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:智能農(nóng)業(yè)裝備是信息化、自動(dòng)化、智能化的綜合體，其智能化水平主要表現(xiàn)在作業(yè)過(guò)程狀態(tài)感知、數(shù)據(jù)分析、科學(xué)決策與自主控制等先進(jìn)技術(shù)的應(yīng)用。目前，我國(guó)農(nóng)業(yè)裝備在作業(yè)服務(wù)方面主要存在故障自動(dòng)監(jiān)測(cè)實(shí)用性差、維修服務(wù)資源配置失衡以及服務(wù)調(diào)度成本高等問(wèn)題。本文以農(nóng)業(yè)裝備中典型機(jī)具——聯(lián)合收獲機(jī)為例，重點(diǎn)綜述了國(guó)內(nèi)外聯(lián)合收獲機(jī)運(yùn)維服務(wù)管理相關(guān)典型技術(shù)的現(xiàn)狀和特點(diǎn)，闡述和剖析了農(nóng)業(yè)裝備遠(yuǎn)程運(yùn)維服務(wù)平臺(tái)、作業(yè)數(shù)據(jù)監(jiān)測(cè)、多機(jī)協(xié)同作業(yè)以及運(yùn)維服務(wù)優(yōu)化等方面的研究現(xiàn)狀和發(fā)展動(dòng)態(tài)。闡述了運(yùn)維服務(wù)管理平臺(tái)總體構(gòu)架與技術(shù)進(jìn)展；并分別闡述了作業(yè)工況、作業(yè)質(zhì)量感知與車載終端管理等遠(yuǎn)程運(yùn)維數(shù)據(jù)監(jiān)測(cè)技術(shù)研究進(jìn)展，路徑規(guī)劃、協(xié)同控制與任務(wù)分配等多機(jī)協(xié)同作業(yè)技術(shù)研究進(jìn)展，故障診斷預(yù)測(cè)、維修策略與群體調(diào)度等運(yùn)維服務(wù)優(yōu)化技術(shù)研究進(jìn)展；最后，結(jié)合實(shí)際應(yīng)用場(chǎng)景，總結(jié)分析了農(nóng)業(yè)裝備運(yùn)維服務(wù)管理技術(shù)所面臨的挑戰(zhàn)和機(jī)遇，提出了農(nóng)業(yè)裝備信息化管理技術(shù)的未來(lái)發(fā)展方向；并指出我國(guó)農(nóng)業(yè)裝備運(yùn)維服務(wù)管理信息化技術(shù)未來(lái)研究方向。

摘要:針對(duì)超級(jí)稻育秧播種環(huán)節(jié)振動(dòng)式排種器勻種性能差，難以實(shí)現(xiàn)精量播種的問(wèn)題，設(shè)計(jì)一種分體組合振動(dòng)式精量播種勻種裝置，并提出了一種基于圖像識(shí)別的振動(dòng)勻種控制方法。對(duì)振動(dòng)板關(guān)鍵結(jié)構(gòu)參數(shù)：儲(chǔ)種盒深度和轉(zhuǎn)向槽角度進(jìn)行勻種性能單因素離散元仿真分析，結(jié)果表明：輸送階段不同時(shí)間和空間勻種均勻性變異系數(shù)和振動(dòng)板出口處供種均勻性變異系數(shù)隨儲(chǔ)種盒深度增大而增大，隨轉(zhuǎn)向槽角度增大先減小后增大，并確定儲(chǔ)種盒深度和轉(zhuǎn)向槽角度分別為12mm和48°。設(shè)計(jì)并搭建了種子流圖像檢測(cè)與控制系統(tǒng)，壓電振動(dòng)單體和勻種單元圖像檢測(cè)和整流驗(yàn)證試驗(yàn)表明，當(dāng)檢測(cè)到圖像中白色低像素占比低于20%，經(jīng)整流后，白色像素占比可滿足設(shè)計(jì)要求。對(duì)分體組合振動(dòng)式播種勻種裝置進(jìn)行不同勻種電壓和具有不同長(zhǎng)寬比的3種超級(jí)稻品種進(jìn)行播種性能試驗(yàn)。試驗(yàn)結(jié)果表明，當(dāng)工作電壓為150~200V時(shí)，其播種合格率不小于93.47%，漏播率不大于1.00%；3種水稻種子播種合格率均不小于94.17%，漏播率不大于0.67%。該裝置能夠滿足超級(jí)稻精量播種要求，且對(duì)不同超級(jí)稻種子具有較好的適應(yīng)性。

摘要:針對(duì)播種機(jī)氣力集排系統(tǒng)中種子流沿輸種管側(cè)壁進(jìn)入分配器時(shí)，產(chǎn)生氣種混合均勻性低、各行排量一致性差的問(wèn)題，提出了螺旋式增壓管，闡述了總體結(jié)構(gòu)和工作原理，并對(duì)輸種管和螺旋式增壓管進(jìn)行了設(shè)計(jì)，以蕎麥為對(duì)象，開(kāi)展了螺旋式增壓管內(nèi)種子群受力、運(yùn)動(dòng)及壓損分析?；贑FD-DEM耦合仿真方法，通過(guò)單因素試驗(yàn)、最陡爬坡試驗(yàn)和中心復(fù)合設(shè)計(jì)試驗(yàn)研究了葉片數(shù)、扭轉(zhuǎn)角、螺旋式增壓管長(zhǎng)度和輸送氣流速度對(duì)蕎麥種子各行排量一致性變異系數(shù)的影響，仿真試驗(yàn)結(jié)果表明：當(dāng)葉片數(shù)為3、螺旋式增壓管長(zhǎng)度為210mm、扭轉(zhuǎn)角為383°、輸送氣流速度29.30m/s時(shí)，蕎麥各行排量一致性變異系數(shù)為9.83%，達(dá)到最優(yōu)。通過(guò)氣力集排系統(tǒng)試驗(yàn)臺(tái)架開(kāi)展了不同型式增壓管性能驗(yàn)證試驗(yàn)，結(jié)果表明：采用螺旋式、波紋式和窩眼式增壓管的蕎麥氣力集排系統(tǒng)各行排量一致性變異系數(shù)分別為5.58%、6.85%和9.65%，最優(yōu)參數(shù)組合條件下螺旋式增壓管的仿真結(jié)果與臺(tái)架驗(yàn)證試驗(yàn)結(jié)果相差 4.25個(gè)百分點(diǎn)。提出的螺旋式增壓管較傳統(tǒng)增壓管，增強(qiáng)了氣種混合均勻性，提高了氣力集排系統(tǒng)的作業(yè)質(zhì)量，可為氣力集排系統(tǒng)設(shè)計(jì)提供技術(shù)支撐。

摘要:針對(duì)現(xiàn)有辣椒移栽機(jī)取苗成功率低、損傷率高、穩(wěn)定性差的問(wèn)題，設(shè)計(jì)了一種插夾聯(lián)動(dòng)式末端執(zhí)行器，基于整排取苗、間隔投苗的取投苗作業(yè)形式設(shè)計(jì)了氣動(dòng)控制系統(tǒng)，分析了取投苗裝置結(jié)構(gòu)及工作原理，建立了末端執(zhí)行器運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)模型，以薄皮椒缽苗為研究對(duì)象開(kāi)展力學(xué)特性試驗(yàn)，結(jié)合取苗過(guò)程邊界條件確定了末端執(zhí)行器主要參數(shù)范圍；通過(guò)ADAMS運(yùn)動(dòng)軌跡仿真與FluidSIM-P 3.6氣動(dòng)系統(tǒng)仿真分析，驗(yàn)證了取投苗裝置結(jié)構(gòu)設(shè)計(jì)與氣動(dòng)時(shí)序的合理性；通過(guò)DEM-MFBD聯(lián)合仿真對(duì)取苗情況進(jìn)行了可視化分析，為末端執(zhí)行器關(guān)鍵參數(shù)優(yōu)化提供依據(jù)。通過(guò)單因素試驗(yàn)明確了各關(guān)鍵因素對(duì)取苗成功率與基質(zhì)損失率的作用規(guī)律；設(shè)計(jì)正交試驗(yàn)，通過(guò)方差分析、響應(yīng)面分析與多目標(biāo)尋優(yōu)得出最優(yōu)參數(shù)組合為：取苗針間距12.25mm、取苗針入土角50.37°、取苗針行程14.21mm。臺(tái)架驗(yàn)證試驗(yàn)得出：取苗成功率為97.92%、基質(zhì)損失率為2.21%，與回歸模型預(yù)測(cè)值誤差分別為0.49%、3.8%，無(wú)莖稈損傷現(xiàn)象，取投苗效果良好。

摘要:油莎豆種球形狀不規(guī)則，表面凹凸不平，國(guó)內(nèi)油莎豆播種裝置多數(shù)是基于大粒種球排種器進(jìn)行改進(jìn)，由于離散元模擬試驗(yàn)過(guò)程中缺乏準(zhǔn)確的仿真參數(shù)，導(dǎo)致對(duì)排種器進(jìn)行仿真優(yōu)化分析時(shí)產(chǎn)生誤差。針對(duì)此問(wèn)題，本文測(cè)量油莎豆種子的本征參數(shù)和與排種裝置間的接觸參數(shù)，利用逆向工程技術(shù)構(gòu)建油莎豆種子顆粒填充模型。依據(jù)方形殼體和圓筒的仿真堆積試驗(yàn)結(jié)果，采用Plackett-Burman試驗(yàn)篩選出對(duì)種群堆積角有顯著影響的種間靜摩擦因數(shù)和種間滾動(dòng)摩擦因數(shù)，建立以這兩種顯著影響因子為自變量、種群堆積角為響應(yīng)值的二元回歸方程。用Matlab對(duì)方程組求解后得到標(biāo)定后的種間靜摩擦因數(shù)和種間滾動(dòng)摩擦因數(shù)分別為0.246、0.083。為檢驗(yàn)標(biāo)定后參數(shù)的可靠性，在EDEM中進(jìn)行仿真驗(yàn)證試驗(yàn)，結(jié)果顯示方形殼體裝置仿真和物理堆積角的誤差為0.43%，圓筒裝置仿真和物理堆積角的誤差為0.55%。為進(jìn)一步驗(yàn)證標(biāo)定后參數(shù)的準(zhǔn)確性，采用氣力式精量排種器，并選取3個(gè)關(guān)鍵特征尺寸和堆積截面積占比率，待種群穩(wěn)定后將仿真和物理試驗(yàn)做對(duì)比，最后得到進(jìn)種口種群上邊界最大凸點(diǎn)處與排種盤水平中心線距離H1、種群輪廓邊界與透明觀察窗左側(cè)豎線的交點(diǎn)到排種盤水平中心線距離H2和堆積截面積占比率r等參數(shù)的相對(duì)誤差均在8.33%以內(nèi)。

