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

摘要:農(nóng)業(yè)裝備自動(dòng)駕駛技術(shù)可以顯著提升作業(yè)質(zhì)量，提高作業(yè)效率，降低作業(yè)成本，減輕勞動(dòng)強(qiáng)度，已成為智能農(nóng)業(yè)裝備發(fā)展的重要方向。在政策和市場的共同推動(dòng)下，我國農(nóng)業(yè)裝備自動(dòng)駕駛技術(shù)發(fā)展迅速，并通過多場景、多層次的示范和應(yīng)用推動(dòng)技術(shù)熟化，逐步建立了完整的技術(shù)體系。農(nóng)業(yè)裝備自動(dòng)駕駛技術(shù)系統(tǒng)主要包括環(huán)境感知、工況感知、決策規(guī)劃、橫向控制、縱向控制等關(guān)鍵技術(shù)。本文首先闡述了農(nóng)業(yè)裝備自動(dòng)駕駛關(guān)鍵技術(shù)研究的現(xiàn)狀，分析歸納了各技術(shù)領(lǐng)域有待解決的關(guān)鍵科學(xué)技術(shù)問題；結(jié)合農(nóng)業(yè)裝備自動(dòng)導(dǎo)航技術(shù)產(chǎn)品和自動(dòng)駕駛技術(shù)集成應(yīng)用兩方面，介紹了國內(nèi)外農(nóng)業(yè)裝備自動(dòng)駕駛技術(shù)研發(fā)和應(yīng)用情況；從自動(dòng)駕駛技術(shù)分級(jí)研究和建立標(biāo)準(zhǔn)規(guī)范角度，對(duì)比分析了農(nóng)業(yè)裝備自動(dòng)駕駛與智能網(wǎng)聯(lián)汽車行業(yè)的差距，指出了農(nóng)業(yè)裝備自動(dòng)駕駛等級(jí)劃分的迫切需求。為應(yīng)對(duì)智慧農(nóng)業(yè)生產(chǎn)非結(jié)構(gòu)環(huán)境、高精度農(nóng)藝和強(qiáng)農(nóng)時(shí)約束三大挑戰(zhàn)，建議突出農(nóng)業(yè)生產(chǎn)應(yīng)用中作業(yè)精準(zhǔn)化和駕駛自動(dòng)化雙重需求的特點(diǎn)，有針對(duì)性地開展農(nóng)業(yè)裝備自動(dòng)駕駛技術(shù)研發(fā)、應(yīng)用示范和技術(shù)分級(jí)等方面工作。

摘要:針對(duì)玉米姿控驅(qū)導(dǎo)式排種器在高速工況下投種點(diǎn)位不一致，播種粒距均勻性不佳的問題，提出約束種子運(yùn)動(dòng)自由度并引導(dǎo)投種方向的方法，設(shè)計(jì)了一種新型導(dǎo)向投種機(jī)構(gòu)，合理規(guī)劃了待投種子的導(dǎo)種軌跡，進(jìn)而確保投種點(diǎn)位及初速度恒定。完成了導(dǎo)向投種機(jī)構(gòu)的結(jié)構(gòu)參數(shù)設(shè)計(jì)與待投種子的動(dòng)力學(xué)分析，明確了影響排種性能的關(guān)鍵參數(shù)及其取值范圍，通過單因素與雙因素試驗(yàn)獲取了排種器的最優(yōu)參數(shù)組合，并進(jìn)行性能對(duì)比驗(yàn)證試驗(yàn)。結(jié)果表明，約束運(yùn)移弧面圓心角取35°時(shí)，投種點(diǎn)位較為集中；在作業(yè)速度8km/h、引導(dǎo)投種弧面半徑24.3mm時(shí)，排種性能達(dá)到最優(yōu)，粒距合格指數(shù)、重播指數(shù)和變異系數(shù)分別為91.5%、4.7%和13.6%；當(dāng)作業(yè)速度由8km/h提升至14km/h時(shí)，較原排種器粒距變異系數(shù)的降幅由0.1個(gè)百分點(diǎn)增大至2.7個(gè)百分點(diǎn)，采用導(dǎo)向投種機(jī)構(gòu)可有效提升原排種器的高速作業(yè)性能。

摘要:針對(duì)傳統(tǒng)小麥播種以無序種流、不定量排出的方式存在脈動(dòng)性高、均勻性差的問題，設(shè)計(jì)了一種氣力離心組合式小麥精量排種器，采用氣力充種和離心清種的方式，種子有序均勻排出。對(duì)排種器的關(guān)鍵參數(shù)進(jìn)行設(shè)計(jì)，建立充種和排種過程的動(dòng)力學(xué)模型，確定充種角和落種角的初始范圍。利用氣固耦合仿真分析方法DEM-CFD進(jìn)行排種器單因素試驗(yàn)，仿真結(jié)果表明，當(dāng)充種角范圍進(jìn)一步縮小為36°～56°時(shí)，其攜種性能較好；落種角范圍進(jìn)一步縮小為43°～63°時(shí)，其排種性能較好。在此基礎(chǔ)上，以充種角、落種角、排種盤轉(zhuǎn)速為試驗(yàn)因素，以漏播率、重播率、直線落種率為響應(yīng)指標(biāo)，進(jìn)行正交旋轉(zhuǎn)組合試驗(yàn)。試驗(yàn)結(jié)果表明，當(dāng)充種角為47.75°、落種角為52.48°、轉(zhuǎn)速為635.5r/min時(shí)，排種器工作性能最優(yōu)，此時(shí)，漏播率為2.78％、重播率為3.73％、直線落種率為93.46％，驗(yàn)證試驗(yàn)結(jié)果與優(yōu)化結(jié)果基本一致。田間試驗(yàn)結(jié)果表明，當(dāng)設(shè)置排種盤型孔內(nèi)側(cè)面充種角為47.8°、下側(cè)面落種角為52.5°、排種盤轉(zhuǎn)速在552～800r/min范圍內(nèi)時(shí)，漏播率低于8.9％、重播率低于4.3％、排種合格率高于88.6％，符合小麥精量播種要求。

摘要:針對(duì)研究播種機(jī)覆土裝置作業(yè)過程中種溝土壤及種子微觀運(yùn)動(dòng)規(guī)律時(shí)，缺乏準(zhǔn)確可靠的種溝土壤-種子-覆土裝置三者互作離散元模型的問題，以含水率為（15.7±0.25）%的黏土為研究對(duì)象，基于EDEM軟件對(duì)相關(guān)參數(shù)及模型進(jìn)行標(biāo)定。建立覆土裝置與種溝土壤互作模型，通過Plackett-Burman試驗(yàn)，以覆土作業(yè)牽引阻力為響應(yīng)值，篩選出對(duì)牽引阻力影響敏感的參數(shù)為土壤-土壤滾動(dòng)摩擦因數(shù)、土壤-65Mn靜摩擦因數(shù)、臨界法向應(yīng)力、臨界切向應(yīng)力，通過最陡爬坡試驗(yàn)確定各敏感參數(shù)的取值范圍，通過Box-Behnken試驗(yàn)優(yōu)化得出土壤-土壤滾動(dòng)摩擦因數(shù)、土壤-65Mn靜摩擦因數(shù)、臨界法向應(yīng)力、臨界切向應(yīng)力分別為0.15、0.31、18.45kPa、18.58kPa。以大豆種子為例，建立了種溝土壤與種子互作離散元模型，以種溝土壤與大豆種子碰撞恢復(fù)系數(shù)、靜摩擦因數(shù)、滾動(dòng)摩擦因數(shù)為試驗(yàn)因素，以仿真堆積角為評(píng)價(jià)指標(biāo)，通過Box-Behnken試驗(yàn)優(yōu)化得出各試驗(yàn)因素取值分別為0.57、0.33、0.08。建立了種溝土壤-種子-覆土裝置三者互作離散元模型，并開展了試驗(yàn)驗(yàn)證。結(jié)果表明，牽引阻力仿真值與實(shí)測值相對(duì)誤差平均值為2.22%，堆積角仿真值與實(shí)測值相對(duì)誤差為1.61%，覆土厚度和種子粒距變異系數(shù)仿真值與實(shí)測值相對(duì)誤差分別為4.89%、5.90%，均較小，所建立的種溝土壤-種子-覆土裝置三者互作離散元模型準(zhǔn)確。

摘要:針對(duì)長江中下游稻油輪作區(qū)油菜輕簡高效生產(chǎn)需求及目前機(jī)具作業(yè)易出現(xiàn)廂面不平、碎土質(zhì)量不高及“晾種”，導(dǎo)致油菜出苗率低的問題，設(shè)計(jì)了一種油菜機(jī)械直播機(jī)開溝淺旋裝置，實(shí)現(xiàn)中間開畦溝，畦溝土壤拋送覆蓋兩側(cè)廂面，淺旋勻土部件勻土、細(xì)碎廂面土壤及埋覆土壤和秸稈功能；基于滑切減阻原理及擠壓力學(xué)理論，確定了中間開畦溝部件、清溝整形部件及淺旋勻土部件結(jié)構(gòu)參數(shù)，得出中間開畦溝刀盤安裝彎刀數(shù)量為4，切土節(jié)距為60mm，清溝整形部件整形面?zhèn)让鎯A角為67°，前面傾角為3°，淺旋彎刀側(cè)切刃偏心圓半徑為182mm，滑切角為42.4°；運(yùn)用EDEM軟件開展正交旋轉(zhuǎn)組合試驗(yàn)，確定了螺旋勻土葉片的最佳結(jié)構(gòu)參數(shù)：螺旋半徑為100mm、螺距為350mm、螺旋頭數(shù)為1，并確定了淺旋彎刀及螺旋勻土葉片結(jié)構(gòu)布局；田間試驗(yàn)表明，當(dāng)機(jī)組前進(jìn)速度為7km/h時(shí)，安裝有開溝淺旋裝置的油菜直播機(jī)作業(yè)后廂面平整，畦溝溝型完好，秸稈埋覆率為84.38%，碎土率為86.41%，廂面平整度為30.18mm，畦溝溝深及溝寬穩(wěn)定性均大于85%，出苗率為75.47％，油菜生長狀態(tài)良好，裝置作業(yè)效果滿足油菜直播作業(yè)要求。

摘要:針對(duì)現(xiàn)有條帶秸稈清理裝置集行效果差、秸稈清理率低等問題，提出了一種協(xié)撥組合式條帶秸稈清理方案，從力學(xué)角度對(duì)比分析不同齒形清秸輪撥送秸稈的過程，設(shè)計(jì)了一種徑向銳化協(xié)撥清秸輪，清秸輪半徑為162.5mm、齒數(shù)為12、齒長為65mm。開展了協(xié)撥組合式條帶秸稈清理裝置的仿真試驗(yàn)，以徑向銳化清秸輪的工作參數(shù)為影響因素，秸稈清理率為指標(biāo)，開展離散元仿真試驗(yàn)，分析了清秸輪工作過程中秸稈運(yùn)動(dòng)、土壤擾動(dòng)及秸稈清理率的變化。結(jié)果表明，試驗(yàn)因素對(duì)秸稈清理率的影響由大到小為側(cè)傾角、前進(jìn)速度、前傾角，當(dāng)機(jī)具前進(jìn)速度為7.8km/h、清秸輪前傾角為31.7°、側(cè)傾角為13.4°時(shí)，秸稈清理率最高為91.62%。開展了協(xié)撥組合式條帶秸稈清理裝置和整機(jī)的作業(yè)性能田間試驗(yàn)，結(jié)果表明協(xié)撥組合式條帶秸稈清理裝置工作穩(wěn)定，秸稈清理率為87%~90%，實(shí)現(xiàn)了條帶秸稈清理裝置的設(shè)計(jì)目標(biāo)。

