘機在激振頻率23~25Hz作業(yè)時，試驗核桃樹最遠(yuǎn)端枝條所獲動能均值最大,。研究結(jié)果可為核桃主干振動式采摘機工作參數(shù)的選擇和高效振動采摘關(guān)鍵技術(shù)提供理論基礎(chǔ),。

Abstract:

履帶式馬鈴薯聯(lián)合收獲機轉(zhuǎn)向半徑小、通過性強,、接地比壓低,，在馬鈴薯收獲作業(yè)中應(yīng)用越來越廣泛。為提高履帶式馬鈴薯聯(lián)合收獲機的智能化水平,，降低馬鈴薯收獲過程中的勞動力強度,，以洪珠4ULZ-110型履帶式馬鈴薯聯(lián)合收獲機為試驗平臺，設(shè)計履帶式馬鈴薯聯(lián)合收獲機輔助駕駛作業(yè)系統(tǒng)，并通過加裝電子比例閥實現(xiàn)收獲機的轉(zhuǎn)向機構(gòu)和挖掘機構(gòu)電-液可控,。在航向偏差PD控制器的基礎(chǔ)上,，增加橫向偏差的比例項，并引入行駛速度自適應(yīng)的控制延時補償前饋項,，設(shè)計前饋+反饋復(fù)合路徑跟蹤控制算法,。在水泥路面和旱地分別以速度0.55、0.83,、1.11m/s進(jìn)行直線路徑跟蹤控制試驗,，并以速度0.55m/s在膠州馬鈴薯種植地進(jìn)行了輔助駕駛收獲作業(yè)。試驗結(jié)果表明,，所設(shè)計的馬鈴薯收獲機輔助駕駛作業(yè)系統(tǒng)設(shè)計功能執(zhí)行可靠,，收獲作業(yè)過程中最大絕對橫向偏差為5.10cm，平均絕對偏差為2.00cm,，收獲行走過程中具有較好的穩(wěn)定性和直線路徑跟蹤精度,，滿足馬鈴薯收獲機田間作業(yè)要求。

Abstract:

針對紫花苜蓿刈割壓扁過程存在的碎草率高、莖稈折斷損失大等問題,，以初花期紫花苜蓿為研究對象,，分析壓扁過程莖稈彎折角對苜蓿莖稈折斷率的影響。結(jié)合壓扁過程幾何與受力關(guān)系設(shè)計一種六邊形輥齒,，開展二次回歸響應(yīng)面試驗,，分析了壓扁輥齒數(shù)、壓扁輥轉(zhuǎn)速及壓扁輥間隙對壓扁率,、碎草率及莖稈折斷率的影響,，并通過干燥試驗驗證了六邊形輥齒的壓扁效果。結(jié)果表明,，莖稈折斷率受壓扁輥間隙及莖稈彎折角的影響,。當(dāng)間隙一定時，莖稈折斷率隨莖稈彎折角增加而降低,。當(dāng)莖稈彎折角一定時,，間隙越小莖稈折斷率越大。當(dāng)莖稈彎折角大于等于140°時,，莖稈折斷率小于10%,。壓扁輥最佳參數(shù)組合為：輥齒數(shù)6,、壓扁輥轉(zhuǎn)速750r/min、壓扁輥間隙1.61mm,。此時,，壓扁率為97.12%、碎草率為1.40%,、莖稈折斷率為1.79%,。在溫度28~31℃的自然干燥條件下，0~30min內(nèi)混合破壞的平均干燥速率分別為擠壓破壞和彎折破壞的1.43倍和1.97倍,。在單株與多株干燥試驗中,，六邊形輥齒壓扁后苜蓿在0~30min內(nèi)的平均質(zhì)量變化量分別為1.53、5.36g,表現(xiàn)出更好的干燥效果,。

Abstract:

為了拓寬高比轉(zhuǎn)數(shù)混流泵高效區(qū)范圍,，采用NACA四位數(shù)翼型拱度線疊加NACA66厚度分布設(shè)計了最大拱度相對位置分別為0.4,、0.5和0.6的3種翼型方案，并基于這3種翼型方案對一比轉(zhuǎn)數(shù)為720的混流泵葉輪進(jìn)行多工況優(yōu)化設(shè)計,。研究結(jié)果表明：優(yōu)化后混流泵葉輪加權(quán)效率提升約05個百分點,，拓寬了混流泵的高效區(qū)范圍。采用最大拱度位置不同的翼型設(shè)計得到的混流泵葉輪最大效率相差不大,，翼型最大拱度位置主要影響高效區(qū)分布范圍,，隨著最大拱度位置的后移，高效區(qū)范圍向大流量,、低揚程附近移動,。設(shè)計流量工況下，隨著最大拱度位置的后移,，空化性能得到有效改善,。最大拱度位置在0.4倍和0.6倍弦長附近時，對于小流量工況下和大流量工況下進(jìn)口邊附近的流動分離現(xiàn)象分別具有較好的抑制作用,，在混流泵設(shè)計時葉尖處拱度靠后,、葉根處拱度靠前更有利于擴大混流泵高效區(qū)范圍。研究結(jié)果可為不同運行要求下的流體機械優(yōu)化設(shè)計提供參考,。

Abstract:

針對空間異質(zhì)性導(dǎo)致的冠層等效水厚度(Equivalent water thickness, EWT)反演誤差較大的問題，以4塊長勢差異較大的玉米田為研究對象,，分別采集6個關(guān)鍵生育節(jié)點的EWT數(shù)據(jù),，同時利用無人機多光譜遙感技術(shù)獲取田間的正射影像。以滑動窗口的方式提取遙感影像不同窗口空間尺寸(0.1m×0.1m~2.0m×2.0m)的光譜和紋理信息,，經(jīng)多重共線性檢驗后,，應(yīng)用主成分分析法(Principal component analysis，PCA)分別對光譜參數(shù)(Spectral parameters,，S),、紋理參數(shù)(Texture parameters，T)及光譜與紋理組合參數(shù)(Spectral and texture parameters,，S+T)進(jìn)行降維,，進(jìn)而分別利用偏最小二乘法(Partial least squares，PLS),、隨機森林(Random forest,，RF)以及支持向量機(Support vector machine，SVM)構(gòu)建EWT反演模型,，而后利用Kruskal-Wallis檢驗?zāi)Ｐ偷木?，并根?jù)多重檢驗結(jié)果探討最佳窗口尺寸的選擇。結(jié)果表明：隨著窗口空間尺度的逐漸增大,，EWT反演模型的精度呈先增大后減小趨勢,；以S+T作為輸入?yún)?shù)構(gòu)建的模型精度顯著優(yōu)于S和T，引入紋理特征后,，基于PLS,、RF和SVM的模型最優(yōu)窗口尺寸校正決定系數(shù)(Adjusted R-square，R2adj)分別增加0.16,、0.05和0.12,，相對均方根誤差(Relative root mean square error，RRMSE)分別減小4.95%,、1.17%和3.80%,，表明紋理特征可以提高EWT模型反演精度；綜合比較不同建模方法構(gòu)建的9組模型,，確定最優(yōu)采樣窗口空間尺寸為0.7m×0.7m(R2adj最高可達(dá)0.82,，對應(yīng)的RRMSE為16.57%)。該研究可為基于無人機多光譜影像分析的信息挖掘和EWT監(jiān)測提供參考,。