摘要:針對(duì)果園機(jī)械化土壤-秸稈分層覆蓋中大幅寬、均勻薄層覆土要求，設(shè)計(jì)了與果園秸稈覆蓋機(jī)配套的覆土裝置，主要由取土螺旋、拋土輪、集土箱和覆土螺旋組成。取土螺旋取土幅寬1.5m，為秸稈層鋪設(shè)提供平整地基，保證了秸稈層覆蓋平整和薄土層均勻度；取土螺旋兩側(cè)的拋土輪向后拋送土壤到集土箱，避免了碎石等異物導(dǎo)致的裝置卡死問(wèn)題。經(jīng)離散元仿真優(yōu)化，確定取土螺旋采用末段雙螺旋結(jié)構(gòu)，拋土輪葉片數(shù)量為10，葉片偏角為10°，提高了覆土均勻性并降低了作業(yè)功耗。田間試驗(yàn)表明，裝置覆土寬度為1.5m，覆土厚度為20.8~31.7mm；建立了覆土厚度標(biāo)準(zhǔn)差回歸模型，其決定系數(shù)為0.9342，模型誤差為1.8%；以覆土厚度標(biāo)準(zhǔn)差為響應(yīng)值，確定的最優(yōu)作業(yè)參數(shù)組合為：拋土輪轉(zhuǎn)速300r/min、拋土角40°、取土深度20mm。該組合下覆土厚度22.9mm，覆土厚度標(biāo)準(zhǔn)差3.7mm，滿足大幅寬、均勻薄層覆土要求。本研究實(shí)現(xiàn)了果園土壤-秸稈分層覆蓋農(nóng)藝的機(jī)械化作業(yè)，為旱區(qū)果園管理提供了新方法和新裝備。

摘要:為實(shí)現(xiàn)低矮密集型油茶林松土、除草、除灌一體化作業(yè)，解決油茶林土壤板結(jié)、草灌雜生等問(wèn)題，設(shè)計(jì)了立式螺旋松土除草機(jī)。通過(guò)對(duì)油茶林常見(jiàn)雜草、雜灌根系的物理力學(xué)特性分析，結(jié)合刀具運(yùn)動(dòng)分析，設(shè)計(jì)了立式螺旋耕刀。采用Hertz-Mindlin bonding接觸模型建立了根土復(fù)合體模型，以降低功耗為目標(biāo)對(duì)刀具參數(shù)進(jìn)行了仿真優(yōu)化，分析其對(duì)根土復(fù)合體的擾動(dòng)情況，并試制樣件進(jìn)行了土槽試驗(yàn)，檢驗(yàn)耕作效果，驗(yàn)證了仿真分析的可靠性。仿真結(jié)果表明：優(yōu)化后立式螺旋耕刀對(duì)根土復(fù)合體的擾動(dòng)率可達(dá)到91.41%，切削土壤時(shí)最大功耗為0.16kW；切削根土復(fù)合體時(shí)最大功耗為0.77kW。土槽試驗(yàn)表明：耕刀的耕深穩(wěn)定性系數(shù)為92.34%，碎土率95.00%，除根率95.30%；螺旋耕刀在切削土壤時(shí)，實(shí)際測(cè)得最大轉(zhuǎn)矩為7.93N·m，比仿真值低6.57%；切削根土復(fù)合體時(shí)，實(shí)際測(cè)得最大轉(zhuǎn)矩為34.84N·m，比仿真值低4.91%，兩者比較接近，驗(yàn)證了設(shè)計(jì)的正確性。設(shè)計(jì)的立式螺旋松土除草機(jī)滿足丘陵山地油茶林松土、除草、除灌作業(yè)要求。

摘要:針對(duì)大壟寬幅馬鈴薯中耕機(jī)縱橫穩(wěn)定性差、偏擺嚴(yán)重等問(wèn)題，對(duì)大壟寬幅馬鈴薯中耕機(jī)進(jìn)行優(yōu)化設(shè)計(jì)與試驗(yàn)。通過(guò)理論分析確定了影響馬鈴薯中耕機(jī)縱橫穩(wěn)定性的主要因素，并對(duì)部件進(jìn)行了優(yōu)化設(shè)計(jì)。運(yùn)用EDEM離散元仿真軟件，以覆土鏵到平行四桿與機(jī)架鉸接點(diǎn)的水平距離、平行四桿橫向?qū)挾群妥鳂I(yè)速度作為試驗(yàn)因素，以壟向直線度、壟高穩(wěn)定性系數(shù)為評(píng)價(jià)指標(biāo)，進(jìn)行了二次正交旋轉(zhuǎn)仿真試驗(yàn)。對(duì)仿真試驗(yàn)結(jié)果進(jìn)行優(yōu)化分析，當(dāng)覆土鏵到平行四桿與機(jī)架鉸接點(diǎn)的水平距離為702.7mm、平行四桿橫向?qū)挾葹?55.4mm、作業(yè)速度為1.29m/s時(shí)，中耕機(jī)壟向直線度為2.39cm，壟高穩(wěn)定性系數(shù)為94.12%。對(duì)優(yōu)化后的數(shù)據(jù)進(jìn)行了田間試驗(yàn)驗(yàn)證，結(jié)果表明，壟向直線度為2.4cm，培土行距合格率為95.7%，傷苗率為1.5%，壟高穩(wěn)定性系數(shù)為94.2%，培土高度為7.8cm，均優(yōu)于優(yōu)化前的大壟寬幅馬鈴薯中耕機(jī)，具有較好的縱橫穩(wěn)定性。

摘要:針對(duì)南方丘陵山區(qū)煙葉種植區(qū)傳統(tǒng)銑拋式培土作業(yè)存在土塊拋送不集中、定點(diǎn)覆土效果差等問(wèn)題，采用“旋耕碎土—集中后拋—斜置送土”的作業(yè)方式，設(shè)計(jì)一款中間集拋后送式雙側(cè)斜輸煙草培土機(jī)。根據(jù)土壤銑削加工和土壤螺旋輸送器輸送原理，對(duì)整機(jī)土壤加工關(guān)鍵部件進(jìn)行了研究，分析集中后拋斜輸過(guò)程，確定了培土機(jī)的主要結(jié)構(gòu)和工作參數(shù)。利用EDEM離散元仿真，建立培土作業(yè)仿真模型，以機(jī)具前進(jìn)速度、旋耕深度、螺旋輸送器軸轉(zhuǎn)速為試驗(yàn)因素，培土高度、培土幅度、取土率為試驗(yàn)指標(biāo)，進(jìn)行了二次正交旋轉(zhuǎn)回歸仿真試驗(yàn)與優(yōu)化，得到最優(yōu)工作參數(shù)。田間試驗(yàn)結(jié)果表明，作業(yè)后溝底土壤松碎，培土土量均勻，培土高度為24.37mm，培土幅度為130.42mm，取土率為21.19%，與仿真結(jié)果誤差分別為12.21%、1.90%、10.44%。能夠滿足煙田培土需求，為煙草培土技術(shù)農(nóng)機(jī)農(nóng)藝融合提供了新途徑。

摘要:針對(duì)現(xiàn)有馬鈴薯聯(lián)合收獲機(jī)升運(yùn)輸送行程長(zhǎng)而導(dǎo)致傷薯率高、破皮率高、機(jī)具結(jié)構(gòu)不緊湊等問(wèn)題，結(jié)合北方馬鈴薯主產(chǎn)區(qū)收獲模式，設(shè)計(jì)了一款適用于馬鈴薯升運(yùn)作業(yè)的環(huán)形減損集薯升運(yùn)裝置。在闡述總體結(jié)構(gòu)及工作原理基礎(chǔ)上，結(jié)合馬鈴薯運(yùn)動(dòng)學(xué)模型和碰撞特性分析，得到影響升運(yùn)效率和薯塊損傷的主要因素，通過(guò)DEM-MBD耦合構(gòu)建薯塊和裝置模型，得到最優(yōu)參數(shù)組合:升運(yùn)擋板高度為199.21mm、升運(yùn)擋板與升運(yùn)輸送帶間夾角為75.86°、相鄰兩升運(yùn)擋板間距為240.35mm。臺(tái)架試驗(yàn)表明:上料量為24t/h，升運(yùn)輸送帶運(yùn)行速度為0.8、1.0、1.2m/s時(shí)，電子馬鈴薯采集的碰撞加速度峰值平均值為636.63、593.29、685.63m/s2，破皮率為1.13%、1.06%、1.21%，碰撞加速度峰值均小于馬鈴薯臨界損傷閾值。田間試驗(yàn)表明:作業(yè)速度為0.6、0.7、0.8m/s時(shí)，傷薯率為0.94%、1.06%、1.12%，破皮率為1.09%、1.21%、1.33%，環(huán)形減損集薯升運(yùn)裝置運(yùn)行正常，未出現(xiàn)薯塊掉落等現(xiàn)象，各部件配合協(xié)調(diào)，滿足裝袋型馬鈴薯聯(lián)合收獲機(jī)高效穩(wěn)定的作業(yè)要求。

摘要:針對(duì)甘蔗生長(zhǎng)的隨機(jī)性使收獲機(jī)喂入量隨時(shí)變化，易導(dǎo)致整稈式甘蔗收獲機(jī)輸送堵塞或工作效率低下的問(wèn)題，設(shè)計(jì)了一種整稈式甘蔗收獲機(jī)輸送調(diào)控系統(tǒng)。該系統(tǒng)由動(dòng)態(tài)扭矩傳感器、PLC控制系統(tǒng)、液壓系統(tǒng)、伺服電機(jī)系統(tǒng)組成，通過(guò)實(shí)時(shí)調(diào)節(jié)輸送輥轉(zhuǎn)速與喂入速度使得甘蔗收獲機(jī)輸送能力與喂入量相匹配，減少甘蔗堵塞情況。通過(guò)搭建甘蔗收獲機(jī)試驗(yàn)平臺(tái)，開(kāi)展甘蔗輸送調(diào)控試驗(yàn)。甘蔗輸送調(diào)控試驗(yàn)結(jié)果表明，安裝了輸送調(diào)控系統(tǒng)后，各試驗(yàn)水平下的甘蔗平均輸送速度為4.06、3.42、3.04、2.42m/s，相比無(wú)調(diào)控系統(tǒng)有了明顯提升，并且收獲機(jī)輸送能力在喂入量峰值過(guò)后恢復(fù)到初始值，保證了工作效率；調(diào)控試驗(yàn)的平均堵塞率降低到5%，輸送調(diào)控系統(tǒng)對(duì)緩解輸送堵塞有顯著作用。