摘要:為提高風(fēng)送式噴霧機(jī)對(duì)果樹冠層區(qū)域的霧滴沉積量，減少果樹行間霧滴飄移，解決環(huán)境風(fēng)速氣流導(dǎo)致冠層霧滴沉積量不均勻問題，設(shè)計(jì)了一種傘形風(fēng)場式防飄噴霧裝置，采用仿真試驗(yàn)與物理試驗(yàn)相結(jié)合的方式探究防飄噴霧裝置調(diào)節(jié)機(jī)構(gòu)對(duì)防飄噴霧裝置傘形風(fēng)場的影響。以防飄噴霧裝置出口直徑、側(cè)風(fēng)風(fēng)速、噴霧壓力為因素，分別進(jìn)行單因素和三因素三水平的蘋果樹冠層霧滴飄移沉積試驗(yàn)，探析傘形風(fēng)場對(duì)霧滴冠層沉積效果的影響規(guī)律。結(jié)果表明：霧滴飄移率、質(zhì)量中心距、霧滴沉積分布變異系數(shù)較普通氣流分別降低27.5%、16.2%和7%。3種因素對(duì)霧滴沉積特性均有較為顯著的影響，其影響由大到小依次為：側(cè)風(fēng)風(fēng)速、噴霧壓力、出口直徑。利用多島遺傳算法優(yōu)化獲得沉積量最高的施藥參數(shù)，當(dāng)側(cè)風(fēng)風(fēng)速為2m/s、噴霧壓力為0.4MPa、出口直徑為70mm時(shí)，霧滴沉積量最優(yōu)值為6.34μL/cm2，最優(yōu)組合情況下的實(shí)際驗(yàn)證值為5.96μL/cm2，差異率僅為5.9%，試驗(yàn)驗(yàn)證結(jié)果與模型預(yù)測基本吻合。

摘要:針對(duì)現(xiàn)有馬鈴薯聯(lián)合收獲機(jī)薯土秧雜分離效果差、傷薯破皮嚴(yán)重以及后續(xù)清選除雜成本高等問題，采用雙篩薯雜分離、撥板摘薯、人工輔助分揀除雜、緩存集薯裝包和隨重漸降卸包相結(jié)合的作業(yè)方式，研制了一種裝包卸包型馬鈴薯聯(lián)合收獲機(jī)，該機(jī)具主要由松土限深裝置、挖掘裝置、雙篩式薯雜分離裝置、撥板摘薯裝置、人工輔助分揀平臺(tái)以及集薯裝包卸包裝置等部分組成。在闡述總體結(jié)構(gòu)和工作原理的基礎(chǔ)上，對(duì)雙篩薯雜分離過程和撥板摘薯過程進(jìn)行力學(xué)分析，明確了馬鈴薯運(yùn)動(dòng)軌跡和碰撞特征；撥板摘薯裝置可實(shí)現(xiàn)薯秧脫附分離，降低損失率；緩存集薯裝包與隨重漸降卸包技術(shù)，可實(shí)現(xiàn)緩存和裝包狀態(tài)自動(dòng)切換，確保不停機(jī)柔性集薯與減損卸包。試驗(yàn)結(jié)果表明，當(dāng)作業(yè)速度為3.01、3.95km/h時(shí)，生產(chǎn)率分別為0.39、0.51hm2/h，傷薯率分別為1.68%和1.44%，破皮率分別為2.05%和1.71%，含雜率分別為1.75%和1.96%，損失率分別為1.56%和1.52%，各項(xiàng)性能指標(biāo)均滿足相關(guān)標(biāo)準(zhǔn)要求。

摘要:在小麥?zhǔn)斋@時(shí)期，若遇到天氣變化，小麥可收獲時(shí)間窗會(huì)發(fā)生改變，若還按原調(diào)度方案，將造成大量農(nóng)田延遲收獲，從而給農(nóng)戶帶來損失。為避免或降低因天氣變化給農(nóng)戶帶來損失，本文考慮天氣變化導(dǎo)致的農(nóng)田收獲時(shí)間窗變動(dòng)的應(yīng)急調(diào)度問題?；谔鞖庾兓瘜?dǎo)致的農(nóng)田可作業(yè)時(shí)間窗實(shí)際縮短的情況，綜合考慮收獲機(jī)轉(zhuǎn)移時(shí)間、提前到達(dá)等待時(shí)間和延遲時(shí)間，建立因天氣變化導(dǎo)致的時(shí)間窗變動(dòng)的收獲機(jī)多目標(biāo)應(yīng)急調(diào)度模型，引入農(nóng)田收獲應(yīng)急度函數(shù)，確定應(yīng)急農(nóng)田，將可作業(yè)時(shí)間窗和下雨時(shí)間有交集的農(nóng)田重新根據(jù)應(yīng)急度排序進(jìn)行優(yōu)先調(diào)度。針對(duì)此模型特點(diǎn)對(duì)遺傳算法進(jìn)行改進(jìn)，設(shè)計(jì)基于改進(jìn)遺傳算法的收獲機(jī)應(yīng)急調(diào)度算法，采用兩級(jí)多段編碼方式及單點(diǎn)交叉方式，使算法可以有效避免局部最優(yōu)，能夠很好地實(shí)現(xiàn)全局收斂。通過動(dòng)態(tài)改變?cè)斋@機(jī)收獲路線，為應(yīng)急農(nóng)田優(yōu)先提供收獲服務(wù)，從而提高農(nóng)機(jī)合作社服務(wù)能力，減少農(nóng)戶損失。實(shí)例仿真結(jié)果證明了模型和算法的可行性。

摘要:智慧農(nóng)業(yè)的快速發(fā)展促使多區(qū)域互聯(lián)農(nóng)機(jī)的調(diào)度追求更高的實(shí)時(shí)性，為更合理配置農(nóng)機(jī)資源，農(nóng)機(jī)跨區(qū)作業(yè)已成為完成“三夏”機(jī)收任務(wù)的主要服務(wù)模式?；谛←?zhǔn)斋@機(jī)跨區(qū)作業(yè)真實(shí)場景，研究了帶時(shí)間窗的多庫、多機(jī)型的農(nóng)機(jī)跨區(qū)調(diào)度問題，同時(shí)考慮經(jīng)濟(jì)成本和環(huán)境成本，建立以最小調(diào)度成本為目標(biāo)的跨區(qū)調(diào)度模型。根據(jù)問題特征，設(shè)計(jì)遺傳變鄰域搜索算法（Genetic algorithm variable neighborhood search，GAVNS），該方法通過交叉、隨機(jī)擾動(dòng)、自適應(yīng)鄰域選擇等操作，使解的搜索更加高效和靈活。對(duì)我國黃淮海平原72個(gè)小麥生產(chǎn)區(qū)縣的作業(yè)需求進(jìn)行計(jì)算與分析：不同算法相比，本文設(shè)計(jì)的算法得到最優(yōu)解的迭代次數(shù)更低、收斂速度更快，求得的目標(biāo)函數(shù)值較遺傳算法、變鄰域搜索算法分別降低16.41%、11.15%；對(duì)比不同調(diào)度模式，開放路徑模式更有利于提升跨區(qū)調(diào)度服務(wù)效率，較閉合路徑模式，調(diào)度成本降低17.76%。

摘要:目前，菊芋機(jī)械化收獲過程中的清選及輸送等環(huán)節(jié)作業(yè)參數(shù)設(shè)定缺乏適用的理論依據(jù)，以收獲期菊芋根-塊莖為研究對(duì)象，基于離散元方法建立了一種能反映根須柔性和塊莖脫落力學(xué)特性的粘結(jié)模型并對(duì)其相關(guān)參數(shù)進(jìn)行了標(biāo)定。首先通過物理試驗(yàn)確定了菊芋根-塊莖本征參數(shù)、基本接觸參數(shù)及相關(guān)力學(xué)參數(shù)，然后在此基礎(chǔ)上利用Hertz-Mindlin with bonding V2接觸模型構(gòu)建了菊芋根-塊莖粘結(jié)模型，并通過單因素試驗(yàn)和響應(yīng)曲面試驗(yàn)，分別標(biāo)定了菊芋根顆粒之間和根與塊莖顆粒之間法向粘結(jié)剛度、切向粘結(jié)剛度、臨界法向應(yīng)力、臨界切向應(yīng)力等粘結(jié)模型參數(shù)。菊芋根須三點(diǎn)彎曲及根-塊莖拉伸試驗(yàn)結(jié)果表明，根須彎曲彈性模量仿真結(jié)果與實(shí)際測量值相對(duì)誤差為4.29%；菊芋根-塊莖抗拉力仿真結(jié)果與實(shí)際測量值相對(duì)誤差為7.72%；菊芋塊莖脫落試驗(yàn)結(jié)果表明，仿真試驗(yàn)與菊芋收獲機(jī)實(shí)際田間作業(yè)相比，滾筒篩轉(zhuǎn)速對(duì)菊芋塊莖脫落率影響趨勢一致，篩內(nèi)物料篩分規(guī)律相符。所構(gòu)建的菊芋根-塊莖模型可用于菊芋機(jī)械化收獲相關(guān)環(huán)節(jié)的分析研究。

摘要:數(shù)字孿生是一種實(shí)現(xiàn)虛實(shí)融合的先進(jìn)理念，能夠解決農(nóng)業(yè)裝備全生命周期中的復(fù)雜性和不確定性問題，促進(jìn)農(nóng)業(yè)機(jī)械化和農(nóng)業(yè)裝備產(chǎn)業(yè)的轉(zhuǎn)型升級(jí)。目前，農(nóng)業(yè)裝備數(shù)字孿生尚處起步階段，缺乏實(shí)用解決方案和典型應(yīng)用案例。為此，基于數(shù)字孿生和農(nóng)業(yè)裝備的特點(diǎn)，融合五維模型和移動(dòng)邊緣計(jì)算技術(shù)，提出一種云-霧-邊-端協(xié)同的數(shù)字孿生系統(tǒng)架構(gòu)與運(yùn)行機(jī)制。以籽粒直收型玉米聯(lián)合收獲機(jī)為對(duì)象，針對(duì)脫粒過程中籽粒破碎率高的問題，開發(fā)大型聯(lián)合收獲機(jī)的數(shù)字孿生原型系統(tǒng)，實(shí)現(xiàn)模型預(yù)測、模型更新、實(shí)時(shí)監(jiān)測和優(yōu)化決策等功能，并開展田間試驗(yàn)。試驗(yàn)結(jié)果顯示：數(shù)字孿生系統(tǒng)有效提高了虛擬模型的適應(yīng)能力，使虛擬模型保持良好的預(yù)測效果；基于數(shù)字孿生的決策優(yōu)化方法有效降低了籽粒破碎率，相較于手動(dòng)收獲模式，籽粒破碎率平均值降低24.24%；相較于反饋控制模式，籽粒破碎率平均值降低15.78%，說明原型系統(tǒng)能夠有效改善玉米籽粒收獲質(zhì)量，所提出的系統(tǒng)架構(gòu)和實(shí)現(xiàn)方法可行。