Abstract:

遙感作物識別中，樣本數(shù)據(jù)對識別精度有重要影響,，而大區(qū)域多年份獲取樣本數(shù)據(jù)是一項十分繁瑣的工作,。為減少逐年樣本采集工作量，提高作物識別效率,，提出一種基于多物候特征指數(shù)的樣本遷移策略,。使用2019年焦作市冬小麥分布圖，利用多物候特征指數(shù)時間序列曲線相關(guān)性遷移生成2020,、2021年高質(zhì)量樣本數(shù)據(jù),，并利用隨機森林機器學(xué)習(xí)方法實現(xiàn)了2020、2021年焦作市冬小麥自動高效識別,。結(jié)果表明：利用提出的樣本遷移策略獲取樣本數(shù)據(jù),，當(dāng)顯著性水平達(dá)到0.001時，2年冬小麥識別總體精度均在94%以上,，Kappa系數(shù)均在0.91以上,，各縣（市）識別面積與統(tǒng)計面積決定系數(shù)（R2）達(dá)到0.957，均方根誤差（RMSE）為20.16km2,。與單一植被指數(shù)時間序列曲線相關(guān)性遷移方法相比,，該方法使2020年與2021年識別總體精度分別提高1.32、2.27個百分點,，Kappa系數(shù)分別提升0.022,、0.037，2年各縣（市）識別面積與統(tǒng)計面積R2提高0.026,，RMSE減少20.1%,。此外，將該遷移策略應(yīng)用于新鄉(xiāng)市與鶴壁市,，冬小麥識別總體精度均在92%以上,，識別面積與統(tǒng)計面積的R2也達(dá)到0.92。表明提出的樣本遷移策略在跨時間與跨地域中均表現(xiàn)較好,，可為進(jìn)一步快速,、精準(zhǔn)獲取大區(qū)域長時序作物分布信息提供思路與技術(shù)支撐。

Abstract:

農(nóng)田作業(yè)區(qū)域地圖準(zhǔn)確構(gòu)建是實現(xiàn)農(nóng)機路徑規(guī)劃和導(dǎo)航作業(yè)的重要前提,。黃土高原梯田田塊大小各異、形狀復(fù)雜多變,，并且存在部分凹坑,、溝坎和諸多危險作業(yè)邊界,，常用的衛(wèi)星測點等方法難以準(zhǔn)確地提取梯田作業(yè)區(qū)域,，本文以無人機梯田遙感圖像為數(shù)據(jù)基礎(chǔ)，提出一種基于多尺度特征提取與融合上采樣的改進(jìn)TransUNet模型,。在編碼器部分,，通過引入金字塔壓縮注意力模塊（Pyramid squeeze attention, PSA），在通道注意力的基礎(chǔ)上增強對不同尺度梯田特征提取和融合的能力,，并使用殘差結(jié)構(gòu)優(yōu)化Transformer層,；在解碼器部分，引入Dual up-sample模塊將亞像素卷積層與雙線性插值上采樣兩者融合,，提升梯田邊界分割精度的同時防止棋盤效應(yīng),，并在解碼器末尾添加通道和空間注意力機制模塊（Concurrent spatial and channel squeeze and channel excitation, SCSE），同時對空間和通道維度的信息進(jìn)行整合增強,，有助于圖像細(xì)節(jié)特征逐步恢復(fù),。實驗結(jié)果表明，改進(jìn)TransUNet模型在直長條形,、蜿蜒長條形和不規(guī)則形3類典型梯田測試集上平均像素準(zhǔn)確率,、F1值和平均交并比平均分別達(dá)96.0%、96.0%和92.3%,，3項指標(biāo)相較于改進(jìn)前平均提升1.8個百分點,，與代表性的PSPNet、HRNet V2,、DeepLab V3+,、U-Net模型相比，3項指標(biāo)平均提升8.3,、6.2,、5.0、4.2個百分點,。在3類單塊梯田測試集上,，本文模型表現(xiàn)最優(yōu)，像素交并比平均可達(dá)97.0%,。本文方法可為黃土高原梯田環(huán)境地圖構(gòu)建和丘陵山地農(nóng)機導(dǎo)航作業(yè)提供參考,。

Abstract:

為融合無人機多光譜植被指數(shù)和紋理特征實現(xiàn)水稻葉綠素含量估計,，本文以大田水稻為研究對象，分別在分蘗期,、揚花期及灌漿期等關(guān)鍵生育期進(jìn)行了無人機多光譜遙感影像和葉綠素含量地面實測值采集,；提取了15個多光譜植被指數(shù)及35個紋理特征，分析其與水稻葉綠素含量的相關(guān)性,；并采用僅基于植被指數(shù),、僅基于紋理特征和融合光譜及紋理特征等3種建模策略，結(jié)合人工神經(jīng)網(wǎng)絡(luò),、隨機森林,、支持向量機及多元線性回歸等4種回歸建模算法的方式，進(jìn)行了水稻葉綠素含量精準(zhǔn)反演建模分析,。結(jié)果表明：無人機多光譜植被指數(shù)與紋理特征均與水稻葉綠素含量具有顯著相關(guān)性,，其中NGBDI指數(shù)與B_M紋理特征相關(guān)性最高，皮爾森系數(shù)絕對值分別為0.77和0.73,；融合無人機多光譜及紋理特征可以有效提升水稻葉綠素含量反演精度,，且4種回歸算法中人工神經(jīng)網(wǎng)絡(luò)的回歸估計精度最好，模型驗證時調(diào)整決定系數(shù)為0.72,，均方根誤差為1.52,。融合無人機多光譜及紋理特征可以實現(xiàn)水稻葉片葉綠素含量精準(zhǔn)反演，從而為大田水稻精細(xì)化管理提供信息支撐,。

Abstract:

為了準(zhǔn)確,、快速地預(yù)測柑橘產(chǎn)量以準(zhǔn)確指導(dǎo)果園生產(chǎn)管理,，通過大疆多光譜版無人機獲取柑橘果實成熟期的遙感影像數(shù)據(jù)，并從圖像中提取了可見光和多光譜波段指數(shù)作為特征變量,，采用極端梯度提升（eXtreme gradient boosting,，XGB）、隨機森林（Random forest,，RF）以及支持向量機（Support vector machine,，SVM）模型分別構(gòu)建柑橘果實有無分類模型、果實數(shù)量和質(zhì)量估測模型,。結(jié)果表明：通過XGB模型對特征變量進(jìn)行篩選分析,，柑橘果實有無的分類中超紅指數(shù)ExR最重要，而數(shù)量和質(zhì)量的估測中改進(jìn)超綠指數(shù)MExG最重要,。組合建模中3個模型均在組合4的情況下精度較好,。對于分類模型，最優(yōu)模型為SVM模型（AUC為0.969，準(zhǔn)確率為0.919）,，而對于數(shù)量和質(zhì)量估測模型,，最優(yōu)模型為XGB模型（數(shù)量：R2=0.79，RMSE為466個,；質(zhì)量：R2=0.79,，RMSE為19.51kg）。最后利用Shapley additive explanations（SHAP）方法揭示了植被指數(shù)特征在產(chǎn)量估測模型構(gòu)建時的重要性,，并闡明了SHAP值排在前四的特征交互影響,。本研究結(jié)果可為無人機遙感在柑橘產(chǎn)量方面的研究提供應(yīng)用參考和理論依據(jù)。

Abstract:

為提供一種利用光譜數(shù)據(jù)對水稻氮素含量加以快速,、無損,、準(zhǔn)確預(yù)測的方法，本文以東北水稻為研究對象,，采集水稻3個生育期的高光譜數(shù)據(jù),，結(jié)合室內(nèi)化學(xué)實驗，為了提高氮素預(yù)測精度和模型可解釋性,，建立水稻氮素含量反演模型,。將獲取的高光譜數(shù)據(jù)和相對應(yīng)的水稻葉片氮素含量，首先通過低通濾波方法對光譜數(shù)據(jù)進(jìn)行預(yù)處理,，針對處理后光譜數(shù)據(jù),，采用耦合離散小波和一階微分變換（DWT-DE變換）對光譜數(shù)據(jù)進(jìn)行降維，并分別與主成分分析（PCA）,、離散小波多尺度分解方法進(jìn)行對比,。以降維后的結(jié)果作為輸入，實測葉片氮素含量為輸出,，分別建立極限學(xué)習(xí)機（ELM）,、粒子群優(yōu)化支持向量機（PSO-SVM）和人工蜂鳥算法優(yōu)化的極限學(xué)習(xí)機（AHA-ELM）反演模型，對水稻葉片氮素含量進(jìn)行預(yù)測和驗證,。結(jié)果表明,，采用耦合離散小波和一階微分變換結(jié)果建立的AHA-ELM模型預(yù)測精度最高，預(yù)測效果優(yōu)于ELM和PSO-SVM模型,，訓(xùn)練集決定系數(shù)R2為0.8064,，RMSE為0.3251mg/g，驗證集R2為0.7915，RMSE為0.3620mg/g,。鑒于此,，本文提出的經(jīng)DWT-DE變換建立的AHA-ELM模型在快速檢測水稻氮素含量中有顯著優(yōu)勢，可為水稻精準(zhǔn)變量施肥提供參考,。

Abstract:

快速準(zhǔn)確的病斑分割對于病害嚴(yán)重程度評估及科學(xué)施藥具有重要意義,?；谏疃葘W(xué)習(xí)的語義分割為構(gòu)建高精度病斑分割模型提供了技術(shù)支撐。然而,，蘋果病斑標(biāo)注費時費力,。為了解決這一問題，以隴東蘋果為研究對象,，提出了一種基于輕量級一致性半監(jiān)督學(xué)習(xí)框架的蘋果葉片病斑分割模型,。首先，遵循Mean Teacher半監(jiān)督學(xué)習(xí)框架,，使用2個輕量化的DeepLabV3+模型,，構(gòu)建病斑語義分割模型，以提高模型從有限標(biāo)注數(shù)據(jù)中提取特征描述符的能力,。其次,，對比19種一致性正則化方法，發(fā)現(xiàn)MSE+Huber 組合對圖像的細(xì)微差異更敏感,、抗噪性更高,，可提高模型對病斑過小、分布不均,、邊緣模糊的適應(yīng)性,。接著，使用貝葉斯優(yōu)化算法對模型涉及的6個超參數(shù)進(jìn)行尋優(yōu),，以加快模型收斂速度和穩(wěn)定性,。結(jié)果表明，優(yōu)化后模型僅使用30%的標(biāo)注數(shù)據(jù),，病斑分割精確率達(dá)到95.60%,，平均交并比為94.85%，平均像素準(zhǔn)確率為96.50%,。效果均優(yōu)于全監(jiān)督和自訓(xùn)練半監(jiān)督學(xué)習(xí)框架,。

Abstract:

針對大田環(huán)境下油菜幼苗尺度不一,、分布密集、識別難度大等問題,，開展了基于YC-YOLO v7模型的油菜幼苗株數(shù)識別研究,。在原模型YOLO v7的高效聚合網(wǎng)絡(luò)ELAN中引入深度可分離卷積模塊，提高模型對細(xì)小特征的提取能力,；通過在主干網(wǎng)絡(luò)輸出的特征層中添加CBAM注意力機制模塊,，加強模型對小目標(biāo)的識別精度；將損失函數(shù)CIOU替換為WIOU,，提高了錨框質(zhì)量,；為擴大模型對目標(biāo)的感受野，構(gòu)建了SPPF空間金字塔結(jié)構(gòu),。試驗結(jié)果表明,，改進(jìn)后YC-YOLO v7模型平均精度均值為94.0%，精確率為89.8%,，召回率為91.2%,，推理速度提高16.1f/s，浮點運算量降低2.56×1010,；與其他一階段模型YOLO v5s、SSD和二階段模型Faster R-CNN進(jìn)行對比,，平均精度均值分別提高12.8,、17.8、20.3個百分點,?；赮C-YOLO v7模型搭建的油菜幼苗檢測識別系統(tǒng)準(zhǔn)確率大于90%，可為大田環(huán)境下油菜幼苗精準(zhǔn)計數(shù)提供技術(shù)支撐,。

Abstract:

在蘋果病蟲害命名實體識別中,，針對罕見字語義特征提取不充分，實體類別相似難以區(qū)分的問題,，本文提出一種融合動態(tài)詞典和卷積塊注意力模塊(Convolutional block attention module, CBAM)的實體識別方法,。首先，基于字的雙向長短時記憶-條件隨機場模型(Bidirectional long short-term memory-conditional random field, BiLSTM-CRF)，在嵌入層利用通道注意力網(wǎng)絡(luò)(Channel attention module, CAM)動態(tài)融合詞典信息,，同步集成字的四角號碼信息,，以提高對罕見字表征能力。隨后,，對序列編碼層輸出序列特征,，基于空間注意力網(wǎng)絡(luò)(Spatial attention module, SAM)，新增并行連接的空間注意力(Parallel connection spatial attention, PCSA)模塊,，提高模型對上下文信息提取能力,。最后，使用含有6大類標(biāo)簽,、127574個標(biāo)注字符的蘋果病蟲害數(shù)據(jù)集進(jìn)行驗證測試,。結(jié)果顯示模型精確率、召回率和F1值分別達(dá)到95.76%,、92.46%,、94.08%，較現(xiàn)有的常用同類模型性能顯著提升,，實現(xiàn)了對農(nóng)業(yè)病蟲害命名實體的精準(zhǔn)識別,。