摘要:針對(duì)丘陵山地油茶果人工采摘效率低、大型機(jī)械采收難且花苞損傷大等問(wèn)題，設(shè)計(jì)了一種手持沖擊梳刷式油茶果采摘裝置，通過(guò)沖擊指的碰撞作用和指間梳刷作用采摘油茶果，可有效降低花苞損傷率。以采摘裝置質(zhì)量最小化為目標(biāo)，利用Ansys Workbench拓?fù)鋬?yōu)化模塊進(jìn)行輕量化設(shè)計(jì)，機(jī)架減輕近30.59%；建立“沖擊指-油茶果”碰撞模型和“主枝-細(xì)枝-茶果”三擺動(dòng)力學(xué)模型，明確影響油茶果采摘效果的主要因素為油茶果的質(zhì)量和壓入變形量、沖擊指質(zhì)量和轉(zhuǎn)速、枝條長(zhǎng)度和質(zhì)量；進(jìn)而以沖擊指轉(zhuǎn)速和指間夾角、裝置梳刷次數(shù)為試驗(yàn)因素，以采摘速率、采凈率和花苞損傷率為評(píng)價(jià)指標(biāo)，開(kāi)展油茶果采摘試驗(yàn)并采用響應(yīng)面分析法處理試驗(yàn)數(shù)據(jù)。結(jié)果表明，沖擊指轉(zhuǎn)速對(duì)采摘效果的影響最為顯著，且當(dāng)沖擊指轉(zhuǎn)速為409.8r/min、指間夾角為4.1°、裝置梳刷4.5次時(shí)，裝置的采摘性能最佳；此時(shí)，油茶果采摘速率為43.67kg/h、采凈率為86.42%，花苞損傷率低于8.89%，滿足高油茶果采凈率和低花苞損傷率的工作要求。

摘要:為提高鍘草機(jī)切碎作業(yè)的控制性能、作業(yè)質(zhì)量及減小能耗，基于線性預(yù)測(cè)控制并結(jié)合鍘草機(jī)切碎作業(yè)特點(diǎn)建立目標(biāo)函數(shù)，由切碎運(yùn)動(dòng)學(xué)誤差模型推導(dǎo)采樣周期以解決控制魯棒性，切碎動(dòng)力學(xué)模型推導(dǎo)控制時(shí)域及預(yù)測(cè)時(shí)域以提高控制響應(yīng)性，設(shè)計(jì)了鍘草機(jī)切碎輥負(fù)荷控制器。Simulink仿真表明：經(jīng)計(jì)算和回歸優(yōu)化選出的預(yù)測(cè)參數(shù)組采樣周期、預(yù)測(cè)時(shí)域、控制時(shí)域?yàn)?.8、15、2s時(shí)，其控制精度及魯棒性最好、作業(yè)能力最大、對(duì)擾動(dòng)的響應(yīng)速度最快、抑制能力最強(qiáng)及能耗（9.27×106J）最小?，F(xiàn)場(chǎng)試驗(yàn)結(jié)果表明：該優(yōu)化預(yù)測(cè)參數(shù)組模型控制器，能夠?qū)﹀幉輽C(jī)切碎負(fù)荷有效跟蹤控制，產(chǎn)品質(zhì)量符合標(biāo)準(zhǔn)要求，同時(shí)實(shí)現(xiàn)了鍘草機(jī)作業(yè)能力的提高，使系統(tǒng)控制響應(yīng)更迅速，生產(chǎn)效率更高和單位作業(yè)能耗（1.382×107J）更小。該控制器參數(shù)模型建立方法為類屬飼草作物收獲機(jī)控制系統(tǒng)的設(shè)計(jì)提供了參考。

摘要:針對(duì)棉稈粉碎還田過(guò)程中刀具磨損嚴(yán)重且缺少故障監(jiān)測(cè)裝置導(dǎo)致工作失效的問(wèn)題，設(shè)計(jì)了一種搭載在棉稈粉碎還田機(jī)上的智能監(jiān)測(cè)系統(tǒng)。系統(tǒng)以STM32單片機(jī)為主控制器，應(yīng)用多種傳感器融合技術(shù)，基于機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)刀具磨損狀態(tài)監(jiān)測(cè)。為了解決棉稈粉碎刀具磨損非線性特征信號(hào)難以提取的問(wèn)題，提出了一種融合改進(jìn)蝴蝶優(yōu)化算法(IBOA)和支持向量機(jī)(SVM)的刀具磨損狀態(tài)監(jiān)測(cè)方法（IBOA-SVM）。該監(jiān)測(cè)方法以粉碎刀輥轉(zhuǎn)速、左側(cè)振動(dòng)頻率、右側(cè)振動(dòng)頻率作為模型輸入特征向量，將刀具磨損狀態(tài)(正常狀態(tài)、磨損狀態(tài)、丟刀狀態(tài))作為輸出。相較于未優(yōu)化的SVM算法，通過(guò)IBOA算法優(yōu)化SVM算法的參數(shù)，刀具磨損狀態(tài)的識(shí)別準(zhǔn)確率由95.61%提高至98.83%。為驗(yàn)證IBOA-SVM模型的有效性，在相同參數(shù)設(shè)置環(huán)境下進(jìn)行多種模型的重復(fù)對(duì)比試驗(yàn)，試驗(yàn)結(jié)果表明：相較于SVM、PSO-SVM、WOA-SVM、BOA-SVM和CWBOA-SVM 5種模型，IBOA-SVM模型識(shí)別準(zhǔn)確率平均值有所提升，單次試驗(yàn)的準(zhǔn)確率均維持在較高的水平。將IBOA-SVM模型嵌入到監(jiān)測(cè)系統(tǒng)，并進(jìn)行田間驗(yàn)證試驗(yàn)，試驗(yàn)結(jié)果表明設(shè)計(jì)的刀具磨損狀態(tài)監(jiān)測(cè)系統(tǒng)在識(shí)別準(zhǔn)確率和魯棒性方面都具有良好的性能。

摘要:為適應(yīng)過(guò)程工業(yè)中生產(chǎn)調(diào)節(jié)對(duì)液力透平性能的影響，要求多級(jí)泵作透平的輸出功率隨流量的變化較小，即輸出功率-流量曲線較平坦?；跉W拉方程，根據(jù)速度矩守恒，推導(dǎo)得到導(dǎo)葉式透平輸出功率與幾何參數(shù)的關(guān)系式。利用數(shù)學(xué)求導(dǎo)，判斷出導(dǎo)葉幾何參數(shù)對(duì)輸出功率曲線平坦性的影響規(guī)律。以兩級(jí)徑向?qū)~離心泵作透平為研究對(duì)象，改變正導(dǎo)葉幾何參數(shù)設(shè)計(jì)研究方案，通過(guò)Fluent軟件數(shù)值計(jì)算并進(jìn)行試驗(yàn)驗(yàn)證。研究結(jié)果表明：數(shù)值計(jì)算結(jié)果與理論推導(dǎo)相符，適當(dāng)增大正導(dǎo)葉的喉部面積、出口安放角、葉片數(shù)或適當(dāng)減小正導(dǎo)葉基圓直徑都可以使輸出功率曲線變平坦；設(shè)計(jì)工況點(diǎn)正導(dǎo)葉幾何參數(shù)對(duì)功率曲線斜率（平坦性）影響由大到小為喉部面積、出口安放角、葉片數(shù)、基圓直徑，斜率依次減小0.17、0.11、0.05、0.03；適當(dāng)增大喉部面積可以使透平效率提升1.65個(gè)百分點(diǎn)，高效點(diǎn)向大流量偏移。

摘要:提取農(nóng)田信息對(duì)智慧農(nóng)業(yè)、環(huán)境保護(hù)等有重要意義。監(jiān)督學(xué)習(xí)模型對(duì)不同地貌、區(qū)域、種植類型等空間異質(zhì)性農(nóng)田的特征提取效果不佳。針對(duì)該問(wèn)題，本文提出一種半監(jiān)督學(xué)習(xí)模型，該模型使用基于加權(quán)損失函數(shù)的在線難例樣本挖掘策略，在Vaihingen數(shù)據(jù)集中總體精度高達(dá)87.1%，相較于其他半監(jiān)督學(xué)習(xí)模型的提取效果最好。在吉林一號(hào)農(nóng)田影像數(shù)據(jù)集進(jìn)行空間異質(zhì)性農(nóng)田特征提取中的對(duì)比試驗(yàn)和精度評(píng)估，結(jié)果表明：分別使用擬提取地區(qū)和訓(xùn)練集地區(qū)的無(wú)標(biāo)注影像訓(xùn)練該模型，均可提高對(duì)空間異質(zhì)性農(nóng)田特征提取精度，若無(wú)標(biāo)注影像與擬提取地區(qū)影像中農(nóng)田特征相似度高，總體精度可提升2.1~6.1個(gè)百分點(diǎn)，總體精度最高可達(dá)84.0%。該模型使用更少量的標(biāo)注信息獲得媲美監(jiān)督學(xué)習(xí)模型的提取效果；而使用相同量的標(biāo)注信息，可以通過(guò)增加無(wú)標(biāo)注影像以取得比監(jiān)督學(xué)習(xí)模型更好的提取效果。本文構(gòu)建河北獻(xiàn)縣地區(qū)的農(nóng)田數(shù)據(jù)集，模型使用吉林一號(hào)農(nóng)田影像數(shù)據(jù)集（部分1）作為有標(biāo)注訓(xùn)練集，吉林一號(hào)農(nóng)田影像數(shù)據(jù)集（部分2）和獻(xiàn)縣地區(qū)高分二號(hào)影像數(shù)據(jù)集作為無(wú)標(biāo)注影像訓(xùn)練后的總體精度高達(dá)88.7%。驗(yàn)證了改進(jìn)后的半監(jiān)督學(xué)習(xí)模型可準(zhǔn)確有效提取空間異質(zhì)性農(nóng)田特征。