摘要:“三夏”農(nóng)忙時(shí)節(jié)，農(nóng)機(jī)跨區(qū)作業(yè)已經(jīng)成為重要的農(nóng)業(yè)機(jī)械服務(wù)模式，可以更好地利用和配置農(nóng)機(jī)裝備，提高農(nóng)田作業(yè)效率。由于跨區(qū)農(nóng)機(jī)集群的區(qū)域分布性和動(dòng)態(tài)時(shí)變性的特征，設(shè)計(jì)一個(gè)可靠的農(nóng)機(jī)集群維護(hù)服務(wù)網(wǎng)絡(luò)具有非常重要的意義。本文針對(duì)動(dòng)態(tài)分布的跨區(qū)農(nóng)機(jī)集群，綜合考慮包含靜態(tài)服務(wù)站與動(dòng)態(tài)服務(wù)車的運(yùn)維服務(wù)網(wǎng)絡(luò)服務(wù)設(shè)施選址與服務(wù)區(qū)域劃分，建立混合整數(shù)非線性規(guī)劃的決策模型，并設(shè)計(jì)了結(jié)合線性方法和組合Benders分解的高效算法，以獲取靜態(tài)服務(wù)站的位置和服務(wù)范圍，同時(shí)確定各個(gè)階段動(dòng)態(tài)服務(wù)車的數(shù)量和位置。河南省的實(shí)例表明，構(gòu)建的數(shù)學(xué)模型和求解算法可以有效解決跨區(qū)農(nóng)機(jī)裝備維護(hù)服務(wù)網(wǎng)絡(luò)設(shè)計(jì)問題，為服務(wù)設(shè)施選址和服務(wù)區(qū)域劃分提供了方法指導(dǎo)。參數(shù)敏感性分析結(jié)果表明，最優(yōu)的動(dòng)態(tài)服務(wù)車數(shù)量為26，當(dāng)動(dòng)態(tài)服務(wù)車數(shù)量大于26時(shí)，總服務(wù)成本隨著動(dòng)態(tài)服務(wù)車數(shù)量的增加而增加，并且增加幅度越來越大。

摘要:葉片撞擊是魚類過泵損傷的最主要因素，為了研究魚類通過貫流泵的撞擊損傷特性，基于CFD-DEM耦合方法，通過修改耦合接口代碼優(yōu)化曳力計(jì)算模型，研究貫流泵中魚體與葉片及壁面撞擊后的運(yùn)動(dòng)行為及受力損傷。以簡化的平板撞擊魚類為數(shù)值模擬的切入點(diǎn)，分析了魚體受到撞擊損傷的影響因素，并預(yù)測魚體的過泵損傷死亡率。結(jié)果表明：通過數(shù)值模擬與實(shí)驗(yàn)擬合，得到導(dǎo)致魚體長度與葉片前緣厚度之比（L/d）為2時(shí)魚類死亡的撞擊力閾值為2446N；減小葉片前緣傾角、減小魚體撞擊速度、增大葉片前緣厚度，可降低魚體與葉片前緣碰撞受力來降低魚體的受力損傷；貫流泵中魚體與葉片前緣碰撞產(chǎn)生的撞擊力最大，撞擊損傷最嚴(yán)重，是貫流泵裝置中造成魚類死亡的主要部件；泵站來流中魚體尺度越小，葉片撞擊概率越低，減小L/d，可以降低前緣撞擊力，從而提高魚類過泵存活率。

摘要:國土空間生態(tài)保護(hù)修復(fù)是落實(shí)國家生態(tài)文明建設(shè)的重要措施，也是構(gòu)建國家生態(tài)安全格局和統(tǒng)籌山水林田湖草沙系統(tǒng)治理的重要舉措。而生態(tài)保護(hù)修復(fù)關(guān)鍵區(qū)識(shí)別，是生態(tài)保護(hù)修復(fù)規(guī)劃編制、生態(tài)保護(hù)修復(fù)工程時(shí)空布局等系列工作的前置條件和基礎(chǔ)保障，對(duì)國土空間生態(tài)保護(hù)修復(fù)至關(guān)重要。本文以河南省某生態(tài)保護(hù)修復(fù)工程為研究區(qū)域，開展融合時(shí)序遙感分析的生態(tài)保護(hù)修復(fù)關(guān)鍵區(qū)識(shí)別研究和實(shí)踐，首先，基于Google Earth Engine（GEE）云平臺(tái)，采用Mann-Kendall方法對(duì)研究區(qū)2011—2020年時(shí)序歸一化植被指數(shù)（NDVI）開展趨勢分析，形成時(shí)序分析結(jié)果；其次，基于氣象、地形、土壤、植被凈初級(jí)生產(chǎn)力（NPP）等數(shù)據(jù)，開展基于生態(tài)系統(tǒng)服務(wù)協(xié)同和權(quán)衡計(jì)算的生態(tài)系統(tǒng)健康分析評(píng)估，選擇生態(tài)源地；最后，基于時(shí)序分析結(jié)果和生態(tài)源地選擇結(jié)果，采用疊置分析，開展生態(tài)保護(hù)修復(fù)關(guān)鍵區(qū)域識(shí)別。結(jié)果表明，提出的“基于生態(tài)系統(tǒng)服務(wù)協(xié)同權(quán)衡計(jì)算的生態(tài)系統(tǒng)健康評(píng)估——時(shí)序遙感趨勢分析”的研究框架不僅顧及了研究區(qū)域內(nèi)“靜態(tài)”的生態(tài)系統(tǒng)服務(wù)、生態(tài)系統(tǒng)健康屬性，同時(shí)衡量了“動(dòng)態(tài)”的生態(tài)系統(tǒng)變化趨勢，可以有效識(shí)別國土空間生態(tài)保護(hù)修復(fù)關(guān)鍵區(qū)。研究成果可為國土空間生態(tài)保護(hù)修復(fù)本底調(diào)查、問題識(shí)別、規(guī)劃和工程布局等提供技術(shù)支撐。

摘要:受水稻冠層幾何結(jié)構(gòu)的影響，傳統(tǒng)的無人機(jī)高光譜獲取到的反射光譜信息中包含與水稻內(nèi)部組成物質(zhì)無關(guān)的鏡面反射信息，從而影響水稻氮素含量的反演精度，因此在利用無人機(jī)獲取水稻冠層反射光譜信息時(shí)，有必要考慮通過偏振測量技術(shù)去除反射光譜中的鏡面反射分量，進(jìn)而實(shí)現(xiàn)提升水稻氮素含量反演精度的目的?；跓o人機(jī)偏振遙感測量得到的水稻分蘗期多角度偏振光譜數(shù)據(jù)和與之對(duì)應(yīng)的氮素含量數(shù)據(jù)，采用植被指數(shù)方法分析二者之間的相關(guān)性，得到了水稻冠層偏振光譜數(shù)據(jù)與其對(duì)應(yīng)氮素含量相關(guān)性最高時(shí)對(duì)應(yīng)的角度，選取該觀測角度下的偏振光譜數(shù)據(jù)，利用連續(xù)投影法（Successive projections algorithm，SPA）提取特征波段，在此基礎(chǔ)上，基于數(shù)學(xué)變換的方法，提出了構(gòu)建植被指數(shù)的新思路，構(gòu)建了由2個(gè)波段組成的偏振光譜植被指數(shù)（Polarisation spectrum vegetation index，PSVI），并利用線性回歸方法建立水稻冠層氮素含量的反演模型。結(jié)果表明，通過對(duì)不同觀測天頂角下水稻冠層偏振光譜數(shù)據(jù)與氮素含量相關(guān)性分析，得到最佳觀測角度為-15°（后向觀測15°）；利用連續(xù)投影法提取得到該角度下偏振光譜信息中的6個(gè)特征波長為500、566、663、691、736、763nm；運(yùn)用數(shù)學(xué)變換思想構(gòu)建了由波長500nm和566nm組成的偏振光譜植被指數(shù)（PSVI）；將PSVI作為模型輸入，利用線性回歸方法建立水稻冠層氮素含量反演模型，模型訓(xùn)練集R2為0.7838，RMSE為0.428mg/g；驗(yàn)證集RMSE為0.662mg/g，反演結(jié)果優(yōu)于差值植被指數(shù)（Difference vegetation index，DSI）、比值植被指數(shù)（Ratio vegetation index，RVI）等常見的植被指數(shù)構(gòu)建的氮素含量反演模型。綜上，基于無人機(jī)獲取的水稻分蘗期偏振光譜數(shù)據(jù)，以PSVI植被指數(shù)作為模型輸入，能提升水稻冠層氮素含量的反演精度。

摘要:為探討應(yīng)用無人機(jī)多光譜技術(shù)估算矮林芳樟（Cinnamomum camphora（Linn.）Presl）光合參數(shù)的有效分析模型和方法，本研究以矮林芳樟為研究對(duì)象，通過無人機(jī)搭載的多光譜相機(jī)獲取其冠層六波段光譜反射率，同步測量其凈光合速率（Pn）、胞間二氧化碳濃度（Ci）、氣孔導(dǎo)度（Gs）和蒸騰速率（Tr）4種光合參數(shù)，采用最佳指數(shù)因子（OIF）篩選光譜反射率和植被指數(shù)的組合作為自變量，分別采用偏最小二乘法（Partial least squares method，PLS）、反向傳播神經(jīng)網(wǎng)絡(luò)（Back propagation neural network ，BPNN）和隨機(jī)森林（Random forest，RF）構(gòu)建自變量與光合參數(shù)的估算模型，并分析比較各估算模型的精度。結(jié)果顯示：矮林芳樟光合參數(shù)與葉片紅邊波段2（中心波長750nm）和近紅外波段（中心波長840nm）反射率有密切關(guān)系；紅邊波段2、增強(qiáng)型植被指數(shù)2（EVI2）、紅邊葉綠素指數(shù)（CI rededge）組合的OIF值最大，為0.0126，可作為模型自變量的最佳組合；Pn、Ci、Gs、Tr 4種光合參數(shù)的最優(yōu)模型均為BPNN，其建模集決定系數(shù)R2分別為0.85、0.81、0.80、0.82，均方根誤差(RMSE)分別為0.85μmol/(m2·s)、16.23μmol/mol、0.03mol/(m2·s)、0.37mmol/(m2·s)，相對(duì)分析誤差（RPD）分別為2.59、2.33、2.28、2.37；驗(yàn)證集R2為0.81、0.73、0.83、0.76，RMSE為1.46μmol/(m2·s)、18.37μmol/mol、0.03mol/(m2·s)、0.67mmol/(m2·s)，RPD為1.39、1.86、2.67、1.20。研究結(jié)果可為無人機(jī)多光譜遙感矮林芳樟光合參數(shù)估測提供理論依據(jù)，為快速監(jiān)測大面積經(jīng)濟(jì)植物生長狀況提供技術(shù)支撐。