Abstract:

為了開展低成本、通用,、靈活的農(nóng)作物病害識別,，提出了一種基于漸進(jìn)式學(xué)習(xí)和增強原型度量的小樣本農(nóng)作物病害識別網(wǎng)絡(luò)(Few-shot crop disease recognition network based on progressive learning and enhanced prototype metric, FPE-Net)。首先,，利用設(shè)計的增強原型度量模塊,，計算能夠準(zhǔn)確表示類別中心的增強原型，并充分利用增強原型中的豐富類別信息對農(nóng)作物病害進(jìn)行識別,；其次,，采用設(shè)計的漸進(jìn)式學(xué)習(xí)策略對模型進(jìn)行訓(xùn)練，以幫助模型更好地適應(yīng)農(nóng)作物病害識別任務(wù),，提升模型小樣本農(nóng)作物病害識別精度,。在自制小樣本農(nóng)作物病害數(shù)據(jù)集FSCD-Base、FSCD-Complex以及FSCD-Base到FSCD-Complex的跨域設(shè)置上,，F(xiàn)PE-Net的5-way 1-shot平均識別準(zhǔn)確率分別達(dá)到70.65%,、53.47%和49.58%，5-way 5-shot平均識別準(zhǔn)確率分別達(dá)到83.02%,、66.15%和64.21%,。實驗結(jié)果表明,，本文提出的FPE-Net明顯優(yōu)于其他小樣本農(nóng)作物病害識別模型，在訓(xùn)練樣本不足的情況下能夠更準(zhǔn)確識別農(nóng)作物病害,。

Abstract:

豬只計數(shù)是屠宰場生產(chǎn)管理,、資產(chǎn)估計的重要環(huán)節(jié),。針對當(dāng)前屠宰場豬只數(shù)量統(tǒng)計過程中人工計數(shù)耗時長、錯誤率高的問題,，提出了一種基于改進(jìn)YOLO v5-StrongSORT的屠宰場豬只精準(zhǔn)計數(shù)方法,。首先，在改進(jìn)YOLO v5模型中引入真實寬高損失與縱橫比以提升損失函數(shù)性能,，并在Neck層引入高效通道注意力機制(Efficient channel attention, ECA),，提升模型在復(fù)雜環(huán)境下的識別能力。然后,，基于StrongSORT構(gòu)建檢測機制實現(xiàn)對豬只的重識別,。最后，基于StrongSORT提出了一種區(qū)域ID信息檢測的豬只計數(shù)方法,。試驗結(jié)果表明,，改進(jìn)YOLO v5模型對豬只識別精確率為93.78%，召回率為91.98%,，平均精度均值為96.29%,，識別速度為500f/s，較YOLO v5s模型召回率提高1.14個百分點,，平均精度均值提高0.89個百分點，識別速度提高85.0%,。將改進(jìn)YOLO v5與StrongSORT區(qū)域計數(shù)方法結(jié)合進(jìn)行豬只計數(shù)的準(zhǔn)確率為98.46%,，計數(shù)速率為73f/s，較人工計數(shù)準(zhǔn)確率提高1.54個百分點,，較原始模型計數(shù)準(zhǔn)確率提高9.23個百分點,，計數(shù)速率提高21.87%。本研究豬只計數(shù)方法具有較高的計數(shù)精度,，適用于屠宰場豬只數(shù)量統(tǒng)計,。

Abstract:

針對單天線GNSS農(nóng)機導(dǎo)航系統(tǒng)起步和低速時航向測量不準(zhǔn)問題,，本文基于兩位置法與改進(jìn)強跟蹤擴展卡爾曼濾波算法（Strong tracking extended Kalman filter,，STEKF）進(jìn)行農(nóng)機航向測量技術(shù)研究，設(shè)計一種適用于單天線GNSS/IMU融合的農(nóng)機航向測量方法,。采用兩位置法測量高速作業(yè)農(nóng)機航向,，基于IMU輸出的9軸數(shù)據(jù)和GNSS輸出的位置與速度信息，提出改進(jìn)強跟蹤自適應(yīng)矩陣R STEKF算法對農(nóng)機低速行駛時的航向準(zhǔn)確測量,，設(shè)計了基于兩位置法與改進(jìn)STEKF航向的一維卡爾曼濾波融合方法,。以雷沃M-1204型拖拉機為試驗平臺，進(jìn)行了速度梯度變化工況下農(nóng)機航向測量精度和穩(wěn)定性驗證試驗,，結(jié)果表明,，在農(nóng)機從靜止?fàn)顟B(tài)起步，經(jīng)歷包含直線和曲線的混合路段,，在速度0.36~5.40km/h過程中,，本文提出的融合航向測量方法獲取的航向角與雙天線GNSS獲取的航向角誤差不超過0.50°，表明本文方法適用于農(nóng)機靜止起步到低速運動狀態(tài)下農(nóng)機航向穩(wěn)定獲取,，提高了單天線農(nóng)機導(dǎo)航起步和低速駕駛控制精度和穩(wěn)定性,，可為高精度農(nóng)機自主無人作業(yè)提供技術(shù)基礎(chǔ)。

Abstract:

針對單一傳感器SLAM技術(shù)在復(fù)雜環(huán)境中存在精度低,、感知退化、可靠性差,，導(dǎo)致無法準(zhǔn)確估計攝像機軌跡的問題,，提出一種基于點線特征融合的延遲邊緣化視覺慣性SLAM算法(DM-VI-SLAM)。首先,，采用因子圖優(yōu)化模型,，提出以IMU為主系統(tǒng)，視覺為輔系統(tǒng),，通過引入輔系統(tǒng)觀測因子約束IMU主系統(tǒng)偏差,，并接收IMU里程計因子實現(xiàn)運動預(yù)測與融合的全新結(jié)構(gòu)。其次,，在前端加入點線特征,，設(shè)計一種基于線段中點的特征匹配方法，在后端加入滑窗機制實現(xiàn)歷史狀態(tài)信息回溯,，并構(gòu)建非線性聯(lián)合優(yōu)化問題,，提升匹配精度,。最后，為加速求解,，引入一種延遲邊緣化策略,，允許重新推進(jìn)延遲因子圖，進(jìn)而產(chǎn)生新的和一致性的線性化點更新邊緣化,。通過與典型SLAM算法進(jìn)行比較,，并在EuRoC公共數(shù)據(jù)集上和真實場景中驗證算法有效性，實驗結(jié)果表明在復(fù)雜高速運動場景和低特征紋理場景中本文算法均具有更高的精度和可靠性,。