摘要:為了進(jìn)一步提高冬小麥產(chǎn)量預(yù)測(cè)的準(zhǔn)確性，針對(duì)麥玉輪作體系缺乏直接把前茬作物信息納入到當(dāng)季作物的產(chǎn)量估算及管理中的研究狀況，利用前茬玉米季中長(zhǎng)勢(shì)遙感信息及產(chǎn)量信息，融合小麥拔節(jié)期、灌漿期及成熟期長(zhǎng)勢(shì)遙感信息、播前施肥信息及土壤特性信息等多時(shí)相多模態(tài)數(shù)據(jù)，基于GPR算法，建立多時(shí)相多模態(tài)參數(shù)融合的麥玉輪作體系小麥產(chǎn)量估算模型，結(jié)果顯示：基于多生育期的產(chǎn)量估算模型較單生育期最優(yōu)產(chǎn)量估算模型性能有所提升，R2提高0.01~0.03。其中基于拔節(jié)期產(chǎn)量估算模型精度略低于多生育期產(chǎn)量估算模型，但精度相近?；诙嗄B(tài)參數(shù)融合的產(chǎn)量估算模型中，除玉米作物信息與土壤特性信息融合構(gòu)建的產(chǎn)量估算模型，多模態(tài)參數(shù)融合的產(chǎn)量估算模型精度較相應(yīng)低模態(tài)參數(shù)融合的產(chǎn)量估算模型精度高。四模態(tài)參數(shù)融合的GPR模型決定系數(shù)R2為0.92，RMSE為213.75kg/hm2，較其他模型，R2提高0.02~0.41。對(duì)于小麥產(chǎn)量估算模型，各模態(tài)參數(shù)影響由大到小依次為施肥信息、小麥遙感信息、土壤特性信息、玉米作物信息。玉米作物信息對(duì)于多模態(tài)參數(shù)融合的小麥產(chǎn)量估算模型精度提升最小，R2總體提升0.02~0.07。玉米作物信息在一定程度表征了收獲后土壤肥力狀況，是土壤特性信息的高空間分辨率補(bǔ)充，可以進(jìn)一步提高量化土壤肥力的能力，與其他參數(shù)信息結(jié)合，提高了小麥產(chǎn)量估算精度，為麥玉輪作體系土壤-作物數(shù)據(jù)的綜合利用及輪作體系的綜合管理提供了科學(xué)依據(jù)和方法思路。

摘要:機(jī)器學(xué)習(xí)模型在作物長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量估測(cè)過(guò)程中，復(fù)雜模型的內(nèi)部機(jī)制難以理解，為了在準(zhǔn)確估測(cè)作物產(chǎn)量的同時(shí)給出合理解釋，本文選取條件植被溫度指數(shù)（VTCI）以及冬小麥產(chǎn)量數(shù)據(jù)，基于輕量級(jí)梯度提升機(jī)（LightGBM）開(kāi)展關(guān)中平原冬小麥的產(chǎn)量估測(cè)研究，并將局部可解釋性模型無(wú)關(guān)方法（LIME）、部分依賴圖（PDP）和個(gè)體條件期望圖（ICE）等全局和局部可解釋性方法用于對(duì)模型估測(cè)結(jié)果的進(jìn)一步解釋。結(jié)果表明，與其他機(jī)器學(xué)習(xí)方法相比，經(jīng)過(guò)網(wǎng)格搜索優(yōu)化的LightGBM能夠準(zhǔn)確地估測(cè)冬小麥產(chǎn)量，估測(cè)單產(chǎn)與實(shí)測(cè)單產(chǎn)的決定系數(shù)R2達(dá)到0.32，均方根誤差（RMSE）為809.10kg/hm2，平均相對(duì)誤差（MRE）為16.55%，達(dá)到極顯著水平（P<0.01），表明該模型有較高的預(yù)測(cè)精度和泛化能力。進(jìn)一步可解釋性實(shí)驗(yàn)表明，網(wǎng)格搜索優(yōu)化的LightGBM能夠準(zhǔn)確提取數(shù)據(jù)蘊(yùn)含的信息，從全局角度來(lái)看，冬小麥4個(gè)生育期中拔節(jié)期VTCI對(duì)產(chǎn)量形成最為重要，抽穗-灌漿期和乳熟期次之，返青期則影響最小，這與先驗(yàn)知識(shí)相符合；從局部角度來(lái)看，局部可解釋性方法基于冬小麥產(chǎn)量西高東低的空間特征能夠進(jìn)一步提供不同縣（區(qū)）產(chǎn)量存在差異的原因，為關(guān)中平原的田間管理提供參考，對(duì)冬小麥的穩(wěn)產(chǎn)增產(chǎn)具有應(yīng)用價(jià)值。

摘要:以往的冬小麥分布信息提取研究大多基于單個(gè)物候期或單個(gè)植被指數(shù)，未考慮不同物候期特征及不同物候期之間的聯(lián)系導(dǎo)致分類精度較低。為提高提取精度，本文基于冬小麥播種期、越冬期、生長(zhǎng)期及成熟期選取相應(yīng)特征指數(shù)，提出一種多物候特征指數(shù)的冬小麥識(shí)別方法，并對(duì)2020年焦作市的冬小麥面積進(jìn)行提取。通過(guò)對(duì)不同物候期、不同分類方法下的結(jié)果進(jìn)行對(duì)比，結(jié)果表明：在物候期的選擇上，加入越冬期后，隨機(jī)森林與支持向量機(jī)分類的總體精度與Kappa系數(shù)呈現(xiàn)不同程度的提升，均方根誤差（RMSE）分別減小19.3%和9.8%，提取冬小麥面積的誤差百分比分別降低8.64、4.42個(gè)百分點(diǎn)。在不同分類方法上，隨機(jī)森林相較于支持向量機(jī)、最小距離，分類的總體精度與Kappa系數(shù)更高。相較于支持向量機(jī)，隨機(jī)森林分類的RMSE減小19.6%。相較于單一特征指數(shù)，基于隨機(jī)森林的多物候特征指數(shù)分類的總體精度，Kappa系數(shù)更高，RMSE為1.84×103hm2，比單一特征指數(shù)減小33.6%，提取冬小麥面積的誤差百分比減小7.14個(gè)百分點(diǎn)。

摘要:無(wú)人機(jī)多光譜遙感用于冬小麥產(chǎn)量預(yù)測(cè)中捕獲的數(shù)據(jù)準(zhǔn)確性不高，為指導(dǎo)田塊尺度下冬小麥產(chǎn)量的精準(zhǔn)預(yù)測(cè)，需構(gòu)建高精度的冬小麥產(chǎn)量估算模型。本研究利用校正后的近地面高光譜數(shù)據(jù)（Field-Spec 3型野外光譜儀獲?。?yàn)證低空無(wú)人機(jī)多光譜遙感數(shù)據(jù)（大疆精靈4型多光譜相機(jī)獲?。?，將通過(guò)無(wú)人機(jī)多光譜影像計(jì)算的植被指數(shù)與經(jīng)驗(yàn)統(tǒng)計(jì)方法結(jié)合，采用一元回歸和多元線性回歸分別對(duì)抽穗期、開(kāi)花期和灌漿期冬小麥進(jìn)行基于單一植被指數(shù)和多植被指數(shù)組合的產(chǎn)量估算，其中多植被指數(shù)包括歸一化差異植被指數(shù)（NDVI）、優(yōu)化的土壤調(diào)節(jié)植被指數(shù)（OSAVI）、綠色歸一化差值植被指數(shù)（GNDVI）、葉片葉綠素指數(shù)（LCI）和歸一化差異紅色邊緣指數(shù)（NDRE）。結(jié)果表明，基于單一植被指數(shù)的冬小麥估產(chǎn)模型，一元二次回歸模型精度最高，而基于5種植被指數(shù)的多元線性回歸模型在3個(gè)生育時(shí)期的擬合效果均優(yōu)于單植被指數(shù)模型。一元或多元回歸模型在抽穗期的擬合效果最好。冬小麥基于GNDVI指數(shù)的一元二次回歸估產(chǎn)模型建模集的決定系數(shù)（R2）、均方根誤差（RMSE）分別為0.69、428.91kg/hm2，驗(yàn)證集的R2、RMSE、相對(duì)均方根誤差（RRMSE）分別為0.76、418.14kg/hm2、11.56%?；?種植被指數(shù)組合的多元線性回歸估產(chǎn)模型建模集的R2、RMSE分別為0.80、340.14kg/hm2，驗(yàn)證集的R2、RMSE、RRMSE分別為0.69、466.75kg/hm2、12.90%。綜上所述，大疆精靈4型多光譜相機(jī)捕獲的數(shù)據(jù)在估算冬小麥產(chǎn)量方面具有廣闊的應(yīng)用前景；冬小麥產(chǎn)量估算的最適模型為基于抽穗期多植被指數(shù)組合建立的多元線性回歸模型。

摘要:葉片鉀含量（Leaf potassium content,LKC）是表征作物鉀素營(yíng)養(yǎng)狀況的重要指標(biāo)，高效準(zhǔn)確地獲取馬鈴薯LKC有助于精準(zhǔn)農(nóng)業(yè)施肥管理。本研究旨在通過(guò)結(jié)合馬鈴薯關(guān)鍵生育期RGB影像提取的植被指數(shù)(VIs)和植被覆蓋度（FVC）,提高馬鈴薯關(guān)鍵生育期LKC估算的準(zhǔn)確性。首先從馬鈴薯塊莖形成期（S1）、塊莖增長(zhǎng)期（S2）和淀粉積累期（S3）的RGB影像中提取VIs和FVC，然后分別分析每個(gè)生育期VIs和FVC與馬鈴薯LKC的相關(guān)性，最后利用支持向量機(jī)（Support vector machine, SVM）、Lasso回歸(Least absolute shrinkage and selection operator, Lasso)和嶺回歸構(gòu)建馬鈴薯LKC的估算模型。結(jié)果表明：基于RGB影像提取的馬鈴薯FVC精度較高，且前兩個(gè)生育期高于第3個(gè)生育期；利用VIs估算馬鈴薯LKC是可行的，但精度有待進(jìn)一步提高； VIs結(jié)合FVC可以提高馬鈴薯LKC的估算精度。本研究可為作物生長(zhǎng)和鉀素營(yíng)養(yǎng)狀況監(jiān)測(cè)提供技術(shù)參考。