摘要:針對(duì)小麥考種過程中籽粒堆積、粘連和遮擋現(xiàn)象導(dǎo)致計(jì)數(shù)準(zhǔn)確率低等問題，本文基于電磁振動(dòng)原理設(shè)計(jì)了高通量小麥籽粒振動(dòng)分離裝置，通過分析受力探討了籽粒離散分離程度的主要影響因素，并引入二階離散系數(shù)建立了籽粒離散度等級(jí)評(píng)價(jià)方法。在此基礎(chǔ)上，引入Swin Transformer模塊構(gòu)建YOLO v7-ST模型，對(duì)不同離散度等級(jí)下小麥籽粒進(jìn)行計(jì)數(shù)性能測試。試驗(yàn)結(jié)果表明，YOLO v7-ST模型在3種離散度等級(jí)下平均計(jì)數(shù)準(zhǔn)確率、F1值和平均計(jì)數(shù)時(shí)間的總平均值分別為99.16%、93%和1.19s，相較于YOLO v7、YOLO v5和Faster R-CNN模型，平均計(jì)數(shù)準(zhǔn)確率分別提高1.03、2.34、15.44個(gè)百分點(diǎn)，模型綜合評(píng)價(jià)指標(biāo)F1值分別提高2、3、16個(gè)百分點(diǎn)，平均計(jì)數(shù)時(shí)間較YOLO v5和Faster R-CNN分別減少0.41s和0.36s，僅比YOLO v7模型增大0.09s。因此，YOLO v7-ST模型可實(shí)現(xiàn)多種離散度等級(jí)下不同程度籽粒遮擋和粘連問題的準(zhǔn)確快速檢測，大幅提高小麥考種效率。

摘要:為了高效監(jiān)控蔬菜中農(nóng)藥殘留情況，利用熒光光譜技術(shù)檢測白菜中吡蟲啉農(nóng)藥殘留量。首先通過三維熒光光譜確定400nm為吡蟲啉的最佳激發(fā)波長；其次通過分析6種預(yù)處理算法和2種降維算法，分別選出多元散射校正（Multiple scattering calibration, MSC）和無信息變量消除(Uninformative variable elimination, UVE)作為最佳的預(yù)處理與波長選擇方法；寬度學(xué)習(xí)系統(tǒng)（Broad learning system, BLS）用于熒光光譜建模，同時(shí)與偏最小二乘回歸（Partial least squares regression, PLSR）、支持向量機(jī)（Support vector machine, SVM）和深度極限學(xué)習(xí)機(jī)（Deep extreme learning machines, DELM）等經(jīng)典模型進(jìn)行比較。結(jié)果顯示BLS模型獲得了最佳吡蟲啉含量預(yù)測效果，測試集決定系數(shù)R2p達(dá)0.949，均方根誤差(Root mean square error, RMSE)達(dá)0.347mg/kg。表明了熒光光譜技術(shù)結(jié)合寬度學(xué)習(xí)預(yù)測農(nóng)藥殘留量的可行性，可以為在線檢測農(nóng)藥殘留量系統(tǒng)的開發(fā)提供理論依據(jù)。

摘要:準(zhǔn)確識(shí)別定位采摘點(diǎn)，根據(jù)果梗方向，確定合適的采摘姿態(tài)，是機(jī)器人實(shí)現(xiàn)高效、無損采摘的關(guān)鍵。由于番茄串的采摘背景復(fù)雜，果實(shí)顏色、形狀各異，果梗姿態(tài)多樣，葉子藤枝干擾等因素，降低了采摘點(diǎn)識(shí)別準(zhǔn)確率和采摘成功率。針對(duì)這個(gè)問題，考慮番茄串生長特性，提出基于實(shí)例分割的番茄串視覺定位與采摘姿態(tài)估算方法。首先基于YOLACT實(shí)例分割算法的實(shí)例特征標(biāo)準(zhǔn)化和掩膜評(píng)分機(jī)制，保證番茄串和果梗感興趣區(qū)域 (Region of interest, ROI)、掩膜質(zhì)量和可靠性，實(shí)現(xiàn)果梗粗分割；通過果梗掩膜信息和ROI位置關(guān)系匹配可采摘果梗，基于細(xì)化算法、膨脹操作和果梗形態(tài)特征實(shí)現(xiàn)果梗精細(xì)分割；再通過果梗深度信息填補(bǔ)法與深度信息融合，精確定位采摘點(diǎn)坐標(biāo)。然后利用果梗幾何特征、八鄰域端點(diǎn)檢測算法識(shí)別果梗關(guān)鍵點(diǎn)預(yù)測果梗姿態(tài)，并根據(jù)果梗姿態(tài)確定適合采摘的末端執(zhí)行器姿態(tài)，引導(dǎo)機(jī)械臂完成采摘。研究和大量現(xiàn)場試驗(yàn)結(jié)果表明，提出的方法在復(fù)雜采摘環(huán)境中具有較高的定位精度和穩(wěn)定性，對(duì)4個(gè)品種的番茄串采摘點(diǎn)平均識(shí)別成功率為98.07%，圖像分辨率為1280像素×720像素時(shí)算法處理速率達(dá)到21f/s，采摘點(diǎn)圖像坐標(biāo)最大定位誤差為3像素，深度誤差±4mm，成功定位采摘點(diǎn)后采摘成功率為98.15%。與現(xiàn)有的同類方法相比，采摘點(diǎn)圖像坐標(biāo)定位精度提高76.80個(gè)百分點(diǎn)，采摘成功率提高15.17個(gè)百分點(diǎn)，采摘效率提高31.18個(gè)百分點(diǎn)，滿足非結(jié)構(gòu)化種植環(huán)境中番茄串采摘需求。

摘要:針對(duì)深層神經(jīng)網(wǎng)絡(luò)模型部署到番茄串采摘機(jī)器人，存在運(yùn)行速度慢，對(duì)目標(biāo)識(shí)別率低，定位不準(zhǔn)確等問題，本文提出并驗(yàn)證了一種高效的番茄串檢測模型。模型由目標(biāo)檢測與語義分割兩部分組成。目標(biāo)檢測負(fù)責(zé)提取番茄串所在的矩形區(qū)域，利用語義分割算法在感興趣區(qū)域內(nèi)獲取番茄莖位置。在番茄檢測模塊，設(shè)計(jì)了一種基于深度卷積結(jié)構(gòu)的主干網(wǎng)絡(luò)，在實(shí)現(xiàn)模型參數(shù)稀疏性的同時(shí)提高目標(biāo)的識(shí)別精度，采用K-means++聚類算法獲得先驗(yàn)框，并改進(jìn)了DIoU距離計(jì)算公式，進(jìn)而獲得更為緊湊的輕量級(jí)檢測模型(DC-YOLO v4)。在番茄莖語義分割模塊（ICNet）中以MobileNetv2為主干網(wǎng)絡(luò)，減少參數(shù)計(jì)算量，提高模型運(yùn)算速度。將采摘模型部署在番茄串采摘機(jī)器人上進(jìn)行驗(yàn)證。采用自制番茄數(shù)據(jù)集進(jìn)行測試，結(jié)果表明，DC-YOLO v4對(duì)番茄及番茄串的平均檢測精度為99.31%，比YOLO v4提高2.04個(gè)百分點(diǎn)。語義分割模塊的mIoU為81.63%，mPA為91.87%，比傳統(tǒng)ICNet的mIoU提高2.19個(gè)百分點(diǎn)，mPA提高1.47個(gè)百分點(diǎn)。對(duì)番茄串的準(zhǔn)確采摘率為84.8%，完成一次采摘作業(yè)耗時(shí)約6s。

摘要:為在自然環(huán)境下自動(dòng)準(zhǔn)確地檢測櫻桃番茄果實(shí)的成熟度，實(shí)現(xiàn)櫻桃番茄果實(shí)自動(dòng)化采摘，根據(jù)成熟期櫻桃番茄果實(shí)表型特征的變化以及國家標(biāo)準(zhǔn)GH/T 1193—2021制定了5級(jí)櫻桃番茄果實(shí)成熟度級(jí)別（綠熟期、轉(zhuǎn)色期、初熟期、中熟期和完熟期），并針對(duì)櫻桃番茄相鄰成熟度特征差異不明顯以及果實(shí)之間相互遮擋問題，提出一種改進(jìn)的輕量化YOLO v7模型的櫻桃番茄果實(shí)成熟度檢測方法。該方法將MobileNetV3引入YOLO v7模型中作為骨干特征提取網(wǎng)絡(luò)，以減少網(wǎng)絡(luò)的參數(shù)量，同時(shí)在特征融合網(wǎng)絡(luò)中加入全局注意力機(jī)制（Global attention mechanism，GAM）模塊以提高網(wǎng)絡(luò)的特征表達(dá)能力。試驗(yàn)結(jié)果表明，改進(jìn)的YOLO v7模型在測試集下的精確率、召回率和平均精度均值分別為98.6%、98.1%和98.2%，單幅圖像平均檢測時(shí)間為82ms，模型內(nèi)存占用量為66.5MB。對(duì)比Faster R-CNN、YOLO v3、YOLO v5s和YOLO v7模型，平均精度均值分別提升18.7、0.2、0.3、0.1個(gè)百分點(diǎn)，模型內(nèi)存占用量也最少。研究表明改進(jìn)的YOLO v7模型能夠?yàn)闄烟曳压麑?shí)的自動(dòng)化采摘提供技術(shù)支撐。

摘要:為了實(shí)現(xiàn)甘蔗智能橫向切種工作站的精準(zhǔn)、高效的自動(dòng)化切種，針對(duì)工廠化切種任務(wù)的特點(diǎn)，提出了一種基于改進(jìn)YOLO v5s的甘蔗莖節(jié)特征邊緣端識(shí)別與定位方法。首先，利用張正友相機(jī)標(biāo)定法對(duì)攝像頭進(jìn)行畸變矯正；然后對(duì)甘蔗莖節(jié)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，利用原始的YOLO v5s模型進(jìn)行訓(xùn)練和測試，結(jié)果顯示數(shù)據(jù)增強(qiáng)能一定程度上提高檢測精度。針對(duì)莖節(jié)特征目標(biāo)小以及模型體積大導(dǎo)致檢測精度低、部署難度高等問題，對(duì)YOLO v5s的骨干網(wǎng)絡(luò)進(jìn)行改進(jìn)，在SPPF特征融合模塊前引入坐標(biāo)注意力（Coordinate attention，CA）模塊和Ghost輕量化結(jié)構(gòu)，在Head網(wǎng)絡(luò)中剔除P5大目標(biāo)檢測頭，得到了改進(jìn)后甘蔗莖節(jié)檢測模型YOLO v5s-CA-BackboneGhost-p34，測試結(jié)果表明該模型優(yōu)于其他主流算法和原始模型，具有高精度、小體積等優(yōu)勢。其中，平均精度均值1和平均精度均值2分別提高5.2、16.5個(gè)百分點(diǎn)，模型浮點(diǎn)數(shù)計(jì)算量和內(nèi)存占用量分別降低42%和51%。最后，為了提高檢測速度和實(shí)時(shí)性，將模型部署于邊緣端，利用TensorRT技術(shù)加快檢測速度，并在傳送速度為0.15m/s的甘蔗智能橫向切種工作站上完成實(shí)際切種實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，加速后莖節(jié)檢測速度達(dá)到95f/s，實(shí)時(shí)檢測定位平均誤差約為 2.4mm，切種合格率為100%，漏檢率0.4%，說明本文提出的模型具有高度可靠性和實(shí)用性，可以為甘蔗橫向切種工作站的工廠化、智能化以及標(biāo)準(zhǔn)化應(yīng)用提供有效的技術(shù)支持。

