亚洲一区欧美在线,日韩欧美视频免费观看,色戒的三场床戏分别是在几段,欧美日韩国产在线人成

Abstract:

農(nóng)業(yè)環(huán)境中農(nóng)業(yè)裝備時(shí)常發(fā)生行駛滑動(dòng)現(xiàn)象且具有明顯不確定性，滑動(dòng)現(xiàn)象使行駛機(jī)構(gòu)處于不可控狀態(tài)，從而影響作業(yè)精度，嚴(yán)重阻礙了種植、中耕管理和收獲等需要精準(zhǔn)作業(yè)環(huán)節(jié)的農(nóng)業(yè)裝備信息化及智能化發(fā)展。本文從滑動(dòng)原理、滑動(dòng)辨識(shí)及行駛滑動(dòng)控制方面，分別對(duì)滑動(dòng)力學(xué)特性、滑動(dòng)辨識(shí)方法和考慮滑動(dòng)的路徑跟蹤控制的國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行綜述。滑動(dòng)原理方面，著重闡述了針對(duì)不同行駛機(jī)構(gòu)的結(jié)構(gòu)特點(diǎn)和行駛地面環(huán)境建立的多種行駛機(jī)構(gòu)與地面的系統(tǒng)模型?；瑒?dòng)辨識(shí)方面，分別對(duì)基于數(shù)學(xué)模型和基于數(shù)據(jù)驅(qū)動(dòng)兩類(lèi)方法進(jìn)行分析，揭示各方法優(yōu)勢(shì)與局限性。行駛滑動(dòng)控制方面，重點(diǎn)歸納了應(yīng)用于農(nóng)業(yè)裝備的路徑跟蹤控制方法，指出了目前行駛滑動(dòng)控制研究方法局限性。最后，指出行駛滑動(dòng)辨識(shí)研究對(duì)于農(nóng)業(yè)裝備自動(dòng)化發(fā)展具有重要意義，未來(lái)農(nóng)業(yè)裝備行駛滑動(dòng)研究可以從滑動(dòng)力學(xué)理論模型、滑動(dòng)實(shí)時(shí)辨識(shí)方法、行駛滑動(dòng)控制方法等方面開(kāi)展深入研究。

Abstract:

花生收獲季節(jié)性強(qiáng)，人工作業(yè)勞動(dòng)強(qiáng)度高，效率低，收獲損失大，花生生產(chǎn)需要依靠成熟的機(jī)械化收獲技術(shù)。中國(guó)的花生收獲機(jī)械化水平在花生機(jī)械化生產(chǎn)環(huán)節(jié)中處于較低水平，嚴(yán)重制約了中國(guó)花生機(jī)械化水平的整體提高。本文在闡述花生收獲作業(yè)模式為聯(lián)合收獲作業(yè)模式、兩段式收獲作業(yè)模式和三段式收獲作業(yè)模式的基礎(chǔ)上，對(duì)中國(guó)花生機(jī)械化收獲的挖掘裝置和摘果裝置進(jìn)行了系統(tǒng)歸納總結(jié)，并闡述了輸送鏈?zhǔn)交ㄉ斋@機(jī)、條鋪式花生收獲機(jī)、挖掘翻秧花生收獲機(jī)、半喂入和全喂入式花生聯(lián)合收獲機(jī)的性能和特點(diǎn)。同時(shí)，分析了美國(guó)花生機(jī)械化收獲技術(shù)，并對(duì)印度花生收獲機(jī)進(jìn)行了簡(jiǎn)述。最后，在總結(jié)花生機(jī)械化收獲裝備特點(diǎn)的基礎(chǔ)上，分析了中國(guó)花生收獲機(jī)械存在的問(wèn)題，并對(duì)未來(lái)發(fā)展趨勢(shì)進(jìn)行了展望。指出花生機(jī)械化收獲裝備將進(jìn)入以智能化、精細(xì)化、高效化為主導(dǎo)的新階段。

Abstract:

針對(duì)谷子播種時(shí)在導(dǎo)種管內(nèi)彈跳嚴(yán)重，導(dǎo)致谷子落地后成穴性差的問(wèn)題，設(shè)計(jì)了一種谷子穴播機(jī)勺鏈?zhǔn)綄?dǎo)種裝置。其工作原理為通過(guò)約束種子運(yùn)移軌跡提高其落地后成穴性，對(duì)關(guān)鍵零部件進(jìn)行了設(shè)計(jì)，對(duì)納種與投種過(guò)程進(jìn)行了運(yùn)動(dòng)分析，確定了影響導(dǎo)種性能的重要因素。為獲得最佳參數(shù)組合，分別以圓形勺、方形勺、方形平嘴勺3種種勺型式和ABS、橡膠、亞克力3種材料為因素進(jìn)行單因素試驗(yàn)，試驗(yàn)結(jié)果表明方形平嘴勺和橡膠材料效果最佳。在此基礎(chǔ)上，以納種角度、納種高度和鏈輪轉(zhuǎn)速為納種試驗(yàn)因素，以納種合格率為評(píng)價(jià)指標(biāo)；以投種高度、投種角度和鏈輪轉(zhuǎn)速為投種試驗(yàn)因素，以穴徑合格率、穴粒數(shù)合格率及穴距變異系數(shù)為投種評(píng)價(jià)指標(biāo)，通過(guò)EDEM離散元仿真軟件分別進(jìn)行納種過(guò)程與投種過(guò)程的三因素五水平二次正交旋轉(zhuǎn)組合仿真試驗(yàn)。納種過(guò)程最佳參數(shù)組合為：納種角度45.95°、納種高度74.05mm、鏈輪轉(zhuǎn)速1.76r/s；投種過(guò)程最佳參數(shù)組合為：投種角度53.51°、投種高度25.96mm、鏈輪轉(zhuǎn)速1.98r/s。為進(jìn)一步驗(yàn)證導(dǎo)種裝置性能，在最佳參數(shù)組合下進(jìn)行臺(tái)架驗(yàn)證試驗(yàn)與對(duì)比試驗(yàn)，驗(yàn)證試驗(yàn)中納種合格率為95.53%、穴徑合格率為93.29%、穴粒數(shù)合格率為94.73%、穴距變異系數(shù)為7.46%，臺(tái)架驗(yàn)證試驗(yàn)結(jié)果與仿真試驗(yàn)結(jié)果基本一致，相對(duì)差值均小于5%；對(duì)比試驗(yàn)結(jié)果表明，安裝勺鏈?zhǔn)綄?dǎo)種裝置的播種效果明顯優(yōu)于安裝導(dǎo)種管的播種效果，穴徑合格率、穴粒數(shù)合格率、穴距變異系數(shù)最大可提高2.75、3.43、3.25個(gè)百分點(diǎn)。

Abstract:

為進(jìn)一步提高鋪膜精量播種機(jī)的作業(yè)效率，解決道路通行不便、田間地頭轉(zhuǎn)向困難的問(wèn)題，改進(jìn)設(shè)計(jì)了一種可平行折疊的寬幅鋪膜精量播種機(jī)，一次作業(yè)可完成種床整形、開(kāi)溝鋪膜鋪帶、播種、覆土等工序。闡述了播種機(jī)整機(jī)結(jié)構(gòu)及工作原理，對(duì)仿形機(jī)構(gòu)、寬幅機(jī)架、舉升裝置和液壓系統(tǒng)等關(guān)鍵部件進(jìn)行設(shè)計(jì)分析，確定了各部件的最佳尺寸及影響升降過(guò)程平穩(wěn)性的關(guān)鍵因素；通過(guò)ADAMS軟件對(duì)整機(jī)展開(kāi)與升降過(guò)程進(jìn)行剛?cè)狁詈戏治?，得到展開(kāi)過(guò)程中寬幅機(jī)架最大受力點(diǎn)位置以及滑軌梁的變形曲線(xiàn)。為驗(yàn)證折疊式棉花寬幅鋪膜播種機(jī)的作業(yè)性能，對(duì)其鋪膜、鋪帶、播種性能進(jìn)行田間試驗(yàn)，試驗(yàn)結(jié)果表明，采光面寬度合格率為92.1%，單粒率為96.4%，膜下播種深度合格率為95.7%，穴距合格率為96.3%，滴灌帶縱向拉伸率為0.73%，滿(mǎn)足行業(yè)標(biāo)準(zhǔn)及農(nóng)藝要求。

Abstract:

為實(shí)現(xiàn)機(jī)械化一體式水稻缽苗膜上移栽要求，提出非圓齒輪-連桿組合式行星輪系移栽機(jī)構(gòu)，用一套機(jī)構(gòu)實(shí)現(xiàn)取苗、送苗、破膜挖穴和栽植4個(gè)工序協(xié)同配合作業(yè)，滿(mǎn)足水稻缽苗膜上移栽所需的軌跡與姿態(tài)要求。對(duì)移栽機(jī)構(gòu)進(jìn)行理論分析并建立運(yùn)動(dòng)學(xué)模型，結(jié)合優(yōu)化目標(biāo)，基于Matlab GUI平臺(tái)開(kāi)發(fā)了數(shù)字可視化優(yōu)化設(shè)計(jì)軟件，通過(guò)人機(jī)交互獲得1組滿(mǎn)足移栽要求的機(jī)構(gòu)參數(shù)。根據(jù)優(yōu)化參數(shù)對(duì)機(jī)構(gòu)開(kāi)展結(jié)構(gòu)設(shè)計(jì)與三維建模，通過(guò)ADAMS軟件完成了虛擬樣機(jī)仿真驗(yàn)證。研制了水稻缽苗膜上移栽機(jī)構(gòu)物理樣機(jī)與多功能試驗(yàn)測(cè)試臺(tái)架，開(kāi)展了移栽機(jī)構(gòu)在空轉(zhuǎn)和帶苗狀態(tài)下運(yùn)動(dòng)學(xué)特性和工作性能試驗(yàn)，結(jié)果表明，理論軌跡、虛擬樣機(jī)仿真軌跡和物理樣機(jī)臺(tái)架試驗(yàn)軌跡在誤差允許范圍內(nèi)保持一致，驗(yàn)證了移栽機(jī)構(gòu)設(shè)計(jì)的一致性與正確性，性能試驗(yàn)結(jié)果：取苗成功率為94%，移栽成功率為92.36%，栽植株距變異系數(shù)為2.67%，滿(mǎn)足移栽作業(yè)要求，驗(yàn)證了水稻缽苗膜上移栽機(jī)構(gòu)設(shè)計(jì)的合理性與可行性。

Abstract:

針對(duì)目前工廠(chǎng)化育秧育苗田間鋪盤(pán)自動(dòng)化程度低、成本高等問(wèn)題，設(shè)計(jì)了一種全自動(dòng)雙邊軌道式田間鋪盤(pán)裝置，并配備苗床異常凸起視覺(jué)檢測(cè)模塊。首先對(duì)鋪盤(pán)結(jié)構(gòu)工作原理進(jìn)行分析，之后對(duì)鋪盤(pán)裝置滿(mǎn)載作業(yè)狀況進(jìn)行結(jié)構(gòu)設(shè)計(jì)、受力分析和仿真分析。為了防止苗床異常凸起導(dǎo)致鋪盤(pán)時(shí)秧盤(pán)傾斜，影響煉苗成活率，提出了一種基于CBAM-YOLO v5n的苗床異常凸起目標(biāo)識(shí)別算法，改進(jìn)后的YOLO v5n算法添加了注意力機(jī)制，對(duì)苗床異常凸起目標(biāo)檢測(cè)準(zhǔn)確率、召回率和平均精度均值分別為98.1%、91.7%和94.9%，相對(duì)于原模型分別提高1.2、1.7、0.9個(gè)百分點(diǎn)。對(duì)設(shè)計(jì)的鋪盤(pán)樣機(jī)進(jìn)行了正交試驗(yàn)，試驗(yàn)結(jié)果表明，當(dāng)鋪盤(pán)高度為90mm、鋪盤(pán)機(jī)構(gòu)轉(zhuǎn)速為550r/min、鋪盤(pán)箱平移速度為0.14m/s時(shí)，鋪盤(pán)成功率最高為96.4%，植入機(jī)器視覺(jué)模塊后，鋪盤(pán)成功率可達(dá)99.3%。設(shè)計(jì)的鋪盤(pán)裝置可有效降低人工鋪盤(pán)勞動(dòng)強(qiáng)度，降低鋪盤(pán)勞動(dòng)成本。

Abstract:

針對(duì)目前農(nóng)業(yè)機(jī)器人在全局路徑規(guī)劃過(guò)程中存在規(guī)劃效率低、規(guī)劃路徑折線(xiàn)段多、折線(xiàn)角度大、作業(yè)不穩(wěn)定等問(wèn)題，以果園履帶機(jī)器人為運(yùn)動(dòng)學(xué)模型，提出一種基于改進(jìn)A*算法+低階多段貝塞爾曲線(xiàn)拼接（Low-order multi-segment Bezier curve splicing，LM-BZS）算法的路徑規(guī)劃方法。首先，根據(jù)先驗(yàn)地圖獲取果園環(huán)境信息，將果樹(shù)和障礙物視作不可通行區(qū)域，并結(jié)合機(jī)器人本體尺寸，對(duì)不可通行區(qū)域進(jìn)行膨脹擬合處理；然后，利用改進(jìn)A*算法搜索路徑，對(duì)初步生成路徑進(jìn)行樹(shù)行節(jié)點(diǎn)調(diào)整；最后，采用LM-BZS算法對(duì)調(diào)整后的路徑點(diǎn)進(jìn)行優(yōu)化處理，生成符合果園履帶機(jī)器人作業(yè)要求的行駛路徑。仿真試驗(yàn)結(jié)果表明，相較于傳統(tǒng)A*算法，本文所提出的改進(jìn)算法在無(wú)障礙和有障礙環(huán)境中，路徑規(guī)劃時(shí)間分別減少76.75%、86.40%，節(jié)點(diǎn)評(píng)估數(shù)量分別減少36.68%、39.37%；經(jīng)LM-BZS算法優(yōu)化所得路徑在無(wú)障礙環(huán)境中，相較于傳統(tǒng)A*算法和高階貝塞爾算法，平均曲率分別降低45.81%、18.94%；在有障礙環(huán)境中平均曲率分別降低56.98%、27.81%。場(chǎng)地試驗(yàn)結(jié)果表明，果園履帶機(jī)器人在對(duì)本文算法生成路徑進(jìn)行跟蹤行駛時(shí)，在無(wú)障礙和有障礙環(huán)境中，最大橫向誤差分別為0.428、0.491m，平均橫向誤差分別為0.232、0.276m，平均航向偏差分別為11.06°、13.76°，符合果園履帶機(jī)器人自主行駛條件。

Abstract:

針對(duì)我國(guó)雙低油菜“油蔬兩用”多功能開(kāi)發(fā)與利用過(guò)程中，油菜薹人工收獲效率低、成本高且機(jī)械化收獲技術(shù)與裝備缺乏等問(wèn)題，提出了集低茬雙動(dòng)切割、柔性?shī)A持輸送、拋送鋪放、橫向輸送、集箱等環(huán)節(jié)的油菜薹機(jī)械化對(duì)行收獲工藝方案，并在分析油菜薹種植農(nóng)藝與機(jī)械化收獲要求的基礎(chǔ)上，設(shè)計(jì)了油菜薹對(duì)行自走式收獲機(jī)。闡述了整機(jī)結(jié)構(gòu)與工作原理，開(kāi)展了切割裝置、夾持輸送裝置、橫向輸送裝置等關(guān)鍵部件結(jié)構(gòu)設(shè)計(jì)與理論分析，結(jié)合油菜薹沿輸送路徑遷移的幾何與運(yùn)動(dòng)學(xué)條件確定了收獲機(jī)主要結(jié)構(gòu)參數(shù)與工作參數(shù)。田間試驗(yàn)結(jié)果表明，當(dāng)?shù)稒C(jī)速比系數(shù)為0.8、夾持輸送速度為0.37m/s、橫向輸送速度為0.5m/s時(shí)，收獲作業(yè)過(guò)程中無(wú)漏割，夾持輸送成功率為93.69%、作業(yè)損傷率為7.4%、作業(yè)生產(chǎn)率達(dá)0.17hm2/h，收獲機(jī)各關(guān)鍵部件運(yùn)行較穩(wěn)定，可一次性實(shí)現(xiàn)切割、夾持輸送、橫向輸送、集箱等工序，各項(xiàng)性能指標(biāo)滿(mǎn)足油菜薹機(jī)械化收獲作業(yè)要求。

Abstract:

針對(duì)瓶栽鹿茸菇工廠(chǎng)化采收裝備缺失的問(wèn)題，提出了一種“輸-定-切-夾”采收工藝，并設(shè)計(jì)了相應(yīng)的自動(dòng)采收裝置，闡述了裝置總體結(jié)構(gòu)及工作原理，確定了整機(jī)作業(yè)流程。通過(guò)對(duì)栽培筐輸送過(guò)程運(yùn)動(dòng)學(xué)與力學(xué)分析，確定了導(dǎo)流條安裝角及輸送輥筒參數(shù)；基于A(yíng)NSYS LS-DYNA對(duì)切割過(guò)程進(jìn)行了仿真分析，以切割速度、進(jìn)給速度、帶鋸條前角及齒距為試驗(yàn)因素，以切割反作用力為響應(yīng)指標(biāo)，通過(guò)響應(yīng)面法進(jìn)行了切割性能建模和優(yōu)化。結(jié)合物理試驗(yàn)確定了最優(yōu)參數(shù)組合：切割速度為6.49m/min、進(jìn)給速度為0.12m/min、前角為25°、齒距為7mm；采用ABAQUS軟件對(duì)柔性手指彎曲過(guò)程進(jìn)行了仿真，結(jié)合物理試驗(yàn)確定了柔性手指最優(yōu)結(jié)構(gòu)參數(shù)為：氣腔厚度2mm、氣腔7個(gè)、氣壓25kPa、限制層厚度3mm。整機(jī)試驗(yàn)表明，裝置運(yùn)行平穩(wěn)，采收作業(yè)效果良好，平均采凈率、平均損失率和平均損傷率分別為98.18%、3.66%和2.75%，滿(mǎn)足瓶栽鹿茸菇實(shí)際采收要求。

Abstract:

針對(duì)傳統(tǒng)三七莖葉采收機(jī)切割刀片在滑切減阻、刀片刃口鋒利性等方面存在明顯不足，以切葉蟻上顎結(jié)構(gòu)特征為仿生原型，運(yùn)用逆向工程技術(shù)，提取切葉蟻上顎輪廓曲線(xiàn)，分別基于切葉蟻的切齒齒頂尖銳端和上顎輪廓曲線(xiàn)設(shè)計(jì)了A、B兩種不同的仿生切割刀片；開(kāi)展了EDEM仿真與臺(tái)架對(duì)比試驗(yàn)，仿真試驗(yàn)結(jié)果表明，仿生刀片A、B相較于傳統(tǒng)刀片的平均最大剪切力分別降低7.74%和3.07%；臺(tái)架試驗(yàn)結(jié)果表明，仿生刀片A、B相較于傳統(tǒng)刀片的平均最大剪切力分別降低8.84%和2.53%，并且仿生刀片A、B在提高三七莖稈橫切面平整度方面效果顯著；3種刀片仿真試驗(yàn)與臺(tái)架試驗(yàn)所測(cè)得的最大剪切力誤差均不大于3.64%，仿真試驗(yàn)結(jié)果與實(shí)際試驗(yàn)結(jié)果基本一致。以刀型、切割傾角、切割速度為試驗(yàn)因素，開(kāi)展正交試驗(yàn)，確定了較優(yōu)參數(shù)組合為仿生刀片A、切割傾角0°、切割速度400mm/min。基于較優(yōu)參數(shù)組合開(kāi)展田間試驗(yàn)，結(jié)果顯示其對(duì)三七莖葉采收平均完整率為97.37%，較傳統(tǒng)刀片提升2.01個(gè)百分點(diǎn)，平均漏割率為2.64%，較傳統(tǒng)刀片降低1.46個(gè)百分點(diǎn)，表明以切葉蟻上顎切齒齒頂尖銳端為特征點(diǎn)設(shè)計(jì)的仿生刀片能夠有效提升三七采收機(jī)作業(yè)性能。

Abstract:

傳統(tǒng)臥旋式清秸裝置動(dòng)土量較大，且濕黏土壤拋起時(shí)易黏附在機(jī)器上，導(dǎo)致作業(yè)質(zhì)量下降、油耗增加，影響裝置作業(yè)穩(wěn)定性，針對(duì)這一問(wèn)題，設(shè)計(jì)一種立旋式定角度清秸機(jī)，通過(guò)結(jié)構(gòu)設(shè)計(jì)與分析實(shí)現(xiàn)清秸刀齒恒定角度作業(yè)，避免秸稈二次帶回種床，通過(guò)對(duì)清秸刀齒切土跡距分析確定裝置關(guān)鍵結(jié)構(gòu)參數(shù)，應(yīng)用三因素三水平正交試驗(yàn)方法，以作業(yè)速度、跡距系數(shù)和入土深度為試驗(yàn)因素，清秸率和單位面積作業(yè)功耗為試驗(yàn)評(píng)價(jià)指標(biāo)，對(duì)影響清秸機(jī)作業(yè)性能的相關(guān)參數(shù)進(jìn)行試驗(yàn)與優(yōu)化。試驗(yàn)結(jié)果表明，當(dāng)參數(shù)組合為作業(yè)速度4~8km/h、跡距系數(shù)2和入土深度10mm時(shí)，清秸率不小于89.7%、單位面積作業(yè)功耗不大于1.84W·h/m2，整個(gè)作業(yè)過(guò)程均未發(fā)生土壤黏附現(xiàn)象。研究結(jié)果可突破濕黏土壤環(huán)境下播種裝備作業(yè)局限，為稻麥輪作全程機(jī)械化提供技術(shù)支撐。