摘要:茶樹(shù)的冠層信息是茶樹(shù)田間管理的重要內(nèi)容，也是茶葉機(jī)械化作業(yè)機(jī)具設(shè)計(jì)的重要依據(jù)。針對(duì)傳統(tǒng)的作物冠層信息獲取方法費(fèi)時(shí)費(fèi)力、主觀性強(qiáng)且易造成損傷等問(wèn)題，提出了一種茶樹(shù)冠層高度和輪廓的獲取與估計(jì)方法。首先，通過(guò)3D LiDAR從多個(gè)站點(diǎn)采集茶園的點(diǎn)云數(shù)據(jù)，對(duì)原始點(diǎn)云進(jìn)行姿態(tài)矯正、ROI劃分、配準(zhǔn)、降噪以及高程歸一化預(yù)處理，得到高程歸一化的茶樹(shù)點(diǎn)云。其次，通過(guò)反距離權(quán)重插值法、不規(guī)則三角網(wǎng)插值法在不同空間分辨率下生成茶樹(shù)的冠層高度模型（Canopy height model, CHM），其中，空間分辨率0.05m下不規(guī)則三角網(wǎng)插值生成的茶樹(shù)CHM具有較好的插值精度，模型產(chǎn)生的凹坑也相對(duì)較少。最后，分別以90~100間的21個(gè)百分位數(shù)提取CHM的柵格值作為茶樹(shù)冠層高度與實(shí)測(cè)值比較，結(jié)果表明，第98.5百分位數(shù)時(shí)估計(jì)值最為準(zhǔn)確，與真值間的相關(guān)系數(shù)為0.88，平均絕對(duì)誤差為3.17cm，均方根誤差為4.16cm。此外，在高程歸一化的茶樹(shù)點(diǎn)云中提取20處冠層斷面點(diǎn)云，分別采用橢圓模型、高斯模型和二次多項(xiàng)式模型擬合了冠層輪廓點(diǎn)云，其中，二次多項(xiàng)式模型能更好地反映茶樹(shù)冠層輪廓特征，點(diǎn)云與擬合曲線間平均最小距離的均值為2.60cm，方差為0.21cm2。研究可為茶園現(xiàn)代化管理和茶葉機(jī)械化作業(yè)機(jī)具的設(shè)計(jì)提供理論支持。

摘要:針對(duì)實(shí)際稻田環(huán)境中水稻與雜草相互遮擋、難以準(zhǔn)確區(qū)分的問(wèn)題，提出一種基于改進(jìn)DeepLabv3+的水稻雜草識(shí)別方法。以無(wú)人機(jī)航拍的復(fù)雜背景下稻田雜草圖像為研究對(duì)象，在DeepLabv3+模型的基礎(chǔ)上，選擇輕量級(jí)網(wǎng)絡(luò)MobileNetv2作為主干特征提取網(wǎng)絡(luò)，以減少模型參數(shù)量和降低計(jì)算復(fù)雜度；融合通道和空間雙域注意力機(jī)制模塊，加強(qiáng)模型對(duì)重要特征的關(guān)注；提出一種基于密集采樣的多分支感受野級(jí)聯(lián)融合結(jié)構(gòu)對(duì)空洞空間金字塔池化模塊（ASPP）進(jìn)行改進(jìn)，擴(kuò)大對(duì)全局和局部元素特征的采樣范圍；對(duì)模型解碼器部分進(jìn)行改進(jìn)。設(shè)置消融試驗(yàn)驗(yàn)證改進(jìn)方法的有效性，并與改進(jìn)前DeepLabv3+、UNet、PSPNet、HrNet模型進(jìn)行對(duì)比試驗(yàn)。試驗(yàn)結(jié)果表明，改進(jìn)后模型對(duì)水稻田間雜草的識(shí)別效果最佳，其平均交并比（MIoU）、平均像素準(zhǔn)確率（mPA）、F1值分別為90.72%、95.67%、94.29%，較改進(jìn)前模型分別提高3.22、1.25、2.65個(gè)百分點(diǎn)；改進(jìn)后模型內(nèi)存占用量為11.15MB，約為原模型的1/19，網(wǎng)絡(luò)推算速度為103.91f/s。結(jié)果表明改進(jìn)后模型能夠?qū)崿F(xiàn)復(fù)雜背景下水稻與雜草分割，研究結(jié)果可為無(wú)人機(jī)精準(zhǔn)施藥提供技術(shù)支撐。

摘要:水稻籽粒檢測(cè)在糧食儲(chǔ)存中凸顯重要作用，直接影響糧食銷售的價(jià)格。針對(duì)一般機(jī)器視覺(jué)檢測(cè)算法在水稻籽粒小目標(biāo)的密集場(chǎng)景下存在難以識(shí)別且網(wǎng)絡(luò)模型參數(shù)大，檢測(cè)速度較慢、成本高等問(wèn)題，提出一種基于YOLO v7優(yōu)化的水稻籽粒檢測(cè)算法。首先將部分高效聚合網(wǎng)絡(luò)模塊(Efficient layer aggregation network,ELAN)替換成輕量級(jí)網(wǎng)絡(luò)模塊GhostNetV2添加到主干及頸部網(wǎng)絡(luò)部分，實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)精簡(jiǎn)化的同時(shí)也減少了通道中的特征冗余；其次將卷積和自注意力結(jié)合的注意力模塊(Convolution and self-attention mixed model,ACmix)添加到MP模塊中，平衡全局和局部的特征信息，充分關(guān)注特征映射的細(xì)節(jié)信息；最后使用WIoU(Wise intersection over union)作為損失函數(shù)，減少了距離、縱橫比之類的懲罰項(xiàng)干擾，單調(diào)聚焦機(jī)制的設(shè)計(jì)提高了模型的定位性能。在水稻籽粒圖像數(shù)據(jù)集上驗(yàn)證改進(jìn)后的模型檢測(cè)水平，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的YOLO v7模型的mAP@0.5達(dá)96.55%，mAP@0.5：0.95達(dá)70.10%，訓(xùn)練模型參數(shù)量也有所下降，在實(shí)際場(chǎng)景以暗黑色為背景的水稻雜質(zhì)檢測(cè)中的效果優(yōu)于其他模型，滿足了水稻籽粒的實(shí)時(shí)檢測(cè)要求，可將此算法應(yīng)用于自動(dòng)化檢測(cè)糧食系統(tǒng)中。

摘要:番茄圖像中多類別目標(biāo)的準(zhǔn)確識(shí)別是實(shí)現(xiàn)自動(dòng)化采摘的技術(shù)前提，針對(duì)現(xiàn)有網(wǎng)絡(luò)分割精度低、模型參數(shù)多的問(wèn)題，提出一種基于改進(jìn)DeepLabv3+的番茄圖像多類別分割方法。該方法使用幻象網(wǎng)絡(luò)(GhostNet)和坐標(biāo)注意力模塊(Coordinate attention，CA)構(gòu)建CA-GhostNet作為DeepLabv3+的主干特征提取網(wǎng)絡(luò)，減少網(wǎng)絡(luò)的參數(shù)量并提高模型的分割精度，并設(shè)計(jì)了一種多分支解碼結(jié)構(gòu)，用于提高模型對(duì)小目標(biāo)類別的分割能力。在此基礎(chǔ)上，基于單、雙目小樣本數(shù)據(jù)集使用合成數(shù)據(jù)集的權(quán)值參數(shù)進(jìn)行遷移訓(xùn)練，對(duì)果實(shí)、主干、側(cè)枝、吊線等8個(gè)語(yǔ)義類別進(jìn)行分割。結(jié)果表明，改進(jìn)的DeepLabv3+模型在單目數(shù)據(jù)集上的平均交并比（MIoU）和平均像素準(zhǔn)確率（MPA）分別為68.64%、78.59%，在雙目數(shù)據(jù)集上的MIoU和MPA分別達(dá)到73.00%、80.59%。此外，所提模型內(nèi)存占用量?jī)H為18.5MB，單幅圖像推理時(shí)間為55ms，與基線模型相比，在單、雙目數(shù)據(jù)集上的MIoU分別提升6.40、6.98個(gè)百分點(diǎn)，與HRNet、UNet、PSPNet相比，內(nèi)存占用量壓縮82%、79%、88%。該研究可為番茄采摘機(jī)器人的智能采摘和安全作業(yè)提供參考。

摘要:針對(duì)我國(guó)作物品種種類多，資源信息規(guī)范性差，模型訓(xùn)練精度低等問(wèn)題，本文以小麥、水稻、玉米、大豆、棉花、花生、油菜7種作物為對(duì)象，以品種、形態(tài)、產(chǎn)量和品質(zhì)等參數(shù)為指標(biāo)，構(gòu)建了83個(gè)品種實(shí)體，采用人工標(biāo)注方法，通過(guò)融合對(duì)抗訓(xùn)練技術(shù)，提出了農(nóng)作物品種信息抽取4層網(wǎng)絡(luò)模型(BERT-PGD-BiLSTM-CRF)。模型基于深層雙向Transformer構(gòu)建的BERT(Bidirectional encoder representation from transformers)模型作為預(yù)訓(xùn)練模型獲取字詞語(yǔ)義表示，使用PGD(Projected gradient descent)對(duì)抗訓(xùn)練方法為樣本增加擾動(dòng)，提高模型魯棒性和泛化性，利用雙向長(zhǎng)短期記憶網(wǎng)絡(luò) (Bidirectional long short-term memory, BiLSTM)學(xué)習(xí)長(zhǎng)距離文本信息，結(jié)合條件隨機(jī)場(chǎng)(Conditional random field,CRF)學(xué)習(xí)標(biāo)簽約束信息。對(duì)比18個(gè)不同信息抽取模型的訓(xùn)練效果，結(jié)果表明，本研究提出的BERT-PGD-BiLSTM-CRF模型精確率為95.4%、召回率為97.0%、F1值為96.2%，說(shuō)明利用對(duì)抗訓(xùn)練技術(shù)的BERT-PGD-BiLSTM-CRF模型能夠有效對(duì)作物品種信息進(jìn)行抽取，同時(shí)也為農(nóng)業(yè)信息抽取提供了技術(shù)參考。