摘要:為使巡檢機(jī)器人能夠?qū)w積小且密集、形態(tài)多變、數(shù)量多且分布不均的害蟲進(jìn)行高效精準(zhǔn)識(shí)別，提出了一種基于改進(jìn)YOLO v7的害蟲識(shí)別方法。該方法將CSP Bottleneck與基于移位窗口Transformer（Swin Transformer）自注意力機(jī)制相結(jié)合，提高了模型獲取密集害蟲目標(biāo)位置信息的能力；在路徑聚合部分增加第4檢測支路，提高模型對(duì)小目標(biāo)的檢測性能；將卷積注意力模塊（CBAM）集成到Y(jié)OLO v7模型中，使模型更加關(guān)注害蟲區(qū)域，抑制背景等一般特征信息，提高被遮擋害蟲的識(shí)別精確率；使用 Focal EIoU Loss 損失函數(shù)減少正負(fù)樣本不平衡對(duì)檢測結(jié)果的影響，提高識(shí)別精度。采用基于實(shí)際農(nóng)田環(huán)境建立的數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，改進(jìn)后算法的精確率、召回率及平均精度均值分別為91.6%、82.9%和88.2%，較原模型提升2.5、1.2、3個(gè)百分點(diǎn)。與其它主流模型的對(duì)比實(shí)驗(yàn)結(jié)果表明，本文方法對(duì)害蟲的實(shí)際檢測效果更優(yōu)，對(duì)解決農(nóng)田復(fù)雜環(huán)境下害蟲的精準(zhǔn)識(shí)別問題具有參考價(jià)值。

摘要:在智慧養(yǎng)殖研究中，基于深度學(xué)習(xí)的豬只圖像實(shí)例分割方法，是豬只個(gè)體識(shí)別、體重估測、行為識(shí)別等下游任務(wù)的關(guān)鍵。為解決模型訓(xùn)練需要大量的逐像素標(biāo)注圖像，以及大量的人力和時(shí)間成本的問題，采用弱監(jiān)督豬只分割策略，制作弱監(jiān)督數(shù)據(jù)集，提出一種新的特征提取骨干網(wǎng)絡(luò)RdsiNet：首先在ResNet-50殘差模塊基礎(chǔ)上引入第2代可變形卷積，擴(kuò)大網(wǎng)絡(luò)感受野；其次，使用空間注意力機(jī)制，強(qiáng)化網(wǎng)絡(luò)對(duì)重要特征的權(quán)重值；最后引入involution算子，借助其空間特異性和通道共享性，實(shí)現(xiàn)加強(qiáng)深層空間信息、將特征映射同語義信息連接的功能。通過消融實(shí)驗(yàn)和對(duì)比實(shí)驗(yàn)證明了RdsiNet對(duì)于弱監(jiān)督數(shù)據(jù)集的有效性，實(shí)驗(yàn)結(jié)果表明其在Mask R-CNN模型下分割的mAPSemg達(dá)到88.6%，高于ResNet-50、GCNet等一系列骨干網(wǎng)絡(luò)；在BoxInst模型下mAPSemg達(dá)到95.2%，同樣高于ResNet-50骨干網(wǎng)絡(luò)的76.7%。而在分割圖像對(duì)比中，使用RdsiNet骨干網(wǎng)絡(luò)的分割模型同樣具有更好的分割效果：在圖像中豬只堆疊情況下，能更好地分辨豬只個(gè)體；使用BoxInst訓(xùn)練的模型，測試圖像中掩碼具有更高的精細(xì)度，這更有利于開展下游分析。

摘要:肉?；顒?dòng)過程中所表現(xiàn)出的行為是肉牛健康狀況的綜合體現(xiàn)，實(shí)現(xiàn)肉牛行為的快速準(zhǔn)確識(shí)別，對(duì)肉牛疾病防控、自身發(fā)育評(píng)估和發(fā)情監(jiān)測等具有重要作用?；跈C(jī)器視覺的行為識(shí)別技術(shù)因其無損、快速的特點(diǎn)，已應(yīng)用在畜禽養(yǎng)殖行為識(shí)別中，但現(xiàn)有的基于機(jī)器視覺的肉牛行為識(shí)別方法通常針對(duì)單只?；騿为?dú)某個(gè)行為開展研究，且存在計(jì)算量大等問題。針對(duì)上述問題，本文提出了一種基于SNSS-YOLO v7（Slim-Neck & Separated and enhancement attention module & Simplified spatial pyramid pooling-fast-YOLO v7）的肉牛行為識(shí)別方法。首先在復(fù)雜環(huán)境下采集肉牛的爬跨、躺臥、探究、站立、運(yùn)動(dòng)、舔砥和互斗7種常見行為圖像，構(gòu)建肉牛行為數(shù)據(jù)集；其次在YOLO v7頸部采用Slim-Neck結(jié)構(gòu)，以減小模型計(jì)算量與參數(shù)量；然后在頭部引入分離和增強(qiáng)注意力模塊（Separated and enhancement attention module，SEAM）增強(qiáng)Neck層輸出后的檢測效果；最后使用SimSPPF（Simplified spatial pyramid pooling-fast）模塊替換原YOLO v7的SPPCSPC（Spatial pyramid pooling cross stage partial conv）模塊，在增大感受野的同時(shí)進(jìn)一步減少參數(shù)量。在自建數(shù)據(jù)集上測試，本文提出的肉牛行為識(shí)別方法的平均精度均值（mAP@0.5）為95.2%，模型內(nèi)存占用量為39 MB，參數(shù)量為1.926×107。與YOLO v7、YOLO v6m、YOLO v5m、YOLOX-S、TPH-YOLO v5、Faster R-CNN相比，模型內(nèi)存占用量分別減小47.9%、45.4%、7.6%、43.1%、57.8%和92.5%，平均精度均值（mAP@0.5）分別提高1.4、2.2、3.1、13.7、1.9、4.5個(gè)百分點(diǎn)，試驗(yàn)結(jié)果表明，本文方法能夠?qū)崿F(xiàn)肉牛行為的準(zhǔn)確識(shí)別，可以部署在計(jì)算資源有限的設(shè)備上，為實(shí)現(xiàn)畜禽養(yǎng)殖智能化提供支持。

摘要:針對(duì)現(xiàn)有深度學(xué)習(xí)技術(shù)在奶牛關(guān)鍵點(diǎn)檢測研究中尚存在網(wǎng)絡(luò)復(fù)雜度高、檢測速度慢等問題，提出了一種輕量化奶牛關(guān)鍵點(diǎn)檢測模型SimCC-ShuffleNetV2。在模型中，主干網(wǎng)絡(luò)采用ShuffleNetV2用于特征提取，有利于實(shí)現(xiàn)網(wǎng)絡(luò)的輕量化；檢測頭采用SimCC用于關(guān)鍵點(diǎn)位置預(yù)測，SimCC采取坐標(biāo)分類的方法使得檢測更加簡單高效。為了驗(yàn)證模型的性能，本研究設(shè)計(jì)了奶牛的關(guān)鍵點(diǎn)及骨架結(jié)構(gòu)，并標(biāo)注了3600幅圖像用于模型的訓(xùn)練與測試。試驗(yàn)結(jié)果表明，SimCC-ShuffleNetV2模型的AP50:95為88.07%，浮點(diǎn)運(yùn)算量為1.5×108，參數(shù)量為1.31×106，檢測速度為10.87f/s，可以實(shí)現(xiàn)奶牛關(guān)鍵點(diǎn)的精確與高效檢測。與基于回歸的DeepPose網(wǎng)絡(luò)、基于熱力圖的HRNet網(wǎng)絡(luò)進(jìn)行了對(duì)比試驗(yàn)，結(jié)果表明SimCC-ShuffleNetV2取得了精度與速度的良好平衡。同時(shí)，本研究通過更換不同主干與不同檢測頭的方式，對(duì)比驗(yàn)證了不同模塊對(duì)模型性能影響，本研究所提出的模型在所有試驗(yàn)中均取得了最佳結(jié)果，表明ShuffleNetV2與SimCC的組合具備良好的關(guān)鍵點(diǎn)檢測性能。為了驗(yàn)證模型的有效性，將模型應(yīng)用于4種動(dòng)作視頻中提取骨架序列并將其送入ST-GCN網(wǎng)絡(luò)以實(shí)現(xiàn)不同動(dòng)作的分類，其分類準(zhǔn)確率為84.56%，表明本研究提出的SimCC-ShuffleNetV2模型是良好的關(guān)鍵點(diǎn)提取器，可為奶牛行為識(shí)別等任務(wù)提供關(guān)鍵信息支撐。

摘要:針對(duì)跟蹤模型泛化能力差、跟蹤模型正樣本選取質(zhì)量低、深層模型參數(shù)量大不利于部署等問題，本文提出了超輕量化孿生網(wǎng)絡(luò)模型Siamese-remo。首先結(jié)合傳統(tǒng)隨機(jī)采樣方法和go-turn方法，設(shè)計(jì)出新型的正負(fù)樣本選取策略，增加模型泛化能力；其次采用shiftbox-remo的數(shù)據(jù)增強(qiáng)方式均勻正樣本分布，并提升正樣本采集質(zhì)量；然后通過改進(jìn)后的超輕量化Mobileone-remo網(wǎng)絡(luò)提取特征，一定程度減少深層網(wǎng)絡(luò)對(duì)跟蹤平移不變性的破壞，并預(yù)設(shè)不同特征融合參數(shù)，單獨(dú)訓(xùn)練網(wǎng)絡(luò)分類和回歸；最終加入Center-rank loss函數(shù)，根據(jù)樣本點(diǎn)位置影響置信度、IOU排名，對(duì)網(wǎng)絡(luò)分類回歸策略進(jìn)行優(yōu)化。實(shí)驗(yàn)證明，自然場景下奶牛單目標(biāo)跟蹤模型期望平均重合度(Expected average overlap, EAO)達(dá)到0.475，相對(duì)于基線模型提升0.078，與現(xiàn)有跟蹤器對(duì)比取得了較好的成績，且參數(shù)量僅為現(xiàn)有主流算法的1/20，為后續(xù)自然場景下奶牛身份識(shí)別與目標(biāo)跟蹤系統(tǒng)提供了技術(shù)支持。