Abstract:

移動機器人視覺SLAM技術(shù)能夠在一定條件下實時估計自身在環(huán)境中的位置，并構(gòu)建和更新環(huán)境稀疏或稠密三維地圖,，這些信息可以幫助機器人提高對未知復(fù)雜環(huán)境的準(zhǔn)確感知和適應(yīng)能力,，以執(zhí)行更復(fù)雜的任務(wù)。但使用相機作為傳感器的視覺SLAM在定位和建圖的精度和穩(wěn)定性方面在很大程度上依賴于采集到的圖像質(zhì)量,，在弱光照環(huán)境中,，現(xiàn)有的視覺SLAM算法難以有效地工作。針對視覺SLAM在弱光照環(huán)境中定位精度降低和跟蹤丟失的問題,。本文提出了一種適應(yīng)弱光照環(huán)境的RLMV-SLAM算法,，該算法使用一個輕量化的神經(jīng)網(wǎng)絡(luò)對輸入圖像進(jìn)行預(yù)處理，增強其亮度,、對比度,、色彩和去噪，同時,，該算法使用地圖點補充策略,、Sparse BA和一種實時增量閉環(huán)檢測方法提高了定位和建圖精度和魯棒性。在公開數(shù)據(jù)集和自采數(shù)據(jù)集上對該算法進(jìn)行了實驗驗證,，并與其他主流視覺SLAM方法進(jìn)行了對比,，結(jié)果表明本文提出的方法將弱光照環(huán)境中有效跟蹤時長提升30%以上，且在公開數(shù)據(jù)集上估計位姿的誤差也有明顯降低,，證明了所提算法的有效性，為弱光照環(huán)境中同步定位和建圖提供了一定參考,。

Abstract:

為快速準(zhǔn)確地估算滴灌條件下土壤-作物系統(tǒng)模型參數(shù),，基于二維土壤水與作物生長模擬模型（SWNCM-2D）耦合遺傳算法（GA），建立了滴灌條件下土壤水力學(xué)參數(shù)與作物生長參數(shù)的優(yōu)化模型,，以土壤含水率和作物干物質(zhì)量實測值與模擬值之間的標(biāo)準(zhǔn)均方根誤差最小為優(yōu)化目標(biāo),，利用南疆地區(qū)棉花滴灌試驗不同灌水量處理下的土壤含水率和作物生長動態(tài)及產(chǎn)量觀測數(shù)據(jù)，優(yōu)化求解土壤水力學(xué)參數(shù)與作物生長參數(shù),，并應(yīng)用優(yōu)化后的模型參數(shù)開展不同滴灌灌溉管理措施下的棉花產(chǎn)量與水分生產(chǎn)力預(yù)測,。結(jié)果表明：耦合GA的SWNCM-2D模型參數(shù)優(yōu)化結(jié)果較好，不同土層土壤含水率模擬值與實測值之間均方根誤差（RMSE）,、標(biāo)準(zhǔn)均方根誤差（nRMSE）和一致性指數(shù)（d）分別為0.0095~0.0370cm3/cm3,、5%~27%和0.6518~0.9642，干物質(zhì)累積量和LAI的nRMSE分別為8%~17%和6.2%~23.0%,，d均高于0.97,。棉花皮棉產(chǎn)量隨灌水量增大而增大，水分生產(chǎn)力隨灌水量增大而減??；皮棉產(chǎn)量隨灌水間隔增大而減小，水分生產(chǎn)力隨灌水間隔增大先增大后減??；說明基于優(yōu)化參數(shù)的全生育期土壤水分動態(tài)變化與作物生長過程的模擬較為準(zhǔn)確。綜合考慮棉花產(chǎn)量和水分生產(chǎn)力,，推薦該地區(qū)適宜的灌溉制度為灌水間隔7d和灌水量120% ETc（作物需水量）組合,。

Abstract:

以羊草等根莖型或根莖疏叢型牧草為建群種的天然草地退化狀況嚴(yán)重,，機械化松土是改良這類草地的重要手段之一,，但不恰當(dāng)?shù)乃赏练绞綐O易破壞草地植被，并導(dǎo)致土壤沙化,。為探討適宜改良退化羊草地的松土方式,，提出了一種切根釋壓松土方法。以海拉爾地區(qū)的退化草地為研究對象,，采用離散元仿真與田間試驗結(jié)合的方式開展了傳統(tǒng)松土,、對縫松土和切根釋壓松土對比試驗，分析3種松土方式對草地的擾動過程,、作業(yè)質(zhì)量及松土阻力的影響,。仿真結(jié)果表明：切根釋壓松土比傳統(tǒng)松土和對縫松土對土壤的疏松效果更好，提高了深層土壤流動性并降低了表層土壤擾動,。將仿真結(jié)果與田間試驗結(jié)果對比,，結(jié)果表明3種松土方式作業(yè)后的耕作部件松土阻力變化趨勢一致,。切根釋壓松土方式松土阻力最小，仿真結(jié)果為3692.75N,，田間試驗結(jié)果為4677.84N,。傳統(tǒng)松土方式松土阻力最大，仿真結(jié)果為5348.80N,，田間試驗結(jié)果為6489.40N,。對縫松土方式松土阻力介于兩者之間，仿真結(jié)果為4713.33N,，田間試驗結(jié)果為5433.24N,。這表明切根釋壓松土方式具有較好的減阻效果。田間試驗結(jié)果表明,，松土方式對作業(yè)質(zhì)量具有顯著性影響,。相同耕作深度土層內(nèi)，切根釋壓松土方式相較傳統(tǒng)松土和對縫松土作業(yè)后的土壤堅實度均值分別降低6.19%和12.67%,，土壤容重均值分別降低1.19%和3.16%,。同時切根釋壓松土方式對表層土壤擾動最小，土壤疏松效果更好,，作業(yè)后的土壤擾動系數(shù)和土壤蓬松度均值分別為49.05%和25.81%,。研究結(jié)果可為改進(jìn)退化羊草地松土工藝，優(yōu)化設(shè)計草地松土改良機具提供依據(jù),。

Abstract:

為探究苜蓿地不同生育期不同深度的土壤含鹽量快速反演模型，采集苜蓿地分枝期,、現(xiàn)蕾期,、初花期深度0~15cm、15~30cm,、30~50cm土壤含鹽量,，基于無人機多光譜影像數(shù)據(jù)，提取采樣點光譜反射率,，在此基礎(chǔ)上引入紅邊波段代替紅波段與近紅外波段計算光譜指數(shù),，采用皮爾遜相關(guān)系數(shù)法（Pearson correlation corfficient,PCCs）,、灰色關(guān)聯(lián)度（Gray relational analysis, GRA）分析法進(jìn)行指數(shù)篩選,，構(gòu)建54個基于極端梯度提升（Extreme gradient boosting，XGBoost）算法,、反向傳播神經(jīng)網(wǎng)絡(luò)（Back propagation neural network，BPNN）和隨機森林（Random forest,，RF）的機器學(xué)習(xí)模型，確定苜蓿地不同生育期不同深度土層的土壤含鹽量最佳反演模型,。結(jié)果表明：XGBoost模型反演效果整體優(yōu)于BPNN模型和RF模型,，反演結(jié)果能真實反映不同生育期苜蓿地的土壤含鹽量。從不同生育期反演來看,，分枝期和初花期XGBoost模型反演效果優(yōu)于其他模型,，驗證集決定系數(shù)（R2p）分別為0.835、0.709,，均方根誤差（RMSE）分別為0.042%,、0.047%，平均絕對誤差（MAE）分別為0.046%,、0.037%,；現(xiàn)蕾期RF模型反演效果優(yōu)于其他模型，R2p為0.717,，RMSE為0.034%,，MAE為0.042%。從不同深度反演來看,，0~15cm土層XGBoost模型反演效果優(yōu)于其他模型,，R2p為0.835，RMSE為0.053%,，MAE為0.043%,；15~30cm和30~50cm土層XGBoost和RF模型均優(yōu)于BPNN模型，R2p分別為0.717,、0.739,，RMSE分別為0.034%、0.038%,，MAE分別為0.042%,、0.031%。分枝期為最佳反演生育期,，0~15cm深度為最佳含鹽量反演深度,，且PCCs變量篩選方法與XGBoost機器學(xué)習(xí)算法的耦合模型精度最佳，建模集和驗證集的R2分別為0.856,、0.835,，R2p/R2c為0.975，具有良好的魯棒性,。研究結(jié)果可為土壤含鹽量的快速精確反演提供理論依據(jù),。

Abstract:

在集約化養(yǎng)豬生產(chǎn)中，豬舍環(huán)境是影響豬健康水平的重要因素,。然而,，多環(huán)境因子聯(lián)合精準(zhǔn)調(diào)控是制約豬舍環(huán)境控制的共性難題。因此,，本文利用自適應(yīng)高斯濾波（Adaptive Gaussian filtering, AGF）算法結(jié)合長短時記憶神經(jīng)網(wǎng)絡(luò)(Long short term memory networks, LSTM)進(jìn)行舍內(nèi)環(huán)境因子預(yù)測,，為優(yōu)化舍內(nèi)環(huán)境調(diào)控策略提供支撐；結(jié)合組合賦權(quán)方式,，確定豬舍內(nèi)環(huán)境評價指標(biāo)權(quán)重,，構(gòu)建基于未確知測度法評價方法，為豬舍環(huán)境調(diào)控提供參考,。以實測豬舍數(shù)據(jù)對本文所提出方法進(jìn)行驗證,，結(jié)果表明：相比LSTM預(yù)測模型，應(yīng)用AGF優(yōu)化算法后的LSTM預(yù)測模型（LSTM-AGF）,，其氨氣質(zhì)量濃度,、溫度、相對濕度,、二氧化碳質(zhì)量濃度的預(yù)測性能R2分別提升0.33,、0.03、0.05,、0.12,；提出的基于未確知測度法的預(yù)測評價方法敏感度SENS為0.215，比傳統(tǒng)模糊綜合評價方法高20.80%,。因此,，本文提出的環(huán)境質(zhì)量評價方法可以為豬舍環(huán)境精準(zhǔn)調(diào)控提供參考。

Abstract:

為了提高玉米秸稈與牛糞混料在離散元壓縮成型仿真過程中所需參數(shù)的準(zhǔn)確性，本文對玉米秸稈-牛糞混料進(jìn)行參數(shù)標(biāo)定試驗,，并采用仿真與物理試驗相結(jié)合的方式對標(biāo)定參數(shù)的準(zhǔn)確性進(jìn)行驗證,。通過篩選試驗得到對混料離散元有顯著影響的參數(shù),；以堆積角為評價指標(biāo)，利用Design-Expert軟件對3個顯著性影響參數(shù)進(jìn)行最陡爬坡試驗設(shè)計和Box-Behnken試驗設(shè)計,，并應(yīng)用粒子群優(yōu)化算法（PSO）進(jìn)行參數(shù)尋優(yōu),，得到最優(yōu)參數(shù)組合為：玉米秸稈-牛糞滾動摩擦因數(shù)0.128、牛糞-牛糞滾動摩擦因數(shù)0.320,、牛糞-牛糞JKR表面能0.033J/m2,；在該參數(shù)組合條件下進(jìn)行仿真試驗，結(jié)果表明,，仿真堆積角與實際堆積角相對誤差為1.27%，單軸壓縮仿真試驗與物理試驗的最大壓縮位移相對誤差為2.97%,。研究結(jié)果可為玉米秸稈-牛糞混料壓縮成型離散元仿真提供依據(jù),。

Abstract:

為探討低醇早酥梨酒貯藏期間褐變因子和揮發(fā)性香氣化合物的變化,，將早酥梨酒分別在4、25℃下避光貯藏60d,，每隔7d測定PPO,、POD、PAL酶活力,，總氨基酸,、還原糖、總酚,、5-羥甲基糠醛質(zhì)量濃度及褐變度,，并采用SPME-GC/MS檢測貯藏結(jié)束時的揮發(fā)性香氣化合物。結(jié)果表明,，早酥梨酒在貯藏期間POD活力下降速度極快,，總氨基酸質(zhì)量濃度、總酚質(zhì)量濃度分別下降62%~70%和23%~31%,，5-羥甲基糠醛質(zhì)量濃度和褐變度不斷增加,。總氨基酸,、總酚,、5-羥甲基糠醛質(zhì)量濃度及褐變度變化均符合零級動力學(xué)方程，且擬合效果良好,。相關(guān)性分析顯示總氨基酸,、總酚與5-HMF質(zhì)量濃度對早酥梨酒褐變的影響最大,。貯藏60d后早酥梨酒中萜烯類、酯類,、羰基化合物質(zhì)量濃度有所增加,，醇類、酸類化合物質(zhì)量濃度顯著降低,；15種關(guān)鍵香氣物質(zhì)（OAV大于0.1）質(zhì)量濃度與主要褐變因子之間的相關(guān)系數(shù)均大于0.8,。研究結(jié)果對控制早酥梨酒褐變具有應(yīng)用價值。

Abstract:

針對典型木本糧食板栗的現(xiàn)場非破壞快檢分選需求，基于可見/近紅外光譜檢測分析技術(shù),，設(shè)計了轉(zhuǎn)盤式板栗在線檢測分選系統(tǒng),。該系統(tǒng)主要由上料單元、光譜采集單元,、控制單元,、分選單元和顯示單元組成，上料單元振動盤經(jīng)試驗確定最佳頻率為150Hz,，并聯(lián)合伺服電機對轉(zhuǎn)盤進(jìn)行驅(qū)動,，光譜采集單元以鹵素?zé)魹楣庠矗瑧?yīng)用微型光譜儀采集光譜信息,，控制方案經(jīng)對比后確定并行式執(zhí)行方案,，基于QT平臺及C++語言開發(fā)單片機程序，配合上位機開發(fā)的光譜采集軟件,，實現(xiàn)了光譜信息采集,、處理、顯示存儲以及分類,，分選執(zhí)行機構(gòu)采用電磁推桿帶動擋板伸縮完成孔洞的開合,。以遷西、丹東,、玉溪板栗為對象,，采集光譜并對比不同預(yù)處理方法分別建立產(chǎn)地與霉變的偏最小二乘判別（Partial least squares discriminant analysis，PLS-DA）模型,，交叉驗證后產(chǎn)地模型預(yù)測集準(zhǔn)確率為97.12%,、霉變模型預(yù)測集判別準(zhǔn)確率為94.74%。最后將模型植入系統(tǒng)軟件后應(yīng)用隨機預(yù)測集板栗進(jìn)行測試,，產(chǎn)地與霉變判別分選準(zhǔn)確率分別為93.83%和94.12%,，最優(yōu)檢測分選速度為37顆/min,。結(jié)果表明，本文設(shè)計的轉(zhuǎn)盤式板栗檢測分選系統(tǒng)效率高,、采集穩(wěn)定,、檢測準(zhǔn)確率高，具備快速實現(xiàn)不同產(chǎn)地以及霉變板栗無損檢測分選功能,。

Abstract:

馬鈴薯在存儲過程中,，極易產(chǎn)生黑心病等內(nèi)部缺陷,，嚴(yán)重影響市場價值和食品安全。探索深度學(xué)習(xí)用于挖掘馬鈴薯黑心病光譜數(shù)據(jù)深層特征,，將近紅外光譜數(shù)據(jù)二維化，基于殘差神經(jīng)網(wǎng)絡(luò)（Residual neural network,，ResNet）,，引入卷積注意力模塊（Convolutional block attention module，CBAM)增強特征,，加入閾值處理模塊去除噪聲,，實現(xiàn)了馬鈴薯黑心病的快速無損檢測。探索適用于馬鈴薯黑心病檢測的光譜二維化方法,，通過對比格拉米角場（Gramian angular field,，GAF）、馬爾可夫轉(zhuǎn)移場（Markov transition field,，MTF）,、遞歸圖（Recurrence plot，RP）和波長順序轉(zhuǎn)換4種方法,，發(fā)現(xiàn)GAF,、MTF和RP這3種方法與波長順序轉(zhuǎn)換相比效果更好，經(jīng)過MTF處理后建模效果最佳,，訓(xùn)練集準(zhǔn)確率達(dá)到99.60%,。通過比較不同模型性能，發(fā)現(xiàn)改進(jìn)ResNet模型測試集準(zhǔn)確率為9765%,，比偏最小二乘判別分析（Partial least squares discriminant analysis,，PLS-DA）、支持向量機（Support vector machines,，SVM）,、MobileNet,、ResNet分別提高5.89、7.07,、3.53,、2.36個百分點，MobileNet,、ResNet和改進(jìn)ResNet神經(jīng)網(wǎng)絡(luò)模型建模效果優(yōu)于傳統(tǒng)化學(xué)計量學(xué)方法PLS-DA和SVM,。

Abstract:

為提升武夷巖茶搖青機用離心風(fēng)機性能，通過多目標(biāo)遺傳算法對離心風(fēng)機葉輪進(jìn)行優(yōu)化設(shè)計與試驗驗證,。首先,，針對38組設(shè)計樣本，采用拉丁超立方設(shè)計方法對葉輪葉片數(shù)量,、葉輪內(nèi)外徑比,、葉片進(jìn)口安裝角、葉片出口安裝角,、葉片折彎半徑和葉片進(jìn)口直徑進(jìn)行優(yōu)化,；然后通過NSGA-Ⅱ多目標(biāo)算法對構(gòu)建的最小二乘回歸（Least squares regression, LSR）與移動最小二乘法（Moving least square method, MLSM）響應(yīng)面模型進(jìn)行求解，得到風(fēng)機風(fēng)量與風(fēng)機效率最優(yōu)時的Pareto解集,，并進(jìn)行Spearman變量相關(guān)性分析,；最后通過CFD數(shù)值仿真與試驗，驗證了優(yōu)化設(shè)計方法對實際設(shè)備搖青效果提升的有效性,。結(jié)果表明：葉片進(jìn)口安裝角和出口安裝角對風(fēng)機風(fēng)量影響最大,，葉輪內(nèi)外徑比和葉片出口安裝角對風(fēng)機效率的影響最大，達(dá)到高相關(guān)程度,；最優(yōu)參數(shù)組合為葉片數(shù)量19,、葉輪內(nèi)外徑比0.67、葉片進(jìn)口安裝角73.86°,、葉片出口安裝角128.74°,、折彎半徑25.28mm、葉片進(jìn)口直徑24.95mm,；相較于原型風(fēng)機,，優(yōu)化后風(fēng)機風(fēng)量增加381.22m3/h，風(fēng)機效率提高4.33個百分點,，葉梗,、葉片平均走水分別提高2.05,、3.15個百分點，做茶感官審評平均得分91.4,，驗證了風(fēng)機優(yōu)化設(shè)計對整機茶葉搖青品質(zhì)的提升,。

Abstract:

田間土壤比阻多變,、地塊凹凸不平造成拖拉機在犁耕工況下行駛速度和牽引阻力大幅波動，傳統(tǒng)拖拉機無人作業(yè)系統(tǒng)難以滿足路徑跟蹤精度和耕深均勻性的農(nóng)藝要求,。本文系統(tǒng)分析了無人駕駛電動拖拉機犁耕機組作業(yè)特性,，提出了拖拉機犁耕機組路徑跟蹤與耕深模糊控制策略，包括模糊Stanley路徑跟蹤控制方法和預(yù)估補償變論域模糊PID耕深控制方法,，兼顧了拖拉機重負(fù)載犁耕工況下的犁耕深度與行駛速度,，提高了電液懸掛系統(tǒng)的耕深均勻性和無人駕駛系統(tǒng)的直線性。為驗證所提控制策略的有效性,，搭建無人駕駛電動拖拉機犁耕機組試驗平臺,，開展田間路徑跟蹤和犁耕試驗。試驗結(jié)果表明：本文提出的控制策略能適應(yīng)復(fù)雜多變的田間環(huán)境,，路徑跟蹤作業(yè)最大橫向偏差不大于0.042m，犁耕作業(yè)橫向偏差標(biāo)準(zhǔn)差不大于0.086m,；行駛速度均值保持穩(wěn)定,，平均絕對誤差為0.16km/h，平均相對誤差為4.38%,；耕深變異系數(shù)均值為9.29%,，相較于模糊PID算法降低14.57%。本文提出的控制策略可根據(jù)不同土壤比阻,、地塊凹凸程度和牽引阻力,，提高拖拉機犁耕作業(yè)的耕深均勻性和導(dǎo)航直線性，具有良好的適應(yīng)性和魯棒性,，滿足拖拉機犁耕作業(yè)農(nóng)藝需求,，為實現(xiàn)無人駕駛電動拖拉機多參數(shù)控制提供了參考。