摘要:將內(nèi)嵌有ToF相機(jī)、面陣相機(jī)及IMU的智能手機(jī)作為硬件系統(tǒng)，RGB-D SLAM技術(shù)實(shí)時(shí)獲取的深度圖、位姿等為數(shù)據(jù)源，構(gòu)建了RGB-D SLAM增強(qiáng)現(xiàn)實(shí)楞堆原木檢尺系統(tǒng)。首先設(shè)計(jì)了基于ToF影像實(shí)時(shí)估計(jì)RGB影像像素深度的方法，實(shí)現(xiàn)對(duì)待測(cè)原木端面幾何坐標(biāo)的初步估計(jì)；其次，設(shè)計(jì)了散形分區(qū)去噪算法實(shí)現(xiàn)原木端面點(diǎn)云的精確過(guò)濾，設(shè)計(jì)了原木端面曲率估計(jì)算法實(shí)現(xiàn)對(duì)過(guò)濾點(diǎn)云可靠性判別；然后，基于PCA等算法實(shí)現(xiàn)原木長(zhǎng)、短直徑方向向量估計(jì)，并基于該向量對(duì)原木長(zhǎng)、短直徑進(jìn)行了估計(jì)；最后，以所構(gòu)建算法為基礎(chǔ)在智能手機(jī)平臺(tái)上搭建了增強(qiáng)現(xiàn)實(shí)楞堆檢尺系統(tǒng)，實(shí)現(xiàn)智能手機(jī)對(duì)原木進(jìn)行實(shí)時(shí)檢尺、增強(qiáng)現(xiàn)實(shí)場(chǎng)景對(duì)測(cè)量結(jié)果實(shí)時(shí)監(jiān)督。新型檢尺系統(tǒng)通過(guò)對(duì)6個(gè)楞堆334根原木進(jìn)行了檢尺實(shí)驗(yàn)，以評(píng)估該設(shè)備的測(cè)量精度。結(jié)果顯示：原木平均直徑估計(jì)值的偏差及均方根誤差分別為-0.13cm(-0.35%)及1.05cm(3.34%)；原木徑階化直徑估計(jì)值的偏差及均方根誤差分別為-0.10cm(-0.22%)及1.33cm(4.43%)；原木材積估計(jì)值的偏差及均方根誤差分別為-0.007m3(-0.27%)及0.0939m3(7.23%)；楞堆材積相對(duì)誤差絕對(duì)值均不大于2.23%，所有楞堆總材積相對(duì)誤差為-0.68%。無(wú)論從單根原木還是楞堆角度來(lái)看，材積等測(cè)量結(jié)果均無(wú)偏且高精度，說(shuō)明原木檢尺系統(tǒng)是一種可高精度、高魯棒性實(shí)時(shí)完成楞堆原木檢尺的潛在方案。

摘要:黃瓜霜霉病由古巴假霜霉病菌孢子通過(guò)侵染引起，嚴(yán)重影響了黃瓜的品質(zhì)和產(chǎn)量；病菌孢子數(shù)量與病情嚴(yán)重度相關(guān)，因此建立快速、簡(jiǎn)便和高效的病菌孢子定量檢測(cè)方法，實(shí)現(xiàn)黃瓜霜霉病防治關(guān)口前移?；赮OLO v5模型提出了一種基于Faster-NAM-YOLO的黃瓜霜霉病菌孢子定量檢測(cè)模型，該模型首先提出了一種特征提取模塊 C3_Faster，使用C3_Faster替換YOLO v5中的C3模塊，有效降低了模型參數(shù)計(jì)算量和模型深度，提升了對(duì)黃瓜霜霉病菌孢子檢測(cè)速度和精度；其次在主干網(wǎng)絡(luò)中加入了NAM注意力模塊，通過(guò)應(yīng)用權(quán)重稀疏性懲罰抑制不顯著權(quán)重，進(jìn)而提高模型的特征提取能力和計(jì)算效率；最后實(shí)現(xiàn)了對(duì)黃瓜霜霉病菌孢子的定量檢測(cè)。實(shí)驗(yàn)結(jié)果表明，F(xiàn)aster-NAM-YOLO模型在測(cè)試集上mAP@0.5和mAP@0.5:0.95分別達(dá)到95.80%和60.90%，對(duì)比原始YOLO v5模型分別提升1.80、1.20個(gè)百分點(diǎn)，較原始YOLO v5模型內(nèi)存占用量和每秒浮點(diǎn)運(yùn)算次數(shù)分別減少5.27MB和1.49×1010；通過(guò)與YOLO v3、THP-YOLO v5、YOLO v7、YOLO v8、Faster RCNN、SSD目標(biāo)檢測(cè)模型對(duì)比，F(xiàn)aster-NAM-YOLO在檢測(cè)精度、模型內(nèi)存占用量、每秒浮點(diǎn)運(yùn)算次數(shù)和推理時(shí)間方面均具有顯著優(yōu)勢(shì)；在1200像素×1200像素、1500像素×1500像素和1800像素×1800像素3種不同分辨率尺度及不同圖像數(shù)量下進(jìn)一步驗(yàn)證了Faster-NAM-YOLO模型具有較強(qiáng)的魯棒性和泛化能力。

摘要:為實(shí)現(xiàn)作物病害早期識(shí)別，本文提出一種基于紅外熱成像和改進(jìn)YOLO v5的作物病害早期檢測(cè)模型，以CSPD-arknet為主干特征提取網(wǎng)絡(luò)，YOLO v5 stride-2卷積替換為SPD-Conv模塊，分別為主干網(wǎng)絡(luò)中的5個(gè)stride-2卷積層和Neck中的2個(gè)stride-2卷積層，可以提高其準(zhǔn)確性，同時(shí)保持相同級(jí)別的參數(shù)大小，并向下階段輸出3個(gè)不同尺度的特征層；為增強(qiáng)建模通道之間的相互依賴性，自適應(yīng)地重新校準(zhǔn)通道特征響應(yīng)，引入SE機(jī)制提升特征提取能力；為減少模型計(jì)算量，提高模型速度，引入SPPF。經(jīng)測(cè)試，改進(jìn)后YOLO v5網(wǎng)絡(luò)檢測(cè)性能最佳，mAP為95.7%，相比YOLO v3、YOLO v4、SSD和YOLO v5網(wǎng)絡(luò)分別提高4.7、8.8、19.0、3.5個(gè)百分點(diǎn)。改進(jìn)后模型相比改進(jìn)前對(duì)不同溫度梯度下的作物病害檢測(cè)也有提高，5個(gè)梯度mAP分別為91.0%、91.6%、90.4%、92.6%和94.0%，分別高于改進(jìn)前3.6、1.5、7.2、0.6、0.9個(gè)百分點(diǎn)。改進(jìn)YOLO v5網(wǎng)絡(luò)內(nèi)存占用量為13.755MB，低于改進(jìn)前基礎(chǔ)模型3.687MB。結(jié)果表明，改進(jìn)YOLO v5可以準(zhǔn)確快速地實(shí)現(xiàn)病害早期檢測(cè)。

摘要:針對(duì)茶葉病害檢測(cè)面臨的病害尺度多變、病害密集與遮擋等諸多問(wèn)題，提出了一種多尺度自注意力茶葉病害檢測(cè)方法（Multi-scale guided self-attention network，MSGSN）。該方法首先采用基于VGG16的多尺度特征提取模塊，以獲取茶葉病害圖像在不同尺度下的局部細(xì)節(jié)特征，例如紋理和邊緣等，從而有效表達(dá)多尺度的局部特征。其次，通過(guò)自注意力模塊捕獲茶葉圖像中像素之間的全局依賴關(guān)系，實(shí)現(xiàn)病害圖像全局信息與局部特征之間的有效交互。最后，采用通道注意力機(jī)制對(duì)多尺度特征進(jìn)行加權(quán)融合，提升了模型對(duì)病害多尺度特征的表征能力，使其更加關(guān)注關(guān)鍵特征，從而提高了病害檢測(cè)的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，融合多尺度自注意力的茶葉病害檢測(cè)方法在背景復(fù)雜、病害尺度多變等場(chǎng)景下具有更好的檢測(cè)效果，平均精度均值達(dá)到92.15%。該方法可為茶葉病害的智能診斷提供參考依據(jù)。

摘要:為系統(tǒng)分析不同氣候條件、土壤基礎(chǔ)條件和農(nóng)田管理措施條件下施氮對(duì)棉花產(chǎn)量和水分利用效率的影響，收集了國(guó)內(nèi)外已發(fā)表的103篇中英文文獻(xiàn)，篩選其中37篇文獻(xiàn)，共獲得301組產(chǎn)量和127組水分利用效率數(shù)據(jù)?；贛eta分析方法定量分析了不同生產(chǎn)條件下施氮對(duì)棉花產(chǎn)量和水分利用效率的影響，同時(shí)利用偏相關(guān)分析找出施氮條件下棉花產(chǎn)量和水分利用效率的主要影響因素。結(jié)果表明，以不施氮為對(duì)照，施氮能夠顯著提高棉花的產(chǎn)量和水分利用率。在年均降水量200~500mm的地區(qū)施氮對(duì)產(chǎn)量和水分利用率的提高作用最為明顯，效應(yīng)量分別為34.02%和54.15%；施氮對(duì)產(chǎn)量和水分利用率的提高作用均隨著日照時(shí)數(shù)的增大而增大。當(dāng)土壤pH值為6~8時(shí)，施氮對(duì)棉花產(chǎn)量和水分利用效率的提高作用最為明顯，效應(yīng)量分別為28.52%和24.59%；在不同土壤質(zhì)地中施氮對(duì)產(chǎn)量和水分利用效率的提高作用均表現(xiàn)為在砂土中效應(yīng)量最大，分別為46.71%和26.29%；隨著施肥頻次的增加，施氮對(duì)棉花產(chǎn)量和水分利用率的提高作用逐漸增大；施氮對(duì)產(chǎn)量的提高作用隨灌水量的增加而增加，對(duì)水分利用率的提高作用隨灌水量的增加呈先增加后降低趨勢(shì)。當(dāng)施氮量為300~450kg/hm2時(shí)，施氮對(duì)產(chǎn)量和水分利用效率的提高作用最為明顯；當(dāng)種植密度為1.5×105~2.5×105株/hm2時(shí)，施氮對(duì)產(chǎn)量和水分利用效率的促進(jìn)作用最為明顯，效應(yīng)量分別為38.48%和16.46%。施氮量和土壤pH值是施氮條件下棉花產(chǎn)量的主要影響因子；施氮量和灌水量是施氮條件下棉花水分利用效率的主要影響因子。本研究結(jié)果可為不同生產(chǎn)條件下棉花實(shí)現(xiàn)高產(chǎn)高效提供參考。