摘要:動(dòng)態(tài)水壓噴灑和基于脈沖寬度調(diào)制的間歇噴灑對(duì)噴頭噴灑水力特性均有顯著調(diào)節(jié)作用，為充分發(fā)揮動(dòng)態(tài)水壓和間歇噴灑的技術(shù)優(yōu)勢，本研究通過壓縮空氣儲(chǔ)能調(diào)節(jié)同步實(shí)現(xiàn)動(dòng)態(tài)水壓和間歇脈沖噴灑，基于此開發(fā)出新型動(dòng)態(tài)水壓間歇脈沖噴灌裝置，并對(duì)動(dòng)態(tài)水壓間歇脈沖噴灑條件下的噴灌水力性能指標(biāo)進(jìn)行了實(shí)測和計(jì)算。結(jié)果表明，動(dòng)態(tài)水壓間歇脈沖噴灑模式下，噴頭工作壓力呈“急速上升—波動(dòng)下降—急速下降”三階段變化趨勢，噴頭流量較恒壓連續(xù)噴灑降低70.23%~82.77%；徑向噴灌強(qiáng)度呈雙峰型分布，峰值噴灌強(qiáng)度為連續(xù)噴灑下的12.7%~33%；噴灑水量分布均勻度較連續(xù)噴灑有小幅降低5.8%~14.1%，且可通過運(yùn)行參數(shù)優(yōu)化進(jìn)一步提升；水滴對(duì)表層土壤的打擊強(qiáng)度顯著降低，動(dòng)能強(qiáng)度峰值降幅50.6%~70.9%。研究結(jié)果表明動(dòng)態(tài)水壓間歇脈沖噴灑可靈活實(shí)現(xiàn)噴灑水力性能指標(biāo)的同步提升，具有較大應(yīng)用潛力。

摘要:針對(duì)區(qū)域洪水災(zāi)害風(fēng)險(xiǎn)定量評(píng)估方法精度不足問題，構(gòu)建了一種基于蝴蝶優(yōu)化算法改進(jìn)的支持向量機(jī)模型（Butterfly optimization algorithm-support vector machine, BOA-SVM），并將其應(yīng)用于黑龍江省近15年的洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估與時(shí)空特征分析。結(jié)果表明：研究時(shí)段內(nèi)，黑龍江省總體洪水風(fēng)險(xiǎn)水平前期升降變化明顯，而后期逐漸趨于平穩(wěn)，并呈現(xiàn)西北部高、東南部低的空間分布格局。其中，大慶地區(qū)洪水風(fēng)險(xiǎn)水平最低，綏化地區(qū)風(fēng)險(xiǎn)水平最高，其余地區(qū)風(fēng)險(xiǎn)水平隨年際變化有明顯下降趨勢。產(chǎn)水模數(shù)、人均GDP、月強(qiáng)降水量、農(nóng)林漁業(yè)總產(chǎn)值占比、人口自然增長率、每萬人擁有衛(wèi)生機(jī)構(gòu)床位數(shù)、萬公頃水庫總庫容為洪水風(fēng)險(xiǎn)變化的關(guān)鍵驅(qū)動(dòng)因子。構(gòu)建的BOA-SVM模型與傳統(tǒng)支持向量機(jī)模型（Support vector machine, SVM）和基于帝國競爭算法改進(jìn)的支持向量機(jī)模型（Imperialist competitive algorithm-support vector machine, ICA-SVM）相比，平均絕對(duì)誤差（MAE）分別降低38.15%和9.18%，均方誤差（MSE）分別降低58.5%和21.56%，平均絕對(duì)百分比誤差（MAPE）分別降低35.23%和11.42%、決定系數(shù)（R2）分別增長0.62%和0.12%，說明BOA-SVM模型在擬合性、適配性、穩(wěn)定性、可靠性以及評(píng)估精度等方面更具優(yōu)勢。研究成果可為洪水災(zāi)害風(fēng)險(xiǎn)評(píng)估提供一種新模型，同時(shí)可為有效調(diào)控和降低區(qū)域洪水災(zāi)害風(fēng)險(xiǎn)提供參考。

摘要:針對(duì)干旱區(qū)復(fù)雜環(huán)境下水體光譜特性空間差異大、水體提取方法適用性差的問題，本研究基于Sentinel-2衛(wèi)星多光譜數(shù)據(jù)，通過超分辨率算法重建10m空間分辨率多光譜影像，將短波紅外（Short-wave infrared，SWIR）重建波段、近紅外（Near-infrared，NIR）重建波段作為水體識(shí)別特征波段，在此基礎(chǔ)上采用超像素分割算法識(shí)別水體像元，基于24種光譜指數(shù)、支持向量機(jī)（Support vector machine，SVM）、神經(jīng)網(wǎng)絡(luò)（Neural network，NN）、K-means共構(gòu)建60種水體提取方法，采用總體精度（Overall accuracy，OA）、準(zhǔn)確率（Precision）、F1值、馬修斯相關(guān)系數(shù)（Matthews correlation coefficient，MCC）等水體提取精度指標(biāo)進(jìn)行綜合評(píng)價(jià)，以黑河流域?yàn)榈湫脱芯繀^(qū)，確定干旱區(qū)最佳水體提取方法。結(jié)果表明，基于Sentinel-2綠色波段（中心波長為560nm）與超分辨率重建短波紅外波段（中心波長為1610nm）構(gòu)建的改進(jìn)的歸一化水體指數(shù)方法，顯著增強(qiáng)水體提取時(shí)對(duì)干旱區(qū)細(xì)小水體、陰影、云層像元識(shí)別能力，水體提取總體精度為99.81%，準(zhǔn)確率為92.04%，F(xiàn)1值為88.02%，G-mean、馬修斯相關(guān)系數(shù)均大于0.88，水體提取精度優(yōu)于其他方法。研究結(jié)果可快速精準(zhǔn)地提取干旱區(qū)水體，為干旱區(qū)水體應(yīng)用領(lǐng)域提供理論支持。

摘要:以撓力河流域?yàn)檠芯繀^(qū)，選擇2000、2010、2020年3期土地利用數(shù)據(jù)，從土地利用動(dòng)態(tài)度和轉(zhuǎn)移矩陣兩方面分析土地利用時(shí)空變化，運(yùn)用CLUE-S模型對(duì)研究區(qū)2030年土地利用變化格局進(jìn)行模擬驗(yàn)證，設(shè)基線、農(nóng)業(yè)發(fā)展和生態(tài)保護(hù)3種情景預(yù)測2030年土地利用變化格局，最后對(duì)3種情景下耕地適宜性進(jìn)行評(píng)價(jià)。結(jié)果表明：研究區(qū)土地利用類型以耕地為主，2000—2020年森林、濕地、水體和人造地表呈增加趨勢，耕地和草地呈減少趨勢。2000—2020年土地利用轉(zhuǎn)移主要發(fā)生在耕地、草地和森林之間，2000—2010年草地面積轉(zhuǎn)入最多，耕地次之，森林最少，轉(zhuǎn)出面積相反；2010—2020年森林轉(zhuǎn)入轉(zhuǎn)出面積最多，草地次之，耕地最少。CLUE-S模型對(duì)撓力河流域土地利用變化具有良好的模擬能力，Kappa系數(shù)為0.894，模擬總體精度為91.18%；基線情景下耕地、草地和水體地類面積減少，其他地類面積增加；農(nóng)業(yè)發(fā)展情景下耕地面積增加23.68%，人造地表面積未發(fā)生變化，其他地類面積均較少；生態(tài)保護(hù)情景下與農(nóng)業(yè)發(fā)展情景正好相反。依評(píng)價(jià)指標(biāo)體系和評(píng)價(jià)模型，分析計(jì)算出3種情景下耕地位于適宜區(qū)的面積占研究區(qū)總面積的96%以上，不適宜區(qū)占比低于4%。研究結(jié)果可為加強(qiáng)未來耕地質(zhì)量建設(shè)與管理、落實(shí)耕地保護(hù)目標(biāo)和科學(xué)管理土地資源提供科學(xué)決策。

摘要:農(nóng)機(jī)壓實(shí)土壤的問題很難避免，而農(nóng)田壓實(shí)土壤的結(jié)構(gòu)恢復(fù)至關(guān)重要，凍融循環(huán)是恢復(fù)壓實(shí)土壤的有效方法。為了研究凍融循環(huán)+大孔隙對(duì)恢復(fù)壓實(shí)土壤的作用，通過室內(nèi)試驗(yàn)重塑壓實(shí)土壤及人工孔隙措施模擬大孔隙，在不同土壤含水率條件下設(shè)計(jì)不同的凍融循環(huán)次數(shù)，利用溫度傳感器監(jiān)測土壤溫度波動(dòng)，同時(shí)對(duì)比凍融循環(huán)前后壓實(shí)土壤孔隙與團(tuán)聚體參數(shù)的變化。結(jié)果表明，凍融循環(huán)過程中，有人工孔隙壓實(shí)土壤在高、低兩種含水率條件下，分別在第3次和第2次凍融循環(huán)時(shí)開始大幅溫度波動(dòng)，相同含水率條件下無人工孔隙的壓實(shí)土壤溫度大幅波動(dòng)則出現(xiàn)在第7次和第4次凍融循環(huán)，經(jīng)歷多次凍融循環(huán)后，有人工孔隙壓實(shí)土壤的團(tuán)聚體平均尺度、結(jié)構(gòu)系數(shù)等參數(shù)均優(yōu)于無人工孔隙的壓實(shí)土壤。人工孔隙可通過調(diào)節(jié)土壤溫度波動(dòng)改變凍融循環(huán)在土壤中的作用強(qiáng)度，加速壓實(shí)土壤結(jié)構(gòu)恢復(fù)進(jìn)程，凍融循環(huán)+大孔隙策略是改善土壤孔隙及團(tuán)聚體結(jié)構(gòu)的有效措施。

摘要:為探究節(jié)水灌溉模式下黑土稻田NH3、N2O排放及氮肥吸收利用對(duì)減施氮肥的響應(yīng)規(guī)律，以黑龍江省黑土稻田為研究對(duì)象，于2021年進(jìn)行了大田試驗(yàn)，試驗(yàn)設(shè)置常規(guī)淹灌（F）和控制灌溉（C）2種灌溉模式，全生育期施氮量設(shè)置常規(guī)施氮水平（N，110kg/hm2）、減氮10%（N1，99kg/hm2）和減氮20%（N2，88kg/hm2）3個(gè)水平，并在F和C灌溉模式下分別設(shè)置不施氮肥處理（CK1和CK2）作為對(duì)照組，共8個(gè)處理。分析了不同灌溉模式下減施氮肥對(duì)水稻全生育期NH3揮發(fā)速率和N2O排放的影響，計(jì)算了氮肥氣態(tài)損失量和損失率，并基于同位素示蹤技術(shù)進(jìn)一步估算了水稻對(duì)氮肥的吸收利用量及水稻收獲后土壤中的氮肥殘留量。結(jié)果表明：2種灌溉模式下的氮肥氣態(tài)損失量及損失率均隨著施氮量的減少而降低?？刂乒喔饶Ｊ降膽?yīng)用增加了黑土稻田氮肥氣態(tài)損失，其各處理的氮肥氣態(tài)損失量及損失率均高于常規(guī)淹灌模式下相同施氮量處理。然而同位素示蹤結(jié)果表明，采用控制灌溉模式能夠增強(qiáng)水稻對(duì)氮肥的吸收，同時(shí)能夠有效降低氮肥損失?？刂乒喔饶Ｊ较赂魈幚硭緦?duì)氮肥的吸收利用量和利用率均顯著高于常規(guī)淹灌模式下相同施氮量處理，且當(dāng)施氮量相同時(shí)，控制灌溉模式下各處理的氮肥損失量和總損失率均顯著低于常規(guī)淹灌模式（P<0.05）。綜上所述，控制灌溉模式下減施氮肥提高了氮肥吸收利用率，同時(shí)降低了氮肥損失，并可穩(wěn)產(chǎn)甚至能夠在一定程度上增加水稻產(chǎn)量。研究結(jié)果可為東北地區(qū)稻田制定節(jié)肥、增效、減排兼容的水肥資源管理策略提供科學(xué)依據(jù)，對(duì)保障東北地區(qū)農(nóng)業(yè)可持續(xù)發(fā)展具有重要意義。