Abstract:

傳統(tǒng)大功率拖拉機燃油經(jīng)濟(jì)性差,，推動了混合動力拖拉機的發(fā)展。旋耕作業(yè)輸出端(Power take-off,，PTO)輸出轉(zhuǎn)速與拖拉機行駛速度無法解耦輸出,，使行星齒輪式電動無級變速(Electronic continuously variable transmission，ECVT)拖拉機得到推廣,，但行星齒輪式ECVT的功率循環(huán)現(xiàn)象降低了分流效率,，為此，基于杠桿平衡法分析了2K-H型周轉(zhuǎn)輪系的功率分流原理與功率循環(huán)產(chǎn)生機理,，提出了大功率混合動力拖拉機ECVT構(gòu)型設(shè)計的杠桿拓?fù)浞?，以高效地搜索可行?gòu)型。提出了大功率混合動力拖拉機ECVT構(gòu)型的最終方案,，并進(jìn)行了可行性驗證,。首先，采用杠桿拓?fù)浞ê凸β瘦敵龇至髟硗負(fù)淞薊CVT構(gòu)型,。然后,，通過分析每種拓?fù)錁?gòu)型的傳動特性優(yōu)選出最佳構(gòu)型，通過加裝離合器與制動器滿足拖拉機作業(yè)需求及各種模式切換的可行性,，并在后驅(qū)動系統(tǒng)搭配高低擋,、主減速器與輪邊減速器，形成最終構(gòu)型方案,。同時,，推導(dǎo)了該構(gòu)型4種工作模式的動態(tài)特性方程，明確了構(gòu)型的傳動過程及PTO轉(zhuǎn)速與拖拉機行駛速度解耦輸出的可行性,。最后,，分別在犁耕與旋耕工況下對基于動態(tài)規(guī)劃算法的混合動力拖拉機ECVT能量管理策略進(jìn)行了整機節(jié)能控制仿真分析，結(jié)果表明：提出的ECVT構(gòu)型較對比構(gòu)型在犁耕工況下等效燃油消耗量降低約5.17%,，旋耕工況下降低約5.11%,，有效提升了大功率混合動力拖拉機燃油經(jīng)濟(jì)性。2種工況下均無功率循環(huán)現(xiàn)象產(chǎn)生,，保證了混合動力傳動系統(tǒng)的平穩(wěn)運轉(zhuǎn)及分流效率,，實現(xiàn)了PTO轉(zhuǎn)速與拖拉機行駛速度的解耦輸出，為動力輸出軸獨立于輪胎進(jìn)行單獨的轉(zhuǎn)速控制提供解決方案,，提出的能量管理策略有助于混合動力系統(tǒng)的節(jié)能控制,。

Abstract:

針對現(xiàn)有輪式拖拉機牽引性能預(yù)測模型通用性差,、預(yù)測精度低等問題，提出了一套涵蓋系統(tǒng)建模,、預(yù)測優(yōu)化,、實例驗證全過程的適用于四輪驅(qū)動與二輪驅(qū)動拖拉機的牽引性能預(yù)測通用模型。通過深入分析土壤力學(xué),、輪胎力學(xué),、傳動系統(tǒng)之間的相互作用，將拖拉機牽引性能抽象為輪-壤模型,、驅(qū)動力模型,、滑轉(zhuǎn)率模型、牽引力模型4個基本模型,，以建立適用于四輪驅(qū)動與二輪驅(qū)動拖拉機的整機牽引性能預(yù)測通用模型,。為了提高預(yù)測精度，以整機滑轉(zhuǎn)率為優(yōu)化目標(biāo),，建立基于自適應(yīng)粒子群優(yōu)化算法(APSO)的牽引性能預(yù)測優(yōu)化方法,。通過線上優(yōu)化，驗證了模型準(zhǔn)確性和通用性,。為了進(jìn)一步驗證該通用模型優(yōu)越性和工程實用性,，以東方紅某105kW拖拉機作為試驗樣機，在中國一拖集團(tuán)有限公司田間全地型試驗場,，完成線下試驗,。試驗結(jié)果表明，與現(xiàn)有預(yù)測模型相比,，對于四輪驅(qū)動拖拉機,，基于APSO的牽引性能預(yù)測方法的滑轉(zhuǎn)率和滾動阻力平均絕對誤差分別為1.9%和0.18kN。對于二輪驅(qū)動拖拉機,，相應(yīng)的平均絕對誤差分別為2.7%和0.25kN，精度大幅提升,。

Abstract:

具有運動和鎖定模式的機構(gòu)在變換為特定鎖定模式位形后，可滿足特定工況下的剛度需求,。通過在球面4R機構(gòu)連桿上,，設(shè)置處于折疊位形的球面3R運動鏈，設(shè)計了一類具有鎖定模式的雙環(huán)球面7R機構(gòu),。分析球面4R機構(gòu)連桿曲線的幾何特征,，通過算例驗證了球面4R機構(gòu)連桿曲線方程的正確性。使用旋量理論分析球面4R環(huán)路處于奇異位形下連桿的瞬時轉(zhuǎn)動軸線,，確定了球面4R環(huán)路中連桿的瞬時轉(zhuǎn)動軸線與球面3R運動鏈軸線共面,，為機構(gòu)模式變換必要條件,。將球面4R環(huán)路作為廣義轉(zhuǎn)動副，對雙環(huán)球面7R機構(gòu)加速度進(jìn)行分析,，得到了球面4R機構(gòu)環(huán)路連桿曲線尖點對應(yīng)機構(gòu)位形下,，連桿瞬面切線與球面3R運動鏈軸線共面，為機構(gòu)模式變換必要條件,。結(jié)果表明,，該類球面7R機構(gòu)具有鎖定模式，通過旋量理論分析球面4R機構(gòu)環(huán)路連桿的瞬時運動旋量,，可確定機構(gòu)運動模式變換位形,。對于分析設(shè)計滿足運動和鎖定生產(chǎn)作業(yè)變換需求的多模式機構(gòu)，具有參考價值,。