摘要:針對(duì)氣候變化和種植結(jié)構(gòu)調(diào)整對(duì)黃淮海地區(qū)農(nóng)業(yè)生產(chǎn)作用不明晰的問(wèn)題，基于反硝化分解模型（Denitrification-decomposition，DNDC），采用情景分析法評(píng)估了氣候與種植結(jié)構(gòu)變化對(duì)黃淮海地區(qū)農(nóng)業(yè)溫室氣體（CO2、CH4和N2O）排放和灌溉需水量的影響。結(jié)果表明：從1995年到2015年，研究區(qū)氣候向暖濕化方向發(fā)展，其中年均最高溫度無(wú)顯著變化，年均最低溫度上升0.7℃，年降水量增長(zhǎng)46.5mm；1995年研究區(qū)玉米、小麥和水稻種植面積分別約為7.9×106、1.4×107、2.9×106hm2；2015年3種作物種植面積均增大，而水稻、小麥種植比例減小。氣候變化影響下，黃淮海地區(qū)農(nóng)業(yè)溫室氣體排放增加，灌溉需水量小幅減小。與1995年相比，2015年CO2、CH4、N2O排放強(qiáng)度分別增長(zhǎng)至3730.5、443.2、5.9kg/hm2，增幅分別為4.7%、0.8%、26.2%，灌溉需水量減小為499.3mm，減幅為6.6%。種植結(jié)構(gòu)調(diào)整改變溫室氣體排放和灌溉需水量，黃淮海地區(qū)種植結(jié)構(gòu)演變使CO2、CH4、N2O排放總量增加至9.9×107、1.4×106、1.3×105t，分別增加13.8%、8.6%、13.3%，同時(shí)，玉米作為高耗水作物，部分地區(qū)灌溉需水量隨其種植比例的增大而增大。研究結(jié)果可為黃淮海地區(qū)未來(lái)農(nóng)業(yè)節(jié)水減排政策的制定提供理論依據(jù)。

摘要:為解決顆粒在迷宮流道壓力補(bǔ)償式灌水器內(nèi)大量沉積或堵塞以致影響灌水器正常工作的問(wèn)題，采用FSI模擬固定墊片變形后，基于CFD-DEM耦合模擬，經(jīng)試驗(yàn)對(duì)比驗(yàn)證其可靠性后，設(shè)計(jì)單因素及Box-Behnken響應(yīng)面試驗(yàn)，分析了壓力補(bǔ)償腔內(nèi)副流道截面積、壓力補(bǔ)償腔出口直徑、壓力補(bǔ)償腔直徑3個(gè)結(jié)構(gòu)參數(shù)及其交互作用對(duì)灌水器抗堵塞性能的影響，通過(guò)建立回歸模型預(yù)測(cè)灌水器顆粒停留率，綜合判斷灌水器的抗堵塞性能。結(jié)果表明：副流道截面積由0.018mm2提升至0.054mm2時(shí)，顆粒停留率降低5.09個(gè)百分點(diǎn)；壓力補(bǔ)償腔出口直徑由1.4mm下降至0.8mm時(shí)，顆粒停留率降低2.87個(gè)百分點(diǎn)；且顆粒沉積受副流道截面積和壓力補(bǔ)償腔出口直徑、副流道截面積和壓力補(bǔ)償腔直徑兩種交互作用影響顯著，交互影響下顆粒停留率最低為7.67%。擬合出顆粒停留率與壓力補(bǔ)償腔內(nèi)副流道截面積、壓力補(bǔ)償腔出口直徑、壓力補(bǔ)償腔直徑3個(gè)結(jié)構(gòu)參數(shù)的回歸方程，可用于評(píng)判和預(yù)測(cè)灌水器抗堵塞性能，且推薦了一組副流道面積為0.051mm2、壓力補(bǔ)償腔出口直徑為0.894mm、壓力補(bǔ)償腔直徑為 6.923mm的最優(yōu)抗堵塞參數(shù)組合。通過(guò)研究壓力補(bǔ)償式灌水器堵塞機(jī)理，建立了能預(yù)測(cè)顆粒停留率的評(píng)判模型，降低了灌水器堵塞概率，提高了其穩(wěn)定灌水時(shí)長(zhǎng)，可為該類型灌水器抗堵塞性能設(shè)計(jì)提供理論支持。

摘要:為及時(shí)獲取大田作物根區(qū)土壤含水率（Soil moisture content, SMC），實(shí)現(xiàn)精準(zhǔn)灌溉，運(yùn)用高光譜技術(shù)，通過(guò)連續(xù)2年（2019—2020年）田間試驗(yàn)采集了冬小麥拔節(jié)期不同土層深度SMC及高光譜數(shù)據(jù)，構(gòu)建了3類植被指數(shù)（藍(lán)、黃和紅邊面積等三邊光譜參數(shù)，與冬小麥根區(qū)SMC相關(guān)性最高的任意兩波段植被指數(shù)和前人研究與作物參數(shù)相關(guān)性較好的經(jīng)驗(yàn)植被指數(shù)）并篩選與各土層深度SMC相關(guān)系數(shù)最高的植被指數(shù)，隨后將篩選后的植被指數(shù)作為模型輸入，分別采用隨機(jī)森林（Random forest，RF）、反向神經(jīng)網(wǎng)絡(luò)（Back propagation neural network，BPNN）和極限學(xué)習(xí)機(jī)（Extreme learning machine，ELM）構(gòu)建冬小麥拔節(jié)期不同土層深度SMC估算模型。結(jié)果表明，絕大部分三邊參數(shù)、任意兩波段植被指數(shù)和經(jīng)驗(yàn)植被指數(shù)在深度0~20cm土層的SMC相關(guān)系數(shù)較20~40cm和40~60cm更高，在深度0~20cm土層兩波段組合構(gòu)建的光譜指數(shù)與SMC的相關(guān)系數(shù)最高，均超過(guò)0.8，其中RI與SMC的相關(guān)系數(shù)最高，為0.851，其波長(zhǎng)組合為675nm和695nm。RF模型是SMC的最佳建模方法，其中深度0~20cm土層的模型精度最高，估算模型驗(yàn)證集的決定系數(shù)R2達(dá)0.909，均方根誤差（RMSE）為0.008，平均相對(duì)誤差（MRE）為3.949%。本研究結(jié)果可為高光譜監(jiān)測(cè)冬小麥根區(qū)SMC提供依據(jù)，為快速評(píng)估水分脅迫下的作物生長(zhǎng)提供應(yīng)用參考。

摘要:穴盤育苗中劣質(zhì)缽苗會(huì)影響后期種苗移栽成活率，現(xiàn)有機(jī)械式剔除存在顆粒散落遺漏現(xiàn)象，而氣吸式剔除方式則可以很好地彌補(bǔ)這一缺陷。為解析缽苗基質(zhì)氣吸式剔除的機(jī)理，本文開(kāi)展離散元仿真的參數(shù)標(biāo)定試驗(yàn)。選取100g基質(zhì)進(jìn)行粒徑分布檢測(cè)，采用漏斗靜置，基于圖像處理獲取基質(zhì)兩側(cè)實(shí)際堆積角，通過(guò)Plackett-Burman實(shí)驗(yàn)確定影響基質(zhì)堆積角的4個(gè)因素；通過(guò)最陡爬坡實(shí)驗(yàn)確定顯著因素最大響應(yīng)區(qū)域；依據(jù)Box-Behnken實(shí)驗(yàn)建立二階回歸模型并求解最佳參數(shù)組合。結(jié)果表明，在不顯著因素取中間值時(shí)，當(dāng)基質(zhì)顆粒-顆粒碰撞恢復(fù)系數(shù)為0.142、基質(zhì)顆粒-顆粒滾動(dòng)摩擦因數(shù)為0.097、基質(zhì)顆粒-不銹鋼靜摩擦因數(shù)為0.223和基質(zhì)JKR表面能為2.325J/m2時(shí)，所得仿真堆積角φ為33.4°，與實(shí)際堆積角θ為34.19°的相對(duì)誤差為2.31%，滿足試驗(yàn)需求，所得標(biāo)定參數(shù)可用于缽苗基質(zhì)的離散元仿真。

摘要:為解決現(xiàn)有荔枝產(chǎn)地預(yù)冷裝置預(yù)冷速度慢、能耗高等問(wèn)題，設(shè)計(jì)了一種移動(dòng)式荔枝蓄冷噴淋預(yù)冷裝置控制系統(tǒng)，以保障荔枝采后預(yù)冷效果。該系統(tǒng)主要由STM32主控系統(tǒng)、水泵驅(qū)動(dòng)系統(tǒng)、制冷系統(tǒng)和數(shù)據(jù)采集系統(tǒng)組成?；赨SART HMI軟件設(shè)計(jì)智能串口屏界面，智能串口屏通過(guò)TTL串口與STM32單片機(jī)進(jìn)行串口通信，能夠完成荔枝噴淋預(yù)冷工作參數(shù)設(shè)置和顯示控制系統(tǒng)運(yùn)行狀態(tài)信息，實(shí)現(xiàn)對(duì)荔枝噴淋預(yù)冷裝置的精確控制。搭建試驗(yàn)硬件平臺(tái)，以水泵的噴淋流量和單次噴淋時(shí)荔枝載荷為試驗(yàn)因素，以荔枝的預(yù)冷時(shí)間和均勻度為試驗(yàn)指標(biāo)對(duì)預(yù)冷效果進(jìn)行評(píng)價(jià)。試驗(yàn)結(jié)果表明，在1/2預(yù)冷時(shí)間（HCT）之前，當(dāng)噴淋流量超過(guò)70L/min時(shí)，噴淋流量對(duì)冷卻速度的影響不大；在HCT之后，與70L/min相比，預(yù)冷時(shí)間分別減少170s（90L/min）、260s（110L/min）、262s（130L/min），因此，當(dāng)噴淋流量超過(guò)110L/min時(shí)，增加噴淋流量對(duì)荔枝降溫速率影響不大；對(duì)不同載荷荔枝進(jìn)行試驗(yàn)發(fā)現(xiàn)，當(dāng)荔枝載荷大于50kg時(shí)，增加荔枝載荷對(duì)荔枝降溫速率影響較大；當(dāng)荔枝載荷為50kg時(shí)，荔枝預(yù)冷完成后的均勻度會(huì)隨著噴淋流量的增加先變大后減??；當(dāng)噴淋流量為90L/min時(shí)，荔枝預(yù)冷完成后的均勻度會(huì)隨著荔枝載荷的增加先變大后趨于穩(wěn)定。研究結(jié)果可為荔枝噴淋預(yù)冷裝置控制系統(tǒng)優(yōu)化，實(shí)現(xiàn)荔枝采后快速預(yù)冷，保障荔枝采后品質(zhì)提供幫助。