摘要:針對(duì)土壤電導(dǎo)率傳感器測量不準(zhǔn)確的問題，提出了不考慮含水率θ與考慮θ的非線性耦合標(biāo)定模型，并開展了土壤電導(dǎo)率傳感器的標(biāo)定與驗(yàn)證試驗(yàn)。標(biāo)定試驗(yàn)采用新疆維吾爾自治區(qū)阿拉爾市十團(tuán)蘋果園沙土，使用去離子水與NaCl設(shè)計(jì)了9組含水率梯度與6組含鹽量梯度共54組土樣，分別使用土壤電導(dǎo)率傳感器與高精度電導(dǎo)率儀對(duì)土樣的電導(dǎo)率進(jìn)行測量；根據(jù)耦合模型分別對(duì)不考慮θ、考慮θ以及考慮θ細(xì)分的3種處理進(jìn)行擬合分析；最后對(duì)同一蘋果園設(shè)計(jì)了大田驗(yàn)證試驗(yàn)。結(jié)果表明，土壤電導(dǎo)率傳感器測量的電導(dǎo)率EC0以及電導(dǎo)率儀測量的電導(dǎo)率EC1與土壤含鹽量均呈正相關(guān)，EC0隨θ的增加而增加，EC1隨θ的增加而減少；3次擬合結(jié)果表明，θ對(duì)電導(dǎo)率測量有顯著影響，隨θ細(xì)分，3個(gè)處理的殘差逐漸減小，擬合決定系數(shù)R2均不小于0.839且逐漸增大；驗(yàn)證試驗(yàn)結(jié)果表明所提出耦合模型可以有效提高電導(dǎo)率測量精度，該標(biāo)定方法可為土壤電導(dǎo)率準(zhǔn)確測量以及土壤電導(dǎo)率傳感器標(biāo)定校準(zhǔn)等相關(guān)研究提供依據(jù)。

摘要:在稻蝦養(yǎng)殖模式中溶解氧含量（濃度）是養(yǎng)殖水體的重要指標(biāo)之一，其直接影響小龍蝦的攝食量和新陳代謝，因此在養(yǎng)殖過程中精準(zhǔn)預(yù)測溶解氧含量至關(guān)重要。針對(duì)稻蝦養(yǎng)殖中溶解氧含量變化復(fù)雜，難以快速準(zhǔn)確預(yù)測的問題，提出了BiLSTM-GRU融合神經(jīng)網(wǎng)絡(luò)預(yù)測模型。為了保證精準(zhǔn)預(yù)測，首先對(duì)傳感器進(jìn)行了清洗校準(zhǔn)，并根據(jù)偏移量對(duì)歷史數(shù)據(jù)進(jìn)行了修正。在此基礎(chǔ)上構(gòu)建了基于BiLSTM和GRU的融合神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，BiLSTM提取更多特征因子，GRU實(shí)現(xiàn)快速預(yù)測，快速準(zhǔn)確預(yù)測溶解氧含量變化。為了使監(jiān)測預(yù)測性能更優(yōu)，對(duì)不同采樣周期下的資源損耗及預(yù)測模型性能進(jìn)行綜合對(duì)比分析，確定了傳感器數(shù)據(jù)最優(yōu)采樣周期為30min。進(jìn)一步與LSTM、GRU、BiLSTM以及BiGRU模型對(duì)比，表明本文提出的BiLSTM-GRU融合神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果更好，其平均絕對(duì)誤差、均方根誤差和決定系數(shù)分別為0.2759mg/L、0.6160mg/L和0.9547，比傳統(tǒng)的LSTM神經(jīng)網(wǎng)絡(luò)模型分別高25.14%、13.25%和2.22%。

摘要:為明確高壓靜電場（High-voltage electrostatic field，HVEF）對(duì)發(fā)酵牛肉品質(zhì)影響規(guī)律，采用2.0kV HVEF和3.0kV HVEF輔助制作發(fā)酵牛肉，與對(duì)照組比較，分析不同處理?xiàng)l件對(duì)發(fā)酵牛肉理化指標(biāo)、風(fēng)味品質(zhì)、微生物群落的影響。結(jié)果表明：HVEF輔助處理會(huì)顯著降低發(fā)酵牛肉的含水率（P<0.05），且電壓越高，效果越顯著，對(duì)pH值、L*和b*值無顯著影響，但2.0kV HVEF處理會(huì)顯著降低a*值、增加ΔE值（P<0.05）。電子鼻分析表明，不同處理組發(fā)酵牛肉樣品之間風(fēng)味差異較大，可以通過主成分分析進(jìn)行較好區(qū)分。電子舌分析表明，HVEF輔助處理會(huì)增加鮮味、咸味和苦味傳感器響應(yīng)值。通過氣相離子遷移譜（Gas chromatography〖CD*2〗ion mobility spectrometry，GC〖CD*2〗IMS）分析，共鑒別出43種揮發(fā)性風(fēng)味物質(zhì)，包括醇類12種、酮類10種、醛類9種、烯類8種、其他4種，3.0kV HVEF處理對(duì)這些風(fēng)味物質(zhì)的含量影響較大。高通量測序結(jié)果表明，發(fā)酵牛肉中的真菌優(yōu)勢菌為Penicillium（青霉菌屬）和Debaryomyces（德巴利酵母屬），HVEF能夠降低Penicillium所占比例，增加Debaryomyces所占比例；發(fā)酵牛肉中的細(xì)菌優(yōu)勢菌為Staphylococcus（葡萄球菌屬）和Lactobacillus（乳桿菌屬），HVEF能夠增加Staphylococcus所占比例，降低Lactobacillus所占比例。各指標(biāo)綜合分析表明，3.0kV HVEF處理對(duì)發(fā)酵牛肉品質(zhì)提升有較好促進(jìn)作用。

摘要:雞蛋殼膜分選裝置用來分選分離后的雞蛋殼膜混合物，目前在實(shí)驗(yàn)室中已經(jīng)完成了殼膜分選裝置的研究和設(shè)計(jì)，達(dá)到了很好的分選效果。為了使研究結(jié)果具有普遍適用性，便于工廠化應(yīng)用，縮短設(shè)計(jì)周期，基于相似理論，以已研制的雞蛋殼膜分選裝置為模型，提出一種雞蛋殼膜分選裝置的相似設(shè)計(jì)方法。當(dāng)固體負(fù)荷率分別為6、12、18、24kg/s時(shí)，對(duì)根據(jù)該方法設(shè)計(jì)的裝置進(jìn)行仿真，同時(shí)進(jìn)行了比例尺為12倍的原型試驗(yàn)，驗(yàn)證了相似設(shè)計(jì)方法的正確性和可行性。運(yùn)用Visual Basic 6.0對(duì)CATIA、AutoCAD進(jìn)行二次開發(fā)，編寫程序，可直接獲得三維模型、二維圖紙及工作參數(shù)，提高了雞蛋殼膜分選裝置的設(shè)計(jì)效率，降低了成本，實(shí)現(xiàn)了分選裝置的快速設(shè)計(jì)。

摘要:硬度是確定獼猴桃成熟度的重要指標(biāo)之一，對(duì)其貯藏周期與銷售節(jié)點(diǎn)均具有重要指導(dǎo)意義。針對(duì)現(xiàn)階段缺乏使用簡易、成本低且精度高的獼猴桃無損硬度檢測方法的問題，提出了一種基于視觸覺與深度學(xué)習(xí)的獼猴桃硬度檢測方法，通過分析柔性觸覺傳感層與獼猴桃接觸時(shí)的形變，獲取獼猴桃的動(dòng)態(tài)觸覺信息，并據(jù)此推斷其硬度。以樹莓派開發(fā)板為機(jī)電控制平臺(tái)，制作了獼猴桃視觸覺序列圖像采集裝置，并對(duì)裝置按壓獼猴桃間隔3h后接觸面果肉與非接觸面果肉的CIELAB顏色分量平均數(shù)進(jìn)行差異顯著性檢驗(yàn)，隨后采集了獼猴桃視觸覺序列圖像數(shù)據(jù)集600組，分別搭建了CNN網(wǎng)絡(luò)、CNN-LSTM遷移學(xué)習(xí)網(wǎng)絡(luò)、CNN-LSTM聯(lián)合學(xué)習(xí)網(wǎng)絡(luò)對(duì)視觸覺序列圖像進(jìn)行分析及硬度預(yù)測。研究結(jié)果表明，接觸面果肉與非接觸面果肉顏色L*、a*、b*三通道分量下平均值無顯著差異；深度學(xué)習(xí)模型LSTM引入長時(shí)和短時(shí)信息可以動(dòng)態(tài)關(guān)聯(lián)CNN提取的單幀圖像特征，從而有效推斷獼猴桃硬度，其中CNN-LSTM聯(lián)合學(xué)習(xí)模型預(yù)測效果最優(yōu)，其均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)、決定系數(shù)R2分別為 1.611N、1.360N、0.856，優(yōu)于現(xiàn)階段光譜技術(shù)檢測獼猴桃硬度的結(jié)果，隨后將模型嵌入樹莓派中制作了獼猴桃硬度自動(dòng)檢測裝置，可實(shí)現(xiàn)短時(shí)間內(nèi)獼猴桃硬度的較為準(zhǔn)確檢測。因此，結(jié)合視觸覺傳感方法與聯(lián)合學(xué)習(xí)模型可以實(shí)現(xiàn)對(duì)單個(gè)獼猴桃硬度的準(zhǔn)確無損測量。

摘要:為了能準(zhǔn)確檢測、跟蹤加州鱸魚因水中溶解氧含量低產(chǎn)生的脅迫行為，本文構(gòu)建了一種改進(jìn)的YOLO v5與DeepSORT組合網(wǎng)絡(luò)算法。在算法方面提出2個(gè)改進(jìn)方案：在原YOLO v5的Backbone和Neck中分別加入2個(gè)基于移位窗口的自注意力Swin Transformer模塊，提升了網(wǎng)絡(luò)對(duì)目標(biāo)特征信息的提取能力，以此提升原模型的檢測效果；采用Warmup和Cosine Annealing結(jié)合的學(xué)習(xí)率策略，使多目標(biāo)跟蹤算法DeepSORT前期收斂速度更快、更穩(wěn)定。實(shí)驗(yàn)結(jié)果表明，在目標(biāo)檢測方面，相對(duì)于原YOLO v5，改進(jìn)的YOLO v5的mAP@0.5、mAP@0.5:0.95和召回率分別提升1.9、1.3、0.8個(gè)百分點(diǎn)，在不完全遮擋情況下，改進(jìn)的算法表現(xiàn)出更好的檢測效果。在目標(biāo)跟蹤方面，DeepSORT算法的MOTA、MOTP和IDF1分別提升4.0、0.7、10.7個(gè)百分點(diǎn)，并且加州鱸魚在遮擋前后的ID切換頻率得到明顯抑制。改進(jìn)的YOLO v5與DeepSORT跟蹤算法更適合于檢測、跟蹤加州鱸魚的低氧脅迫行為，能夠?yàn)榧又蓣|魚的養(yǎng)殖提供技術(shù)支持。