Abstract:

為解決海南省香蕉秸稈粉碎機(jī)作業(yè)過(guò)程中粉碎效果差和拋撒不均勻等問(wèn)題，設(shè)計(jì)了一款具有良好秸稈粉碎性能的仿生鋸齒粉碎尖刀還田機(jī)。將仿生學(xué)原理應(yīng)用到粉碎刀片設(shè)計(jì)中，仿藍(lán)鯊牙齒鋸齒輪廓設(shè)計(jì)了一款仿生鋸齒粉碎尖刀，通過(guò)仿真驗(yàn)證了仿生鋸齒尖刀對(duì)香蕉秸稈的切割能力，并設(shè)計(jì)了仿生鋸齒尖刀與傳統(tǒng)粉碎刀混合使用，制定了試驗(yàn)方案并進(jìn)行整機(jī)仿真與田間試驗(yàn)。利用Fluent軟件研究了香蕉秸稈粉碎還田機(jī)作業(yè)過(guò)程中粉碎刀軸轉(zhuǎn)速、粉碎室離地高度和粉碎刀刀尖與機(jī)殼距離等參數(shù)對(duì)粉碎室內(nèi)不同位置的壓力場(chǎng)、速度場(chǎng)的影響。仿真結(jié)果表明，當(dāng)?shù)遁S轉(zhuǎn)速為2000r/min時(shí)，粉碎室喂入特性最佳；粉碎室離地高度越大，秸稈喂入特性越好，但過(guò)高或過(guò)低的離地高度會(huì)導(dǎo)致粉碎室內(nèi)秸稈流動(dòng)性降低；增加粉碎刀刀尖與機(jī)殼間隙會(huì)導(dǎo)致秸稈拋撒情況產(chǎn)生不良影響。仿真試驗(yàn)和田間試驗(yàn)結(jié)果表明，仿生鋸齒尖刀與傳統(tǒng)粉碎刀混合使用，可在保證秸稈撿拾能力同時(shí)，提高整機(jī)粉碎合格率和拋撒均勻度。

Abstract:

由于傳統(tǒng)淡水魚(yú)池塘養(yǎng)殖存在廢物過(guò)量堆積、水體污染嚴(yán)重等問(wèn)題，以及中國(guó)對(duì)水產(chǎn)品需求的增加，工廠(chǎng)化循環(huán)水養(yǎng)殖、集裝箱、圈養(yǎng)模式等高質(zhì)量、高產(chǎn)量、集約化的新型淡水魚(yú)養(yǎng)殖模式逐漸得到應(yīng)用。針對(duì)新型淡水魚(yú)養(yǎng)殖模式存在投飼勞動(dòng)強(qiáng)度大、自動(dòng)化程度低等問(wèn)題，設(shè)計(jì)了一款氣送式自動(dòng)投飼系統(tǒng)，實(shí)現(xiàn)了定向、定時(shí)和定量投飼功能。設(shè)計(jì)了特定的四通裝置和三通裝置以保證飼料的定向輸送；基于計(jì)算流體力學(xué)和離散單元法（Computational fluid dynamics-Discrete element method，CFD-DEM）耦合技術(shù)，初步確定了滿(mǎn)足投飼要求的投飼速度并由此確定了風(fēng)機(jī)型號(hào)；開(kāi)發(fā)了以Arduino Mega 2560單片機(jī)為核心處理器的投飼控制系統(tǒng)，通過(guò)時(shí)鐘模塊實(shí)時(shí)獲取當(dāng)前時(shí)間信息，通過(guò)稱(chēng)量傳感器實(shí)時(shí)獲取料倉(cāng)內(nèi)物料質(zhì)量信息，通過(guò)藍(lán)牙傳輸預(yù)計(jì)投飼區(qū)域、投飼時(shí)間和投飼質(zhì)量，從而實(shí)現(xiàn)定向定時(shí)定量投飼；最后試制樣機(jī)并進(jìn)行了性能試驗(yàn)，兩種工況下投飼的實(shí)際投飼距離與仿真結(jié)果誤差分別為5.74%和9.54%，定向、定時(shí)和定量投飼可以準(zhǔn)確實(shí)現(xiàn)，控制系統(tǒng)響應(yīng)時(shí)間小于1s，定量投飼最大誤差為5.37%。研究結(jié)果表明，自動(dòng)投飼系統(tǒng)結(jié)構(gòu)可靠、控制系統(tǒng)精度較高，滿(mǎn)足自動(dòng)投飼要求。

Abstract:

針對(duì)目前旱地蔬菜缽苗移栽機(jī)大多適用于大株距（大于260mm）移栽且投接苗與栽植位置作業(yè)高度差大、移栽性能不佳等問(wèn)題，本文提出一種高接低栽式差速變姿態(tài)行星輪系栽植機(jī)構(gòu)。根據(jù)中小株距蔬菜缽苗移栽農(nóng)藝指導(dǎo)與機(jī)構(gòu)設(shè)計(jì)要求，解析雙行星架差速行星輪系栽植機(jī)構(gòu)工作原理并建立其運(yùn)動(dòng)學(xué)理論模型；結(jié)合所提出優(yōu)化目標(biāo)構(gòu)建目標(biāo)函數(shù)，開(kāi)發(fā)了基于Matlab GUI的栽植機(jī)構(gòu)計(jì)算機(jī)輔助分析優(yōu)化設(shè)計(jì)軟件，通過(guò)人機(jī)交互方式獲得1組較優(yōu)的機(jī)構(gòu)設(shè)計(jì)參數(shù)組合。通過(guò)三維建模與裝配以及ADAMS軟件虛擬仿真，初步驗(yàn)證了機(jī)構(gòu)正確性與合理性。開(kāi)展栽植機(jī)構(gòu)物理樣機(jī)試制與試驗(yàn)臺(tái)架系統(tǒng)開(kāi)發(fā)研究，通過(guò)空轉(zhuǎn)試驗(yàn)測(cè)試，驗(yàn)證了栽植機(jī)構(gòu)實(shí)際作業(yè)軌跡、姿態(tài)與虛擬仿真及理論設(shè)計(jì)的一致性；開(kāi)展栽植機(jī)構(gòu)接苗與栽植性能試驗(yàn)，試驗(yàn)結(jié)果表明，栽植機(jī)構(gòu)在接苗與栽植各項(xiàng)試驗(yàn)指標(biāo)均較為優(yōu)秀，能夠滿(mǎn)足栽植機(jī)構(gòu)預(yù)期設(shè)計(jì)要求與旱地移栽機(jī)械標(biāo)準(zhǔn)，驗(yàn)證了該機(jī)構(gòu)的可行性與實(shí)用性。

Abstract:

全貫流泵是一種新型的機(jī)電-水泵一體式貫流泵，然而其在運(yùn)行時(shí)存在定轉(zhuǎn)子間隙回流，擾亂了葉輪內(nèi)的流場(chǎng)分布，導(dǎo)致泵裝置產(chǎn)生能量損失、壓力波動(dòng)和噪聲等問(wèn)題，影響泵站的正常運(yùn)行。通過(guò)數(shù)值模擬和模型試驗(yàn)研究全貫流泵裝置定轉(zhuǎn)子間隙流的水力特性，結(jié)合Doehlert Matrix設(shè)計(jì)-響應(yīng)面優(yōu)化法對(duì)其定轉(zhuǎn)子進(jìn)、出流間隙結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)計(jì)，揭示全貫流泵裝置定轉(zhuǎn)子進(jìn)、出流間隙結(jié)構(gòu)對(duì)泵裝置性能的影響機(jī)理，并得到最終優(yōu)化的折角式定轉(zhuǎn)子進(jìn)、出流間隙結(jié)構(gòu)方案為：外側(cè)延伸段長(zhǎng)度t1為4.921r，外側(cè)收縮段長(zhǎng)度x1為0.624r，內(nèi)側(cè)延伸段長(zhǎng)度t2為3.655r，內(nèi)側(cè)收縮段長(zhǎng)度x2為1.6r（r為定轉(zhuǎn)子間隙寬度），使得全貫流泵裝置揚(yáng)程和效率分別提升約10.3%和5.2%。

Abstract:

作物遙感識(shí)別主要基于監(jiān)督分類(lèi)方法，對(duì)樣本的數(shù)量、分布要求較高，而農(nóng)作物樣本目視解譯困難。為提高已采集樣本的利用率，同時(shí)降低精細(xì)分類(lèi)中對(duì)樣本的依賴(lài)，本文將遷移學(xué)習(xí)與非監(jiān)督分類(lèi)方法相結(jié)合，在源域內(nèi)構(gòu)建特征工程，包括：BLUE、GREEN、RED、EDGE1、EDGE2、EDGE3、NIR、SWIR 8個(gè)原始光譜波段，以及NDVI、EVI、RVI、GNDVI、TVI、DVI、MSAVI、GCVI、RNDVI、NDRE、RRI1、RRI2、MSRRE、CLRE、IRECI、LSWI、GCI、SIPI 18個(gè)植被指數(shù)，提取出最能表征制種玉米與大田玉米冠層光譜差異，且在不同的源域內(nèi)制種玉米之間差異最小的特征，將其作為先驗(yàn)知識(shí)用于目標(biāo)域的分類(lèi)任務(wù)中，再基于K-means進(jìn)行制種玉米識(shí)別和制圖。結(jié)果表明，在眾多特征中，近紅外原始波段表現(xiàn)出最強(qiáng)的優(yōu)勢(shì)，且在制種玉米母本去雄期后表征效果最好。計(jì)算此時(shí)間段內(nèi)NIR的線(xiàn)性回歸斜率作為特征，相較于直接基于NIR原始波段特征分類(lèi)精度有所提升。利用K-means方法對(duì)2019年、2020年石河子市和奎屯市的制種玉米分類(lèi)，2個(gè)目標(biāo)域制種玉米2019年F1值分別為74.35%和64.97%，2020年F1值分別為72.50%和75.69%。本方法通過(guò)提取先驗(yàn)知識(shí)，引入非監(jiān)督分類(lèi)器，有效提高了樣本利用率。通過(guò)提取波段回歸斜率作為特征為原始波段的特征增強(qiáng)提供了思路，同時(shí)也為無(wú)樣本場(chǎng)景下農(nóng)作物精細(xì)分類(lèi)繪圖提供了方法。

Abstract:

作物精準(zhǔn)遙感制圖對(duì)于農(nóng)業(yè)資源調(diào)查與管理具有重要意義。深度學(xué)習(xí)為實(shí)現(xiàn)精準(zhǔn)高效作物制圖提供了技術(shù)支持。為了緩解深度學(xué)習(xí)對(duì)標(biāo)記樣本的依賴(lài)，本文提出了一種改進(jìn)AdvSemiSeg的半監(jiān)督遙感影像作物制圖方法。所提方法引入STMF-DeepLabv3+作為對(duì)抗學(xué)習(xí)中的生成網(wǎng)絡(luò)，通過(guò)Swin Transformer（ST）和多尺度特征融合（Multi-scale fusion，MF）模塊提高生成網(wǎng)絡(luò)特征編碼能力和語(yǔ)義表達(dá)能力，改善遙感影像作物分割效果；此外，在判別網(wǎng)絡(luò)中引入通道注意力（Efficient channel attention，ECA）模塊，對(duì)不同通道特征圖的表征信息進(jìn)行自適應(yīng)學(xué)習(xí)，增強(qiáng)判別網(wǎng)絡(luò)對(duì)不同通道特征的感知能力。模型訓(xùn)練過(guò)程中，判別網(wǎng)絡(luò)為生成網(wǎng)絡(luò)提供高質(zhì)量的偽標(biāo)簽和對(duì)抗損失，有效提高生成網(wǎng)絡(luò)的泛化能力。采用所提方法與幾種先進(jìn)的半監(jiān)督語(yǔ)義分割方法對(duì)內(nèi)蒙古河套灌區(qū)遙感影像種植信息進(jìn)行提取，本文方法性能最優(yōu)。

Abstract:

精準(zhǔn)且高效地估算區(qū)域內(nèi)的玉米葉面積指數(shù)（LAI），對(duì)于田間管理決策、地物產(chǎn)量預(yù)測(cè)以及實(shí)施精準(zhǔn)農(nóng)業(yè)具有至關(guān)重要的意義。針對(duì)多尺度、大范圍遙感反演中存在的尺度效應(yīng)、精度低、普適性差等問(wèn)題，本文以張掖市民樂(lè)縣青貯玉米實(shí)驗(yàn)田為研究區(qū)，選取青貯玉米為研究對(duì)象，基于Landsat-8高光譜和Modis多光譜遙感影像，并結(jié)合地面實(shí)測(cè)數(shù)據(jù)。通過(guò)對(duì)PROSAIL模型的輸入?yún)?shù)進(jìn)行局部和全局敏感性分析，構(gòu)建出青貯玉米在多個(gè)生育期內(nèi)的冠層反射率-LAI的查找表和最小尋優(yōu)代價(jià)函數(shù)的反演策略，確定研究區(qū)域的最佳LAI反演模型，并利用青貯玉米不同生育期內(nèi)的實(shí)測(cè)值完成了反演結(jié)果的精度驗(yàn)證及線(xiàn)性擬合。結(jié)果表明：LAI反演結(jié)果總體較好，擬合精度較高，與實(shí)測(cè)值之間有較強(qiáng)的相關(guān)性，拔節(jié)期、抽雄期、成熟期最優(yōu)決定系數(shù)R2分別為0.85、0.91、0.90；均方根誤差（RMSE）分別為0.35、0.58、0.51。因此，基于多源高光譜遙感數(shù)據(jù)結(jié)合PROSAIL模型的反演策略可為作物參數(shù)反演提供新的科學(xué)依據(jù)和方法。

Abstract:

為實(shí)現(xiàn)春玉米長(zhǎng)勢(shì)的快速監(jiān)測(cè)，實(shí)時(shí)掌握田間作物的生長(zhǎng)狀況，本文以新疆維吾爾自治區(qū)克拉瑪依地區(qū)種植的春玉米作為研究對(duì)象，利用無(wú)人機(jī)多光譜影像對(duì)春玉米進(jìn)行長(zhǎng)勢(shì)監(jiān)測(cè)?；诘孛娌杉拇河衩兹~片葉綠素含量、葉面積指數(shù)、地上部生物量和株高等數(shù)據(jù)，結(jié)合熵權(quán)法（EWM）和模糊綜合評(píng)價(jià)法（FCE）建立綜合長(zhǎng)勢(shì)指標(biāo)CGMIEWM和CGMIFCE。通過(guò)無(wú)人機(jī)遙感影像數(shù)據(jù)構(gòu)建光譜指數(shù)，并利用皮爾遜相關(guān)性分析法和方差膨脹因子確定模型最佳輸入變量。采用偏最小二乘法（PLS）、隨機(jī)森林回歸（RF）及粒子群算法（PSO）優(yōu)化RF模型建立春玉米長(zhǎng)勢(shì)反演模型，結(jié)合模型精度評(píng)價(jià)指標(biāo)，最終確定春玉米空間影像長(zhǎng)勢(shì)分布圖。結(jié)果表明，以CGMIEWM和CGMIFCE構(gòu)建綜合長(zhǎng)勢(shì)指標(biāo)的相關(guān)性均高于單一長(zhǎng)勢(shì)指標(biāo)的相關(guān)性；利用CGMIFCE長(zhǎng)勢(shì)指標(biāo)結(jié)合PSO-RF模型反演春玉米長(zhǎng)勢(shì)的效果最優(yōu)，其決定系數(shù)（R2）為0.823，均方根誤差（RMSE）為0.084%，相對(duì)分析誤差（RPD）為2.345；研究區(qū)春玉米長(zhǎng)勢(shì)集中在生長(zhǎng)正常（ZZ）等級(jí)，說(shuō)明全區(qū)春玉米長(zhǎng)勢(shì)較為穩(wěn)定。研究結(jié)果可為春玉米的田間管理提供科學(xué)依據(jù)。

Abstract:

在中低分辨率遙感衛(wèi)星影像上，植被識(shí)別受數(shù)據(jù)獲取條件和不同生長(zhǎng)期等因素的影響，會(huì)存在端元光譜變異現(xiàn)象，導(dǎo)致植被解混誤差較大。提出了一種顧及端元光譜變異性的最佳距離遺傳算法(IIDGA)，通過(guò)自動(dòng)特征選擇方法減小端元類(lèi)內(nèi)差異，增大類(lèi)間差異，構(gòu)建適用于中等分辨率影像的植被解混最優(yōu)特征空間，提高Landsat影像的植被識(shí)別精度。通過(guò)比較傳統(tǒng)波段組合、光譜和紋理特征全集與IIDGA優(yōu)選特征的線(xiàn)性解混模型效果，驗(yàn)證了最優(yōu)特征選擇的重要性。結(jié)果顯示，特征選擇有助于提升解混精度（IIDGA的均方根誤差最低，為0.180）；同時(shí)，通過(guò)比較基于IID指數(shù)的Filter算法、基于標(biāo)準(zhǔn)GA的Wrapper算法和IIDGA在最優(yōu)特征自動(dòng)選取方面的性能，證實(shí)了IIDGA在平衡精度與效率方面的優(yōu)勢(shì)。

Abstract:

針對(duì)自然環(huán)境下水稻病害識(shí)別準(zhǔn)確度易受復(fù)雜背景干擾、病害類(lèi)間差異小難以準(zhǔn)確識(shí)別等問(wèn)題，以提高水稻病害識(shí)別精度并進(jìn)行模型的有效輕量化為前提，提出了一種水稻病害識(shí)別網(wǎng)絡(luò)模型(RiceDiseaseNet, RDN-YOLO)。以YOLO v5為基本框架，在主干網(wǎng)絡(luò)的特征提取階段嵌入跨階段部分網(wǎng)絡(luò)融合模塊(C2f)，增強(qiáng)模型對(duì)病害特征的感知能力，并引入空間深度轉(zhuǎn)換卷積(SPDConv)，擴(kuò)展模型的感受野，進(jìn)一步提升模型對(duì)小病斑特征提取能力；在頸部網(wǎng)絡(luò)嵌入SPDConv結(jié)構(gòu)，并利用輕量級(jí)卷積GsConv替換部分標(biāo)準(zhǔn)卷積，提高頸部網(wǎng)絡(luò)對(duì)病害部位的定位和類(lèi)別信息預(yù)測(cè)的準(zhǔn)確性及推理速度；以穗瘟病、葉瘟病、胡麻斑病、稻曲病和白枯病5種常見(jiàn)水稻病害為研究對(duì)象，在自然環(huán)境下采集水稻病害圖像，制作水稻病害數(shù)據(jù)集，進(jìn)行模型訓(xùn)練與測(cè)試。實(shí)驗(yàn)結(jié)果表明，本文模型病害檢測(cè)精確率高達(dá)94.2%，平均精度均值達(dá)93.5%，模型參數(shù)量為8.1MB；與YOLO v5、Faster R-CNN、YOLO v7、YOLO v8模型相比，模型參數(shù)量略大于YOLO v5，但平均精度均值最高約高12.2個(gè)百分點(diǎn)，在一定程度上減輕模型復(fù)雜度的同時(shí)獲得良好的水稻病害識(shí)別效果。

Abstract:

元素含量無(wú)損檢測(cè)技術(shù)可以為植物生長(zhǎng)發(fā)育的環(huán)境精準(zhǔn)調(diào)控提供關(guān)鍵實(shí)時(shí)數(shù)據(jù)。以西瓜苗為例，提出了一種基于圖譜特征融合的氮磷鉀含量深度學(xué)習(xí)檢測(cè)方法。首先，使用高光譜儀拍攝西瓜苗葉片的高光譜圖像，使用連續(xù)流動(dòng)化學(xué)分析儀測(cè)定葉片的3種元素含量。然后，采用基線(xiàn)偏移校正（BOC）疊加高斯平滑濾波（GF）的光譜預(yù)處理方法和隨機(jī)森林算法（RF）建立預(yù)測(cè)模型，基于競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣（CARS）和連續(xù)投影算法（SPA） 2種算法初步篩選出特征波長(zhǎng)，再綜合考慮波長(zhǎng)數(shù)和建模精度設(shè)計(jì)了一種最優(yōu)波長(zhǎng)評(píng)價(jià)方法，將波長(zhǎng)數(shù)進(jìn)一步減少到3~4個(gè)。最后，提取使用U-Net網(wǎng)絡(luò)分割的彩色圖像顏色和紋理特征，和光譜反射率特征一起作為輸入，基于自注意力機(jī)制-雙向長(zhǎng)短時(shí)記憶（Self-Attention-BiLSTM）網(wǎng)絡(luò)構(gòu)建了3種元素含量的預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明，氮磷鉀含量預(yù)測(cè)的R2分別為0.961、0.954、0.958，RMSE分別為0.294%、0.262%、0.196%，實(shí)現(xiàn)了很好的建模效果。使用該模型對(duì)另2個(gè)品種西瓜進(jìn)行測(cè)試，R2超過(guò)0.899、RMSE小于0.498%，表明該模型具有很好的泛化性。該高光譜建模方法使用少量波長(zhǎng)光譜即實(shí)現(xiàn)了高精度檢測(cè)，在精度和效率上達(dá)成了很好的平衡，為后續(xù)便攜式高光譜檢測(cè)裝備開(kāi)發(fā)奠定了理論基礎(chǔ)。