摘要:針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)模型預(yù)測重型拖拉機(jī)液壓機(jī)械無級(jí)變速箱(Hydro mechanical continuously variable transmission，HMCVT)濕式離合器溫度的局限性，提出了基于改進(jìn)灰狼粒子群優(yōu)化-支持向量機(jī)(Improved grey wolf particle swarm optimization-support vector machine，IGWPSO-SVM)的HMCVT濕式離合器摩擦副溫度預(yù)測模型。首先，對(duì)濕式離合器摩擦副滑摩過程進(jìn)行熱分析，確定影響濕式離合器摩擦副溫度的因素；然后，基于支持向量機(jī)(Support vector machine，SVM)搭建溫度預(yù)測模型，并利用改進(jìn)灰狼粒子群優(yōu)化(Improved grey wolf particle swarm optimization，IGWPSO)算法對(duì)SVM的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化；最后，基于HMCVT濕式離合器試驗(yàn)臺(tái)數(shù)據(jù)搭建離合器摩擦副溫度預(yù)測模型的樣本數(shù)據(jù)庫，以濕式離合器摩擦副對(duì)偶鋼片為對(duì)象，對(duì)IGWPSO-SVM模型進(jìn)行試驗(yàn)驗(yàn)證。試驗(yàn)結(jié)果表明，IGWPSO-SVM模型預(yù)測摩擦副對(duì)偶鋼片內(nèi)、中、外徑溫度的平均絕對(duì)誤差(Mean absolute error，MAE)、均方誤差(Mean square error，MSE)、均方根誤差(Root mean square error，RMSE)、平均絕對(duì)百分比誤差(Mean absolute percentage error，MAPE)的均值分別為3.3557℃、24.3212℃2、4.5976℃、3.95%，最高溫度預(yù)測誤差分別為7.8700、5.4300、0.9900℃，3次試驗(yàn)的對(duì)偶鋼片內(nèi)、中、外徑溫度MAE、MSE、RMSE、MAPE均值的平均值分別為3.3522℃、24.7380℃2、4.9737℃、4.12%，3次試驗(yàn)的內(nèi)、中、外徑最高溫度平均絕對(duì)誤差(Maximum temperature mean absolute error，MTMAE)平均值為4.3733℃，相比于其他4種已有的模型為最低。研究結(jié)果可為重型拖拉機(jī)濕式離合器溫度的高精度預(yù)測及整車的可靠性控制提供理論依據(jù)。

摘要:少自由度混聯(lián)機(jī)構(gòu)有特殊的末端約束形式，同時(shí)其末端六維運(yùn)動(dòng)參數(shù)存在高度耦合，而以往對(duì)此類機(jī)構(gòu)的研究多針對(duì)并聯(lián)和串聯(lián)模塊分別開展，導(dǎo)致混聯(lián)機(jī)構(gòu)的整機(jī)末端約束和運(yùn)動(dòng)耦合研究被忽視，此類機(jī)構(gòu)的約束和運(yùn)動(dòng)分析存在缺陷。本文采用Grassmann-Cayley代數(shù)分析了(2-RPU+UPU)+(RR)機(jī)構(gòu)的末端約束，基于該機(jī)構(gòu)的約束方程建立了其末端運(yùn)動(dòng)耦合模型，并以此得到了該機(jī)構(gòu)修正的運(yùn)動(dòng)學(xué)反解模型。末端約束分析結(jié)果表明(2-RPU+UPU)+(RR)機(jī)構(gòu)的末端約束為一個(gè)螺旋(1H)型約束，其自由度形式為兩轉(zhuǎn)兩移一螺旋(2R2T1H)型運(yùn)動(dòng)。運(yùn)動(dòng)耦合結(jié)果表明該機(jī)構(gòu)6維位姿耦合關(guān)系表現(xiàn)為一個(gè)多元耦合方程，在給定其中的5個(gè)獨(dú)立參數(shù)后，另一個(gè)參數(shù)可通過該耦合方程確定。本文建立的(2-RPU+UPU)+(RR)機(jī)構(gòu)的約束分析和運(yùn)動(dòng)耦合模型可為少自由度混聯(lián)機(jī)構(gòu)的末端約束和運(yùn)動(dòng)耦合分析提供參考。

摘要:并聯(lián)機(jī)器人末端位姿精度對(duì)其工作性能影響較大，建立有效的標(biāo)定算法是提高機(jī)器人位姿精度的重要保證。本文以一種2TPR&2TPS并聯(lián)機(jī)構(gòu)為研究對(duì)象，首先對(duì)機(jī)器人進(jìn)行運(yùn)動(dòng)學(xué)分析，采用全微分法得出機(jī)器人的誤差模型，根據(jù)該模型得出機(jī)器人結(jié)構(gòu)參數(shù)誤差與末端位姿誤差的量化關(guān)系，以及各誤差項(xiàng)誤差變動(dòng)對(duì)末端位姿誤差的影響規(guī)律；接著，建立參數(shù)辨識(shí)模型和標(biāo)定效果評(píng)價(jià)函數(shù)，驗(yàn)證了參數(shù)辨識(shí)模型的有效性，再用該模型辨識(shí)機(jī)器人的結(jié)構(gòu)參數(shù)誤差；最后，修正運(yùn)動(dòng)學(xué)模型完成了機(jī)器人的誤差標(biāo)定。實(shí)驗(yàn)結(jié)果顯示，標(biāo)定后機(jī)器人的平均位置精度提升68.62%，距離誤差均值由7.710mm降至2.350mm，精度提升69.52%，實(shí)驗(yàn)結(jié)果證明本文的標(biāo)定算法有效。

摘要:連續(xù)型機(jī)器人具有良好的靈活性、柔順性和人機(jī)安全性等優(yōu)點(diǎn)，受生物魚骨結(jié)構(gòu)啟發(fā)，提出了結(jié)構(gòu)緊湊、質(zhì)量輕、靈活性高的仿生魚骨連續(xù)型機(jī)器人。但多節(jié)垂直交叉的剛?cè)彳涶詈辖Y(jié)構(gòu)模式使仿生魚骨連續(xù)型機(jī)器人靜力學(xué)的精確建模難度增加。本文基于Cosserat理論考慮了驅(qū)動(dòng)繩索和彈性骨干的耦合作用對(duì)該機(jī)器人進(jìn)行靜力學(xué)分析，建立了仿生魚骨連續(xù)型骨干的Cosserat-rod模型和驅(qū)動(dòng)繩索的Cosserat-string模型以及二者的耦合模型，預(yù)測了一節(jié)仿生魚骨單元以及垂直交叉串聯(lián)布置的兩節(jié)仿生魚骨單元的變形規(guī)律。理論與實(shí)驗(yàn)結(jié)果相比，理論值誤差在1.5mm之內(nèi)，為其長度的1.2%。本文為繩索驅(qū)動(dòng)的剛?cè)彳涶詈线B續(xù)型機(jī)器人的靜力學(xué)建模提供了理論參考。

摘要:為抑制軟體驅(qū)動(dòng)器彎曲過程中的不必要變形，提高軟體機(jī)械手抓取能力，提出一種限制層材料為PDMS和PTFE混合制備的軟體機(jī)械手。通過調(diào)整PDMS和PTFE之間的質(zhì)量比來改變限制層剛度，進(jìn)而改變軟體機(jī)械手的彎曲角度?？紤]到軟體機(jī)械手工作時(shí)，應(yīng)變層變形遠(yuǎn)大于限制層，采用Yeoh和Neo-Hookean形式的應(yīng)變能方程表述應(yīng)變層和限制層材料力學(xué)行為?；谀Ｐ秃土仄胶庠斫④涹w驅(qū)動(dòng)器彎曲角度數(shù)學(xué)模型，進(jìn)而研究限制層材料和結(jié)構(gòu)參數(shù)對(duì)軟體機(jī)械手彎曲性能的影響。利用單軸拉伸試驗(yàn)獲取不同質(zhì)量比的PDMS和PTFE混合制備的限制層樣品應(yīng)力應(yīng)變曲線，并擬合獲取Yeoh模型材料參數(shù)，進(jìn)而進(jìn)行有限元仿真分析，確定限制層材料的最佳比例。對(duì)不同限制層材料制成的驅(qū)動(dòng)器進(jìn)行彎曲角度測試，試驗(yàn)結(jié)果與理論分析偏差在5%以內(nèi)，驗(yàn)證了數(shù)學(xué)模型的準(zhǔn)確性。同時(shí)，驅(qū)動(dòng)器的末端力測試結(jié)果表明，限制層PDMS/PTFE質(zhì)量比為8∶1的驅(qū)動(dòng)器明顯優(yōu)于純硅膠軟體驅(qū)動(dòng)器，最大末端力可達(dá)2.45N。使用軟體機(jī)械手對(duì)多種物品進(jìn)行抓取試驗(yàn)，其最大抓取質(zhì)量達(dá)420g。

摘要:為了解決大慣量回轉(zhuǎn)系統(tǒng)頻繁啟動(dòng)和制動(dòng)作業(yè)導(dǎo)致節(jié)流損失大和制動(dòng)動(dòng)能浪費(fèi)嚴(yán)重的問題，提出一種電氣和液壓混合驅(qū)動(dòng)大慣量回轉(zhuǎn)系統(tǒng)。系統(tǒng)采用永磁同步電機(jī)作為主動(dòng)力源，控制回轉(zhuǎn)系統(tǒng)運(yùn)動(dòng)；由蓄能器提供動(dòng)力的液壓馬達(dá)作為輔助動(dòng)力源，為電機(jī)啟動(dòng)加速提供扭矩補(bǔ)償，蓄能器高效回收制動(dòng)動(dòng)能再利用。建立多學(xué)科聯(lián)合仿真系統(tǒng)模型，基于主輔動(dòng)力源合理供給原則，設(shè)計(jì)全周期工況識(shí)別速度控制策略，搭建電液混合驅(qū)動(dòng)回轉(zhuǎn)試驗(yàn)平臺(tái)，對(duì)回轉(zhuǎn)系統(tǒng)的特性和能效進(jìn)行分析。研究結(jié)果表明，電液混合驅(qū)動(dòng)大慣量回轉(zhuǎn)系統(tǒng)，隨著轉(zhuǎn)速和轉(zhuǎn)動(dòng)慣量的變化，回轉(zhuǎn)制動(dòng)動(dòng)能回收效率為40.5%~65.9%。相同工況下，與純電機(jī)驅(qū)動(dòng)系統(tǒng)相比，電液混合驅(qū)動(dòng)系統(tǒng)啟動(dòng)加速時(shí)間減小1.2s，制動(dòng)動(dòng)能回收效率為63.5%，降低系統(tǒng)能耗40.8%，使回轉(zhuǎn)系統(tǒng)更加平穩(wěn)地運(yùn)行。