Abstract:

玉米籽粒破碎率和含雜率是評(píng)價(jià)玉米收獲質(zhì)量的關(guān)鍵指標(biāo)。針對(duì)當(dāng)前玉米籽粒直收機(jī)缺少適用于復(fù)雜田間作業(yè)環(huán)境的收獲質(zhì)量在線(xiàn)檢測(cè)方法的問(wèn)題，提出一種適用于小目標(biāo)、多數(shù)量檢測(cè)目標(biāo)的玉米籽粒破碎率、含雜率輕量化檢測(cè)方法。首先，根據(jù)圖像中完整籽粒、破碎籽粒、玉米芯和玉米葉個(gè)體數(shù)量與個(gè)體質(zhì)量的關(guān)系建立數(shù)量-質(zhì)量回歸模型，提出了籽粒破碎率和含雜率評(píng)估方法。其次，針對(duì)籽粒及雜質(zhì)大小相近，檢測(cè)物數(shù)量多，檢測(cè)物面積小的特點(diǎn)，提出一種改進(jìn)的FSLYOLO v8n算法。算法通過(guò)FasterBlock模塊和無(wú)參數(shù)注意力機(jī)制SimAM改進(jìn)主干網(wǎng)絡(luò)結(jié)構(gòu)，并通過(guò)使用共享卷積結(jié)合Scale模塊對(duì)檢測(cè)頭進(jìn)行改進(jìn)。此外，使用SlidLoss函數(shù)替代YOLO v8n的原類(lèi)別分類(lèi)損失函數(shù)。FSLYOLO v8n模型的mAP@50為97.46%、幀速率為186.4f/s，與YOLO v8n相比提高6.35%和45f/s，且網(wǎng)絡(luò)參數(shù)量、浮點(diǎn)運(yùn)算量分別壓縮到Y(jié)OLO v8n的66.50%、64.63%，模型內(nèi)存占用量?jī)H為4.0MB，其性能優(yōu)于目前常用的輕量化模型。臺(tái)架試驗(yàn)結(jié)果表明，提出的檢測(cè)方法能夠精準(zhǔn)檢測(cè)玉米籽粒破碎和含雜情況，檢測(cè)準(zhǔn)確率高達(dá)95.33%和96.15%。將改進(jìn)后的模型部署在Jetson TX2開(kāi)發(fā)板上，配合檢測(cè)裝置安裝到玉米聯(lián)合收獲機(jī)上開(kāi)展田間試驗(yàn)，結(jié)果表明，模型能夠精準(zhǔn)區(qū)分籽粒和雜質(zhì)，滿(mǎn)足田間工作需求。

Abstract:

自然光照下陰影會(huì)降低采摘機(jī)器人視覺(jué)系統(tǒng)對(duì)蘋(píng)果目標(biāo)的準(zhǔn)確感知能力，導(dǎo)致采摘效率低。本研究采用EnlightenGAN算法進(jìn)行圖像增強(qiáng)，以實(shí)現(xiàn)陰影的去除和蘋(píng)果目標(biāo)檢測(cè)精度的提升。首先通過(guò)圖像光照歸一化處理得到自正則化注意力圖，達(dá)到圖像陰影檢測(cè)的目的，再采用注意力引導(dǎo)的U-Net作為生成器骨干網(wǎng)絡(luò)得到增強(qiáng)后的圖像，然后通過(guò)全局-局部判別器來(lái)比對(duì)圖像信息，最終在生成器和判別器的對(duì)抗中達(dá)到圖像質(zhì)量增強(qiáng)的效果。為了進(jìn)一步檢驗(yàn)該方法的陰影去除效果，分別采用EnlightenGAN、Zero_DCE、Adaptive_GAMMA、RUAS等算法在MinneApple公共數(shù)據(jù)集上進(jìn)行試驗(yàn)驗(yàn)證。結(jié)果表明，EnlightenGAN算法均方誤差較Zero_DCE、Adaptive_GAMMA、RUAS算法分別降低19.21%、59.47%、67.42%，峰值信噪比增加6.26%、34.55%、47.27%，結(jié)構(gòu)相似度提高2.99%、23.21%、68.29%。同時(shí)，在對(duì)果園拍攝的蘋(píng)果圖像進(jìn)行標(biāo)注后，將其送入YOLO v5m目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行蘋(píng)果檢測(cè)訓(xùn)練。并對(duì)EnlightenGAN算法增強(qiáng)前后的蘋(píng)果圖像進(jìn)行了測(cè)試，圖像增強(qiáng)前后檢測(cè)精確率分別為97.38%、98.37%，召回率分別為74.74%、91.37%，F(xiàn)1值分別為84%、94%，精確率、召回率和F1值分別提升1.02%、22.25%、11.90%。為證明模型有效性，對(duì)不同數(shù)據(jù)集進(jìn)行了試驗(yàn)，結(jié)果表明EnlightenGAN算法增強(qiáng)后的目標(biāo)檢測(cè)精確率、召回率和F1值較無(wú)增強(qiáng)算法及Zero_DCE、Adaptive_GAMMA、RUAS算法有顯著提升。由此可知，將EnlightenGAN算法應(yīng)用于蘋(píng)果采摘機(jī)器人的視覺(jué)系統(tǒng)，可以有效克服果園圖像光照不均以及存在陰影的影響，提升果實(shí)目標(biāo)檢測(cè)性能。該研究可為自然條件下復(fù)雜光照環(huán)境中的果實(shí)檢測(cè)提供借鑒。

Abstract:

針對(duì)自然環(huán)境下柑橘果實(shí)機(jī)械化采收作業(yè)環(huán)境復(fù)雜和果實(shí)狀態(tài)多樣等情況，提出了一種多通道信息融合網(wǎng)絡(luò)——YOLO v5-citrus，以解決柑橘果實(shí)識(shí)別精準(zhǔn)度低、果實(shí)分類(lèi)模糊和定位精準(zhǔn)度低等難題。將不同的柑橘目標(biāo)通過(guò)不同遮擋條件分為“可采摘”和“難采摘”兩類(lèi)，這種分類(lèi)策略可指導(dǎo)機(jī)器人在真實(shí)果園中順序摘取，提高采摘效率并減少機(jī)器人本體和末端執(zhí)行器損壞率。YOLO v5-citrus中，在頸部網(wǎng)絡(luò)插入多通道信息融合模塊，對(duì)柑橘的深淺特征信息進(jìn)行處理，提高柑橘采摘狀態(tài)識(shí)別精度，同時(shí)修改頸部網(wǎng)絡(luò)拼接方法，針對(duì)目標(biāo)柑橘大小進(jìn)行識(shí)別，訓(xùn)練后在識(shí)別部分嵌入聚類(lèi)算法模塊，將訓(xùn)練部分識(shí)別模糊的柑橘目標(biāo)進(jìn)行最后區(qū)分。識(shí)別后進(jìn)行深度圖像和彩色圖像的像素對(duì)齊，并通過(guò)坐標(biāo)系轉(zhuǎn)換獲取柑橘目標(biāo)三維坐標(biāo)。在使用多種增強(qiáng)技術(shù)處理的數(shù)據(jù)集中，YOLO v5-citrus比原始YOLO v5在平均精度均值和精確率上分別提高2.8個(gè)百分點(diǎn)與3.7個(gè)百分點(diǎn)，表現(xiàn)出更優(yōu)異的泛化能力。與YOLO v7和YOLO v8等其他主流網(wǎng)絡(luò)架構(gòu)相比較，保持了更高的檢測(cè)精度和更快的檢測(cè)速度。通過(guò)真實(shí)果園的檢測(cè)與定位試驗(yàn)，得到柑橘目標(biāo)的三維坐標(biāo)識(shí)別定位系統(tǒng)的定位誤差為(1.97mm,0.36mm,9.63mm)，滿(mǎn)足末端執(zhí)行器的抓取條件。試驗(yàn)結(jié)果表明，該模型具有較強(qiáng)的魯棒性，滿(mǎn)足復(fù)雜環(huán)境下柑橘狀態(tài)識(shí)別要求，可為柑橘園機(jī)械采收設(shè)備提供技術(shù)支持。

Abstract:

為了提高百香果檢測(cè)精度，并將深度學(xué)習(xí)模型部署在移動(dòng)平臺(tái)上，實(shí)現(xiàn)快速實(shí)時(shí)推理，本文提出一種基于改進(jìn)YOLO v8s的輕量化百香果檢測(cè)模型（YOLO v8s-GD）。使用聚集和分發(fā)機(jī)制(GD)替換頸部特征融合網(wǎng)絡(luò)，提高模型對(duì)百香果圖像特征信息跨層融合能力和模型泛化能力；通過(guò)基于層自適應(yīng)幅度的剪枝(LAMP)修剪模型，損失一定精度換取減小模型體積，減少模型參數(shù)量，以實(shí)現(xiàn)在嵌入式設(shè)備上快速檢測(cè)；運(yùn)用知識(shí)蒸餾學(xué)習(xí)策略彌補(bǔ)因剪枝而損失的檢測(cè)精度，提高模型檢測(cè)性能。實(shí)驗(yàn)結(jié)果表明，對(duì)于自然環(huán)境下采集的百香果數(shù)據(jù)集，改進(jìn)后模型參數(shù)量和內(nèi)存占用量相比原YOLO v8s基線(xiàn)模型分別降低63.88%和62.10%，精確率(Precision)和平均精度(AP)相較于原模型分別提高0.9、2.3個(gè)百分點(diǎn)，優(yōu)于其他對(duì)比模型。在Jetson Nano和Jetson Tx2嵌入式設(shè)備上實(shí)時(shí)檢測(cè)幀率(FPS)分別為5.78、19.38f/s，為原模型的1.93、1.24倍。因此，本文提出的改進(jìn)后模型能夠有效檢測(cè)復(fù)雜環(huán)境下百香果目標(biāo)，為實(shí)際場(chǎng)景中百香果自動(dòng)采摘等移動(dòng)端檢測(cè)設(shè)備部署和應(yīng)用提供理論和技術(shù)支持。

Abstract:

構(gòu)建大規(guī)模茶芽目標(biāo)檢測(cè)數(shù)據(jù)集是一項(xiàng)耗時(shí)且繁瑣的任務(wù)，為了降低數(shù)據(jù)集構(gòu)建成本，探索少量標(biāo)注樣本的算法尤為必要。本文提出了YSVD-Tea (YOLO singular value decomposition for tea bud detection)算法，通過(guò)將預(yù)訓(xùn)練模型中的基礎(chǔ)卷積替換為3個(gè)連續(xù)的矩陣結(jié)構(gòu)，實(shí)現(xiàn)了對(duì)YOLOX算法結(jié)構(gòu)的重構(gòu)。通過(guò)維度變化和奇異值分解操作，將預(yù)訓(xùn)練權(quán)重轉(zhuǎn)換為與重構(gòu)算法結(jié)構(gòu)相對(duì)應(yīng)的權(quán)重，從而將需要進(jìn)行遷移學(xué)習(xí)的權(quán)重和需要保留的權(quán)重分離開(kāi)，實(shí)現(xiàn)保留預(yù)訓(xùn)練模型先驗(yàn)信息的目的。在3種不同數(shù)量的數(shù)據(jù)集上分別進(jìn)行了訓(xùn)練和驗(yàn)證。在最小數(shù)量的1/3數(shù)據(jù)集上，YSVD-Tea算法相較于改進(jìn)前的YOLOX算法，mAP提高20.3個(gè)百分點(diǎn)。對(duì)比測(cè)試集與訓(xùn)練集的性能指標(biāo)，YSVD-Tea算法在測(cè)試集與訓(xùn)練集的mAP差距僅為21.9%，明顯小于YOLOX的40.6%和Faster R-CNN的55.4%。在數(shù)量最大的數(shù)據(jù)集上，YOLOX算法精確率、召回率、F1值、mAP分別為86.4%、87.0%、86.7%和88.3%，相較于對(duì)比算法均最高。YSVD-Tea在保證良好性能的同時(shí)，能夠更好地適應(yīng)少量標(biāo)注樣本的茶芽目標(biāo)檢測(cè)任務(wù)。

Abstract:

針對(duì)籠養(yǎng)條件下蛋雞核心溫度測(cè)量工作效率低下的問(wèn)題，提出了一種利用紅外熱圖像結(jié)合深度學(xué)習(xí)的蛋雞核心溫度檢測(cè)方法。首先通過(guò)采集172只蛋雞的10994幅紅外熱圖像制作數(shù)據(jù)集，利用目標(biāo)檢測(cè)網(wǎng)絡(luò)YOLO v8s提取作為感興趣區(qū)域（Region of interest, ROI）的雞臉圖像；再利用改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)提取的蛋雞ROI圖像以及實(shí)時(shí)采集的蛋雞泄殖腔溫度進(jìn)行回歸預(yù)測(cè)。實(shí)驗(yàn)顯示，目標(biāo)檢測(cè)算法的檢測(cè)準(zhǔn)確率達(dá)到99.38%，平均精度均值達(dá)到99.9%，召回率達(dá)到99.87%，3項(xiàng)評(píng)價(jià)指標(biāo)均高于YOLO v4s、YOLO v5s、YOLO v7、YOLOX-s目標(biāo)檢測(cè)算法；在深度卷積神經(jīng)網(wǎng)絡(luò)算法上，同時(shí)將MobileNetV3、GhostNet、ShuffleNetV2、RegNet、ConvNeXt、Res2Net以及MobileVIT共7種分類(lèi)模型修改為回歸模型，利用蛋雞ROI圖像進(jìn)行訓(xùn)練，其中，Res2Net模型對(duì)蛋雞核心體溫估測(cè)擬合效果最好，在測(cè)試集上估測(cè)的決定系數(shù)R2為0.9565、調(diào)整后決定系數(shù)R2adj為0.95631，均高于其他回歸模型；為進(jìn)一步提高預(yù)測(cè)精度，在Res2Net50回歸模型的Bottle2block結(jié)構(gòu)之后分別插入SE(Squeeze-and-excitation)模塊、CBAM(Convolutional block attention module)模塊、CA(Coordinate attention)模塊、ECA(Efficient channel attention)模塊，其中利用CA模塊改進(jìn)后的算法在測(cè)試集上的R2為0.97364、R2adj為0.97352，均高于其他改進(jìn)方法；利用目標(biāo)檢測(cè)網(wǎng)絡(luò)和回歸網(wǎng)絡(luò)搭建蛋雞核心體溫估測(cè)模型，對(duì)9只蛋雞進(jìn)行體溫估測(cè)試驗(yàn)，結(jié)果顯示ROI均能完整找出，且估測(cè)體溫平均絕對(duì)誤差(Mean absolute error, MAE)為0.153℃。因此，本研究提出的目標(biāo)檢測(cè)+深度神經(jīng)網(wǎng)絡(luò)模型為紅外熱圖像下蛋雞核心溫度預(yù)測(cè)提供了較好的自動(dòng)化檢測(cè)方法。

Abstract:

羊只實(shí)例分割是實(shí)現(xiàn)羊只識(shí)別和跟蹤、行為分析和管理、疾病監(jiān)測(cè)等任務(wù)的重要前提。針對(duì)規(guī)?；驁?chǎng)復(fù)雜養(yǎng)殖環(huán)境中，羊只個(gè)體存在遮擋、光線(xiàn)昏暗、個(gè)體顏色與背景相似等情況所導(dǎo)致的羊只實(shí)例錯(cuò)檢、漏檢問(wèn)題，提出了一種基于改進(jìn)YOLO v8n-seg的羊只實(shí)例分割方法。以YOLO v8n-seg網(wǎng)絡(luò)作為基礎(chǔ)模型進(jìn)行羊只個(gè)體分割任務(wù)，首先，引入Large separable kernel attention模塊以增強(qiáng)模型對(duì)實(shí)例重要特征信息的捕捉能力，提高特征的代表性及模型的魯棒性；其次，采用超實(shí)時(shí)語(yǔ)義分割模型DWR-Seg中的Dilation-wise residual模塊替換C2f中的Bottleneck模塊，以?xún)?yōu)化模型對(duì)網(wǎng)絡(luò)高層特征的提取能力，擴(kuò)展模型感受野，增強(qiáng)上下文語(yǔ)義之間的聯(lián)系，生成帶有豐富特征信息的新特征圖；最后，引用Dilated reparam block模塊對(duì)C2f進(jìn)行二次改進(jìn)，多次融合從網(wǎng)絡(luò)高層提取到的特征信息，增強(qiáng)模型對(duì)特征的理解能力。試驗(yàn)結(jié)果表明，改進(jìn)后的YOLO v8n-LDD-seg對(duì)羊只實(shí)例的平均分割精度mAP50達(dá)到92.08%，mAP50:90達(dá)到66.54%，相較于YOLO v8n-seg，分別提升3.06、3.96個(gè)百分點(diǎn)。YOLO v8n-LDD-seg有效提高了羊只個(gè)體檢測(cè)精度，提升了羊只實(shí)例分割效果，為復(fù)雜養(yǎng)殖環(huán)境下羊只實(shí)例檢測(cè)和分割提供了技術(shù)支持。

Abstract:

針對(duì)現(xiàn)有水稻育種問(wèn)答系統(tǒng)存在數(shù)據(jù)管理水平低、知識(shí)粒度大，水稻育種領(lǐng)域缺乏用于命名實(shí)體識(shí)別的標(biāo)注數(shù)據(jù)、人工標(biāo)注成本高等問(wèn)題，提出了一種基于文本數(shù)據(jù)增強(qiáng)的方法來(lái)識(shí)別水稻育種問(wèn)句的命名實(shí)體，通過(guò)構(gòu)建水稻育種知識(shí)圖譜，對(duì)水稻育種問(wèn)句中的大類(lèi)命名實(shí)體進(jìn)行分類(lèi)，從而增強(qiáng)實(shí)體邊界，降低知識(shí)粒度。針對(duì)水稻育種數(shù)據(jù)標(biāo)注成本高導(dǎo)致命名實(shí)體識(shí)別性能不佳的難點(diǎn)，通過(guò)在BERT-BILSTM-CRF模型中引入數(shù)據(jù)增強(qiáng)層，提出了DA-BERT-BILSTM-CRF模型。實(shí)驗(yàn)以標(biāo)注的水稻育種問(wèn)句為訓(xùn)練數(shù)據(jù)，將所提出的模型與其他基線(xiàn)模型進(jìn)行比較。結(jié)果表明，本文方法在水稻育種問(wèn)句中命名實(shí)體識(shí)別的單類(lèi)別識(shí)別任務(wù)和整體識(shí)別任務(wù)上均優(yōu)于其他方法，其中單類(lèi)別識(shí)別精確率達(dá)到94.26%，F(xiàn)1值達(dá)到93.32%；整體識(shí)別精確率達(dá)到93.86%，F(xiàn)1值達(dá)到93.34%。

Abstract:

針對(duì)土壤含水率電容傳感器檢測(cè)精度低，標(biāo)定模型對(duì)鹽漬土壤的適用性不高等問(wèn)題，提出基于電導(dǎo)率對(duì)相對(duì)介電常數(shù)補(bǔ)償?shù)暮孰娙輦鞲衅鳂?biāo)定法。在標(biāo)準(zhǔn)溶液中建立相對(duì)介電常數(shù)與傳感器輸出電壓關(guān)系對(duì)數(shù)模型（R2=0.983），進(jìn)一步基于二元二次回歸分析法，建立標(biāo)準(zhǔn)溶液電導(dǎo)率對(duì)相對(duì)介電常數(shù)補(bǔ)償?shù)南鄬?duì)介電常數(shù)與傳感器輸出電壓及電導(dǎo)率的回歸標(biāo)定模型（R2=0.979）。對(duì)傳感器進(jìn)行土壤含水率標(biāo)定，建立土壤體積含水率與相對(duì)介電常數(shù)關(guān)系的三階多項(xiàng)式標(biāo)定模型（R2=0.996）。對(duì)兩步標(biāo)定模型進(jìn)行實(shí)測(cè)，結(jié)果表明：土壤電導(dǎo)率為0~2dS/m時(shí)，體積含水率檢測(cè)最大誤差從未電導(dǎo)率補(bǔ)償時(shí)0.0383m3/m3降至電導(dǎo)率補(bǔ)償后0.0127m3/m3，最大相對(duì)誤差從12.0200%降至6.2241%。結(jié)果表明，在不同電導(dǎo)率的同類(lèi)土壤中，使用基于電導(dǎo)率對(duì)相對(duì)介電常數(shù)補(bǔ)償?shù)暮蕚鞲衅鳂?biāo)定法能明顯提高土壤含水率檢測(cè)精度和對(duì)不同電導(dǎo)率土壤（黃土）的適用性。

Abstract:

土壤體積含水率監(jiān)測(cè)對(duì)提高農(nóng)業(yè)生產(chǎn)效率和制定合理土壤管理措施具有重要意義。超寬帶雷達(dá)由于其高距離分辨率、強(qiáng)穿透能力在農(nóng)業(yè)土壤動(dòng)態(tài)信息實(shí)時(shí)監(jiān)測(cè)中得到廣泛應(yīng)用。但以往對(duì)超寬帶雷達(dá)信號(hào)的處理主要關(guān)注時(shí)域特征，忽略了同樣具有豐富信息的頻域特征，使得回波信號(hào)在土壤體積含水率反演過(guò)程中無(wú)法得到充分利用，限制了土壤體積含水率的反演精度。本文基于超寬帶雷達(dá)獲取的土壤回波信號(hào)，對(duì)其進(jìn)行預(yù)處理并提取與土壤體積含水率有關(guān)的回波信號(hào)，對(duì)該信號(hào)采用短時(shí)傅里葉變換（Short-time Fourier transform, STFT），分析與土壤體積含水率有關(guān)的回波信號(hào)隨時(shí)序變化的時(shí)頻譜特征，進(jìn)而結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network, CNN）建立土壤體積含水率分級(jí)以及回歸預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明，基于添加高斯白噪聲后的數(shù)據(jù)，對(duì)于土壤體積含水率的分級(jí)，將時(shí)頻特征和CNN模型相結(jié)合時(shí)，分級(jí)總體精度和Kappa系數(shù)分別為98.69%和0.9849，相較于10個(gè)時(shí)域特征與植被指數(shù)NDVI（Normalized difference vegetation index）建立的支持向量機(jī)模型（Support vector machine, SVM），分級(jí)總體精度提升21.78個(gè)百分點(diǎn)，Kappa系數(shù)提高0.2515。對(duì)于土壤體積含水率的回歸預(yù)測(cè)，將時(shí)頻特征和CNNR（Convolutional neural network regression）模型相結(jié)合時(shí)，預(yù)測(cè)結(jié)果與真實(shí)值之間的決定系數(shù)（R2）為0.9872，均方根誤差（RMSE）為0.0048cm3/cm3，相對(duì)分析誤差（RPD）為6.2738，相較于10個(gè)時(shí)域特征結(jié)合植被指數(shù)NDVI建立的CNNR模型，R2提升0.2316，RMSE降低1.3377cm3/cm3，RPD提高4.2714。綜上，在土壤體積含水率分級(jí)和回歸預(yù)測(cè)方面，本文所提方法較傳統(tǒng)信號(hào)檢測(cè)處理方法具有明顯優(yōu)勢(shì)。

Abstract:

地表特征與自然災(zāi)害密切相關(guān)，對(duì)維護(hù)生態(tài)環(huán)境和深入了解地表演化過(guò)程及地質(zhì)構(gòu)造特征具有重要作用。通過(guò)無(wú)人機(jī)(Unmanned aerial vehicle, UAV)航測(cè)和運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)（Structure from motion，SfM）技術(shù)構(gòu)建的高空間分辨率數(shù)字模型，在滇中環(huán)狀構(gòu)造地貌開(kāi)展地表覆蓋信息和地形特征的分布關(guān)系分析。結(jié)果表明：在裸巖、裸土和植被混合區(qū)域，從定性和定量分析中發(fā)現(xiàn)DeepLabv3+算法相比于RF算法在試驗(yàn)區(qū)地表覆蓋信息提取中有較好的提取效果。點(diǎn)云經(jīng)濾波得到地面點(diǎn)，選擇交叉驗(yàn)證中均值誤差和均方根誤差最小的Kriging算法構(gòu)建分辨率0.1m的數(shù)字高程模型 (Digital elevation model, DEM)，解譯一階坡面、二階坡面和復(fù)合坡面的多種地形因子，根據(jù)相關(guān)性分析選取6種地形因子構(gòu)建了綜合地形分析模型（Comprehensive terrain analysis model，CTAM）。經(jīng)過(guò)分析地表覆蓋信息中覆蓋面積最大裸土、植被與地形的聯(lián)系，CTAM中每個(gè)等級(jí)像元數(shù)量與總像元數(shù)量百分比中，Ⅱ級(jí)占比最高，為28.87%，Ⅰ、Ⅳ、Ⅴ占比分別為18.39%、13.82%和17.29%。UAV-SfM技術(shù)能有效捕捉環(huán)狀構(gòu)造表面特征，可為該地區(qū)地質(zhì)研究與資源管理提供技術(shù)手段和科學(xué)依據(jù)。

Abstract:

為實(shí)現(xiàn)土壤肥力和土壤環(huán)境質(zhì)量相結(jié)合的土地質(zhì)量地球化學(xué)綜合評(píng)價(jià)結(jié)果的高精度量化，依據(jù)贛南南康地區(qū)采集的6266組表層土壤樣品測(cè)試結(jié)果，構(gòu)建了以As、Hg、Cd、Pb、Cr含量等為基礎(chǔ)的內(nèi)梅羅指數(shù)和以有機(jī)質(zhì)（SOM）、P、N、K、Mo、Mn、B、Cu、Zn含量等為基礎(chǔ)的土壤綜合肥力指數(shù)為控制因素的突變理論法土地質(zhì)量地球化學(xué)綜合評(píng)價(jià)方法，將內(nèi)梅羅指數(shù)3.0修訂為3.1，通過(guò)突變理論對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和歸一化分析，比較原始內(nèi)梅羅指數(shù)和修訂內(nèi)梅羅指數(shù)評(píng)價(jià)結(jié)果以及本文方法與DZ/T 0295—2016《土地質(zhì)量地球化學(xué)評(píng)價(jià)規(guī)范》方法的土地質(zhì)量地球化學(xué)綜合等級(jí)劃分結(jié)果。結(jié)果表明：研究區(qū)土壤綜合肥力指數(shù)均值為0.75，總體綜合肥力為Ⅲ等，土壤肥力較低；土壤綜合內(nèi)梅羅指數(shù)均值為0.59，總體尚清潔。采用修訂后的內(nèi)梅羅指數(shù)3.1計(jì)算的土壤肥力指數(shù)分界值基本呈等級(jí)等間距劃分。與DZ/T 0295—2016《土地質(zhì)量地球化學(xué)評(píng)價(jià)規(guī)范》評(píng)價(jià)結(jié)果比較，83.57%的結(jié)果等級(jí)未發(fā)生變化，近16%等級(jí)結(jié)果增加1個(gè)等級(jí)，主要為1級(jí)和2級(jí)升為3級(jí)和4級(jí)，未出現(xiàn)2個(gè)及以上等級(jí)的變化，評(píng)價(jià)結(jié)果顯示3級(jí)、4級(jí)面積占比為94.11%、5.30%。本文方法可用于土地質(zhì)量地球化學(xué)綜合等級(jí)評(píng)價(jià)，評(píng)價(jià)結(jié)果更加數(shù)值化、精細(xì)化，評(píng)價(jià)過(guò)程更簡(jiǎn)便，是對(duì)已有土地質(zhì)量地球化學(xué)綜合評(píng)價(jià)方法的補(bǔ)充，可為土地利用、農(nóng)業(yè)生產(chǎn)和管理提供借鑒和參考。

Abstract:

中紅外光譜數(shù)據(jù)在實(shí)現(xiàn)土壤有機(jī)碳含量的準(zhǔn)確、低成本快速預(yù)測(cè)方面具有巨大潛力。為提高光譜數(shù)據(jù)估算模型的普適性，本研究利用光譜特征增強(qiáng)策略，并基于Stacking算法結(jié)合多種機(jī)器學(xué)習(xí)方法構(gòu)建了一種高魯棒性的土壤有機(jī)碳含量估算模型。采用多種光譜特征增強(qiáng)方法及其組合對(duì)土壤中紅外光譜進(jìn)行特征增強(qiáng)，篩選最佳策略；通過(guò)應(yīng)用Stacking算法結(jié)合多種機(jī)器學(xué)習(xí)方法構(gòu)建集成模型，以提高模型泛化能力；將集成模型估算性能與偏最小二乘回歸模型（PLSR）、梯度提升樹(shù)（GBT）和一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）模型進(jìn)行比較分析。研究結(jié)果表明，最佳光譜特征增強(qiáng)策略可以顯著提高土壤光譜數(shù)據(jù)與土壤有機(jī)碳含量的相關(guān)性，最佳Pearson相關(guān)系數(shù)達(dá)到 -0.82；相較于PLSR、GBT和1D-CNN等模型，集成模型在各光譜數(shù)據(jù)下均表現(xiàn)出較高的估算精度，特別是在一階導(dǎo)變換結(jié)合多元散射校正的光譜特征增強(qiáng)策略下，集成模型展現(xiàn)出優(yōu)良的估算性能（決定系數(shù)R2=0.92，均方根誤差為1.18g/kg，相對(duì)分析誤差為3.52）。本研究方法能夠快速、準(zhǔn)確地估算土壤有機(jī)碳含量，可為現(xiàn)代農(nóng)業(yè)管理提供科學(xué)依據(jù)。

Abstract:

總初級(jí)生產(chǎn)力（Gross primary production, GPP）是表征作物在光合作用中吸收大氣CO2的指標(biāo)，也是作物產(chǎn)量形成的重要起點(diǎn)。本研究以江西省稻田為研究對(duì)象，基于日光誘導(dǎo)葉綠素?zé)晒猓⊿un-induced chlorophyll fluorescence, SIF）遙感數(shù)據(jù)和地面通量觀(guān)測(cè)數(shù)據(jù)，構(gòu)建了基于SIF的稻田GPP非線(xiàn)性估算模型，進(jìn)而對(duì)江西省2001—2020年稻田GPP進(jìn)行模擬。結(jié)果表明：相較于MOD17 GPP和GOSIF GPP，基于SIF的非線(xiàn)性模型模擬精度更高，可以更好地捕捉水稻季和非水稻季GPP的季節(jié)變化，但對(duì)早稻-晚稻交替期模擬效果較差。2001—2020年江西省稻田多年平均GPP為（2082.8±143.2）g/(m2·a)，空間上呈現(xiàn)北側(cè)低、南側(cè)高的特點(diǎn)，稻田GPP低值主要位于南昌市及其周邊，高值位于贛州市和景德鎮(zhèn)市。2001—2020年江西省稻田GPP總體呈波動(dòng)上升趨勢(shì)，趨勢(shì)率為24.3g/(m2·a)，上升趨勢(shì)最大的區(qū)域位于江西省南部，上升趨勢(shì)最小或存在下降趨勢(shì)的區(qū)域主要位于南昌市和九江市，可能與該地區(qū)水稻“雙改單”現(xiàn)象有關(guān)。江西省各市稻田GPP年際變化的主要影響因素為氣溫，貢獻(xiàn)率在28.3%～44.2%之間，太陽(yáng)輻射對(duì)稻田GPP為負(fù)貢獻(xiàn)，風(fēng)速在部分區(qū)域?qū)Φ咎颎PP為正貢獻(xiàn)，降水量和相對(duì)濕度對(duì)稻田GPP年際變化的影響最弱。研究可為模擬江西省稻田GPP以及評(píng)估氣候變化背景下稻田固碳能力和產(chǎn)量估算提供理論依據(jù)。

Abstract:

采用生物強(qiáng)化方法強(qiáng)化水稻秸稈好氧水解過(guò)程，并研究綠色木霉及添加量（占總料液質(zhì)量分?jǐn)?shù)3%、5%、7%和9%）對(duì)其發(fā)酵特性的影響。好氧水解階段生物強(qiáng)化時(shí)間為24h，隨后在35℃條件下進(jìn)行厭氧發(fā)酵產(chǎn)甲烷潛力測(cè)試試驗(yàn)。結(jié)果表明，與對(duì)照組相比，添加綠色木霉進(jìn)行生物強(qiáng)化各組的木質(zhì)纖維素降解率、揮發(fā)性脂肪酸（VFAs）產(chǎn)量及產(chǎn)氣率均有不同程度的提高，VFAs均以乙酸為主。利用Modified Gompertz對(duì)累積產(chǎn)甲烷量進(jìn)行擬合，擬合結(jié)果較好，綠色木霉添加量為3%、5%、7%、9%的各預(yù)處理試驗(yàn)組累積產(chǎn)甲烷量分別為198.28、211.351、228.44、234.78mL/g，比CK對(duì)照組產(chǎn)甲烷量分別提高18.89%、26.72%、36.96%、40.76%，添加7%綠色木霉組的綜合效果最好，在此條件下半纖維素、纖維素、木質(zhì)素降解率分別為36.86%、31.57%、7.43%，甲烷產(chǎn)量較CK組提高36.96%。好氧水解過(guò)程中優(yōu)勢(shì)菌群為厚壁菌門(mén)（Firmicutes）、綠彎菌門(mén)（Chloroflexi）、變形菌門(mén)（Proteobacteria）、擬桿菌門(mén)（Bacteroidetes）等，其中厚壁菌門(mén)（Firmicutes）相對(duì)豐度隨水解時(shí)間的延長(zhǎng)而減少，綠彎菌門(mén)（Chloroflexi）和擬桿菌門(mén)（Bacteroidetes）相對(duì)豐度增加，表明添加菌劑能夠改變菌群結(jié)構(gòu)，促進(jìn)好氧水解反應(yīng)的進(jìn)行。

Abstract:

針對(duì)顆粒農(nóng)產(chǎn)品定量加料精度低、自動(dòng)化程度不高等問(wèn)題，分析了常見(jiàn)顆粒農(nóng)產(chǎn)品的物理特性，采用了以體積估計(jì)質(zhì)量的定量方法，并在控制系統(tǒng)中引入閉環(huán)控制方案，設(shè)計(jì)了一種顆粒農(nóng)產(chǎn)品的動(dòng)態(tài)定量加料設(shè)備。該設(shè)備主要由具有可變?nèi)莘e量杯結(jié)構(gòu)的定量裝置、傳送與分流機(jī)構(gòu)以及復(fù)檢稱(chēng)重秤等部分組成，在闡述機(jī)械本體結(jié)構(gòu)和工作原理的基礎(chǔ)上，提出了一種基于歷史離散數(shù)據(jù)擬合預(yù)測(cè)誤差的閉環(huán)控制算法，當(dāng)復(fù)檢工序檢測(cè)到加料質(zhì)量與目標(biāo)質(zhì)量存在差值時(shí)，可通過(guò)閉環(huán)控制系統(tǒng)補(bǔ)償修正定量加料工序的量杯容積，從而減小定量加料的誤差。實(shí)驗(yàn)結(jié)果表明，該設(shè)備可實(shí)現(xiàn)顆粒農(nóng)產(chǎn)品的高精度動(dòng)態(tài)定量加料，具有抗擾動(dòng)和自適應(yīng)能力。以大米、黃豆、蕓豆為實(shí)驗(yàn)對(duì)象，在旋轉(zhuǎn)盤(pán)轉(zhuǎn)速為4r/min的工作條件下，經(jīng)過(guò)3組閉環(huán)反饋調(diào)節(jié)，加料質(zhì)量誤差可穩(wěn)定控制在1%以?xún)?nèi)。

Abstract:

針對(duì)炒青綠茶精制裝備仿真分析中缺少準(zhǔn)確的離散元仿真參數(shù)問(wèn)題，以炒青綠茶為研究對(duì)象，標(biāo)定炒青綠茶離散元仿真關(guān)鍵參數(shù)。通過(guò)斜面法與自由落體法對(duì)茶葉-茶葉和茶葉-鋼板之間離散元參數(shù)進(jìn)行研究，確定靜摩擦因數(shù)、滾動(dòng)摩擦因數(shù)和碰撞恢復(fù)系數(shù)的取值范圍。通過(guò)提升法臺(tái)架試驗(yàn)獲得炒青綠茶實(shí)際堆積角，建立炒青綠茶離散元模型，模擬堆積角形成過(guò)程。以炒青綠茶實(shí)際堆積角為響應(yīng)值，使用Plackett-Burman試驗(yàn)篩選出對(duì)炒青綠茶堆積角有顯著影響的參數(shù)，通過(guò)最陡爬坡試驗(yàn)獲取近似最佳響應(yīng)范圍，最后通過(guò)Box-Behnken獲得影響顯著參數(shù)最優(yōu)組合。結(jié)果表明：當(dāng)剪切模量為2.930MPa、茶葉-茶葉靜摩擦因數(shù)為0.771、茶葉-茶葉滾動(dòng)摩擦因數(shù)為0.133、茶葉-茶葉碰撞恢復(fù)系數(shù)為0.354時(shí)，炒青綠茶仿真堆積角為30.12°，與實(shí)際堆積角誤差為1.59%，表明可以采用優(yōu)化標(biāo)定參數(shù)模擬炒青綠茶外部接觸特征。

Abstract:

交互物體的檢測(cè)識(shí)別是實(shí)現(xiàn)人機(jī)交互的一項(xiàng)關(guān)鍵技術(shù)，針對(duì)人機(jī)交互過(guò)程中交互物體檢測(cè)范圍受限的問(wèn)題，本文利用深度歸一化提高深度圖像質(zhì)量，提出了一種基于圖像分割的任意交互物體檢測(cè)方法。該方法針對(duì)操作人員側(cè)向和正向姿態(tài)，分別采用基于顯著性檢測(cè)的圖像處理和人體姿態(tài)引導(dǎo)的區(qū)域生長(zhǎng)算法分割目標(biāo)區(qū)域，錨定目標(biāo)物體邊框?qū)崿F(xiàn)物體檢測(cè)。最后，進(jìn)行了交互物體檢測(cè)實(shí)驗(yàn)及不同深度區(qū)間位置測(cè)距和跟隨實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，所提出的物體檢測(cè)方法能夠?qū)崿F(xiàn)任意交互物體檢測(cè)，在交互物體檢測(cè)方面具有廣泛適用性；較小深度區(qū)間的歸一化能夠使物體位置誤差變小，提高了物體檢測(cè)距離精度及機(jī)器人跟隨效果。

Abstract:

針對(duì)液壓同步控制系統(tǒng)中非對(duì)稱(chēng)缸換向時(shí)產(chǎn)生的壓力躍變導(dǎo)致同步控制系統(tǒng)振蕩甚至不穩(wěn)定問(wèn)題，提出一種基于負(fù)載口獨(dú)立控制閥控非對(duì)稱(chēng)缸系統(tǒng)的換向壓力躍變消除方法。分析了傳統(tǒng)閥、非對(duì)稱(chēng)閥和負(fù)載口獨(dú)立控制閥控非對(duì)稱(chēng)缸系統(tǒng)產(chǎn)生壓力躍變的機(jī)理。在A(yíng)MESim中搭建傳統(tǒng)閥與負(fù)載口獨(dú)立控制閥控非對(duì)稱(chēng)缸系統(tǒng)模型，在不同系統(tǒng)壓力和給定信號(hào)下，對(duì)比分析了兩種系統(tǒng)液壓缸位置跟隨及換向時(shí)兩腔壓力躍變情況。搭建了負(fù)載口獨(dú)立控制閥控非對(duì)稱(chēng)缸系統(tǒng)實(shí)驗(yàn)臺(tái)，驗(yàn)證了該方法的有效性。仿真與實(shí)驗(yàn)結(jié)果表明，采用負(fù)載口獨(dú)立控制閥控非對(duì)稱(chēng)缸系統(tǒng)通過(guò)模糊自適應(yīng)控制算法可以很好地實(shí)現(xiàn)位置跟隨；可以完全消除非對(duì)稱(chēng)缸換向時(shí)的壓力躍變，減小系統(tǒng)抖動(dòng)，使得系統(tǒng)動(dòng)作更加平穩(wěn)；當(dāng)液壓缸以方波動(dòng)作時(shí)，換向時(shí)壓力沖擊較正弦波動(dòng)作時(shí)大。

Abstract:

Delta并聯(lián)機(jī)器人具有速度快、結(jié)構(gòu)簡(jiǎn)單、承載力強(qiáng)等優(yōu)點(diǎn)，在缽苗移栽、產(chǎn)品分揀與包裝中應(yīng)用廣泛。針對(duì)目前Delta并聯(lián)機(jī)器人各結(jié)構(gòu)參數(shù)對(duì)運(yùn)動(dòng)學(xué)性能的影響及系統(tǒng)性結(jié)構(gòu)參數(shù)優(yōu)化設(shè)計(jì)缺乏完整理論體系的問(wèn)題，本文分析可達(dá)工作空間雅可比矩陣條件數(shù)分布規(guī)律、結(jié)構(gòu)參數(shù)約束關(guān)系、運(yùn)動(dòng)學(xué)性能隨結(jié)構(gòu)參數(shù)的變化規(guī)律及相關(guān)性，獲得條件數(shù)分布特性和失真約束條件，在此基礎(chǔ)上得出動(dòng)靜平臺(tái)半徑差和主動(dòng)臂長(zhǎng)度增加和從動(dòng)桿長(zhǎng)度減小能夠使得機(jī)構(gòu)性能較優(yōu)。給定設(shè)計(jì)工作空間，對(duì)原結(jié)構(gòu)進(jìn)行參數(shù)優(yōu)化設(shè)計(jì)，通過(guò)建立包絡(luò)懲罰函數(shù)，采用多元非線(xiàn)性擬合與線(xiàn)性加權(quán)組合法得到運(yùn)動(dòng)學(xué)性能評(píng)價(jià)函數(shù)，結(jié)合條件數(shù)分布特性和失真約束條件建立優(yōu)化模型，利用遺傳算法進(jìn)行優(yōu)化。相較于優(yōu)化前，優(yōu)化后可達(dá)工作空間體積減小14.26%，設(shè)計(jì)工作空間的全局條件數(shù)均值和全局條件數(shù)標(biāo)準(zhǔn)差分別減小31.20%和11.78%，且設(shè)計(jì)工作空間各截面條件數(shù)分布規(guī)律驗(yàn)證了條件數(shù)分布特性的可靠性。