摘要:針對(duì)現(xiàn)有果蔬農(nóng)產(chǎn)品供應(yīng)鏈中存在的上下游區(qū)塊鏈間追溯數(shù)據(jù)差異化、細(xì)粒度共享困難以及數(shù)據(jù)隱私保護(hù)等問(wèn)題，通過(guò)分析果蔬農(nóng)產(chǎn)品供應(yīng)鏈各環(huán)節(jié)業(yè)務(wù)流程，在果蔬農(nóng)產(chǎn)品質(zhì)量安全追溯場(chǎng)景下，提出了一種支持異構(gòu)多鏈的基于屬性的果蔬跨鏈追溯訪問(wèn)控制模型。該模型利用基于中繼鏈的跨鏈技術(shù)將跨鏈信息標(biāo)準(zhǔn)化從而實(shí)現(xiàn)異構(gòu)多鏈之間的跨鏈通信，并結(jié)合果蔬跨鏈追溯需求，采用基于ABAC(Attribute-based access control)的訪問(wèn)控制模型實(shí)現(xiàn)對(duì)數(shù)據(jù)資源靈活、細(xì)粒度訪問(wèn)控制。為驗(yàn)證模型有效性，利用BitXHub中繼鏈技術(shù)在Hyperledger Fabric和Ethereum構(gòu)成的異構(gòu)鏈中實(shí)現(xiàn)跨鏈數(shù)據(jù)訪問(wèn)，在跨鏈合約中實(shí)現(xiàn)基于屬性的訪問(wèn)控制流程，構(gòu)建出果蔬追溯跨鏈訪問(wèn)控制模型的原型系統(tǒng)。系統(tǒng)測(cè)試結(jié)果表明，中繼鏈處理跨鏈交易的發(fā)送率平均最高值分別約為600筆/s和400筆/s，策略判定時(shí)間不會(huì)隨著策略數(shù)目的增加而有較大波動(dòng)，基本穩(wěn)定在2000ms左右，能夠滿足果蔬供應(yīng)鏈在異構(gòu)區(qū)塊鏈之間跨鏈數(shù)據(jù)差異化、細(xì)粒度共享的需求，也保證了數(shù)據(jù)共享過(guò)程中的數(shù)據(jù)隱私性

摘要:花生油在生產(chǎn)過(guò)程中極易受到黃曲霉毒素B1（Aflatoxin B1, AFB1）的污染。針對(duì)AFB1的傳統(tǒng)檢測(cè)方法操作繁瑣、時(shí)效性差等問(wèn)題，利用熒光光譜技術(shù)快速檢測(cè)花生油中AFB1含量。首先通過(guò)三維熒光光譜確定最佳激發(fā)波長(zhǎng)，使用K-means和自組織映射（Self organizing map, SOM）聚類算法對(duì)花生油中AFB1含量進(jìn)行超標(biāo)與否的定性鑒別，準(zhǔn)確率均達(dá)95%以上；其次使用2種預(yù)處理算法和2種降維算法，選出競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣（Competitive adaptive reweighted sampling, CARS）為最佳的波長(zhǎng)選擇方法；隨后將回聲狀態(tài)網(wǎng)絡(luò)（Echo state network, ESN）用于AFB1的定量建模，同時(shí)與其他模型作比較，結(jié)果顯示CARS-ESN模型獲得了最佳AFB1含量預(yù)測(cè)效果；最后將麻雀搜索算法（Sparrow search algorithm, SSA）用于對(duì)ESN參數(shù)進(jìn)行尋優(yōu)，最終預(yù)測(cè)集決定系數(shù)達(dá)0.984，均方根誤差達(dá)2.13μg/kg。結(jié)果表明了熒光光譜技術(shù)結(jié)合ESN預(yù)測(cè)花生油中AFB1含量的可行性，為在線檢測(cè)食用油中真菌毒素含量系統(tǒng)的開(kāi)發(fā)提供理論依據(jù)。

摘要:針對(duì)丘陵山區(qū)農(nóng)業(yè)機(jī)械作業(yè)時(shí)的機(jī)身傾角變化大、工作品質(zhì)和作業(yè)安全性差等問(wèn)題，以履帶式作業(yè)機(jī)為研究對(duì)象，設(shè)計(jì)了一種基于“3層車架”的液壓全向調(diào)平系統(tǒng)，并提出了復(fù)合Q學(xué)習(xí)-BP神經(jīng)網(wǎng)絡(luò)-PID（QBP-PID）的全向調(diào)平控制策略。首先，給出了全向調(diào)平整機(jī)結(jié)構(gòu)方案和工作原理，在此基礎(chǔ)上，建立了包含全向調(diào)平系統(tǒng)的履帶式作業(yè)機(jī)整機(jī)動(dòng)力學(xué)模型。然后，針對(duì)PID控制參數(shù)難以整定的問(wèn)題，通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)PID控制參數(shù)進(jìn)行實(shí)時(shí)更新，并引入Q學(xué)習(xí)算法對(duì)神經(jīng)網(wǎng)絡(luò)連接權(quán)值進(jìn)行在線更新，建立了全向調(diào)平復(fù)合QBP-PID控制器。仿真結(jié)果表明，QBP-PID控制下，20°橫向調(diào)平時(shí)間為2.8s，25°縱向調(diào)平時(shí)間為3.2s，相較于PID與BP-PID控制，減小了調(diào)平時(shí)間，并且未出現(xiàn)超調(diào)量。最后，進(jìn)行橫坡路面和縱坡路面的整機(jī)試驗(yàn)，與仿真結(jié)果相比，橫向和縱向調(diào)平時(shí)間誤差為0.6s和0.4s，且平地路面機(jī)身傾角小于1.5°，滿足丘陵山區(qū)農(nóng)業(yè)機(jī)械調(diào)平性能需求。

摘要:針對(duì)復(fù)雜環(huán)境下移動(dòng)機(jī)器人路徑規(guī)劃困難的問(wèn)題，提出了一種將全局路徑規(guī)劃蟻群算法與局部路徑規(guī)劃人工勢(shì)場(chǎng)法相融合的混合型算法。首先，采用多因素啟發(fā)函數(shù)和新的螞蟻行進(jìn)機(jī)制來(lái)解決傳統(tǒng)蟻群算法路徑質(zhì)量差且易陷入對(duì)角障礙的問(wèn)題；其次，針對(duì)傳統(tǒng)蟻群算法收斂速度慢的情況，設(shè)計(jì)了自適應(yīng)揮發(fā)系數(shù)和動(dòng)態(tài)權(quán)重系數(shù)；接著，通過(guò)引入虛擬目標(biāo)點(diǎn)、相對(duì)距離和安全距離的概念，解決了傳統(tǒng)人工勢(shì)場(chǎng)法易陷入局部極小值、目標(biāo)不可達(dá)以及過(guò)度避障的問(wèn)題；最后，將改進(jìn)蟻群算法規(guī)劃路徑的轉(zhuǎn)折點(diǎn)作為局部子目標(biāo)點(diǎn)來(lái)調(diào)用改進(jìn)的人工勢(shì)場(chǎng)法進(jìn)行二次規(guī)劃。仿真表明改進(jìn)蟻群算法較傳統(tǒng)算法以及其他算法在路徑長(zhǎng)度方面優(yōu)化了9.9%和2.0%，在路徑轉(zhuǎn)折次數(shù)方面優(yōu)化了81.8%和63.6%，在收斂速度方面優(yōu)化了94.2%和63.6%；改進(jìn)人工勢(shì)場(chǎng)法有效解決了自身問(wèn)題；而以二者為基礎(chǔ)的混合型算法則充分地結(jié)合了二者的優(yōu)勢(shì)，在復(fù)雜的靜態(tài)和動(dòng)態(tài)環(huán)境中具有極高的環(huán)境適應(yīng)性和路徑規(guī)劃效率。

摘要:針對(duì)含柔性動(dòng)平臺(tái)的空間并聯(lián)機(jī)器人剛?cè)狁詈蠁?wèn)題，基于Bézier三角形與絕對(duì)節(jié)點(diǎn)坐標(biāo)法提出一種高階柔性三角形厚板單元模型和連續(xù)性約束條件，基于該模型分析動(dòng)平臺(tái)變形狀態(tài)及其對(duì)系統(tǒng)動(dòng)力學(xué)特性的影響。利用自然坐標(biāo)法與絕對(duì)節(jié)點(diǎn)坐標(biāo)法建立剛?cè)狁詈舷到y(tǒng)動(dòng)力學(xué)模型，通過(guò)引入板單元第4個(gè)面積坐標(biāo)的二階梯度來(lái)描述厚度方向上的變形并解決泊松閉鎖問(wèn)題，結(jié)合廣義α法與牛頓迭代法求解動(dòng)力學(xué)方程，并對(duì)系統(tǒng)靜力學(xué)模型和動(dòng)力學(xué)模型進(jìn)行仿真分析。結(jié)果表明，動(dòng)平臺(tái)在運(yùn)動(dòng)過(guò)程中產(chǎn)生的周期性凹陷變形對(duì)機(jī)器人空間位姿的影響與機(jī)構(gòu)布局方式、質(zhì)量分布和負(fù)載作用方式完全一致，系統(tǒng)剛性構(gòu)件與柔性動(dòng)平臺(tái)的運(yùn)動(dòng)耦合方式符合多體動(dòng)力學(xué)模型的非線性規(guī)律；運(yùn)動(dòng)軌跡誤差低于1.2×10-12mm，動(dòng)力學(xué)方程和約束方程迭代誤差均小于設(shè)定閾值10-6和10-14，求解精度能滿足工程應(yīng)用要求；基于不同參數(shù)開(kāi)展仿真對(duì)比分析，驗(yàn)證了所述方法的有效性和通用性。

摘要:為了掌握同時(shí)考慮球面副間隙和三維轉(zhuǎn)動(dòng)副間隙的空間并聯(lián)機(jī)構(gòu)的非線性動(dòng)力學(xué)特性，研究考慮混合間隙的空間并聯(lián)機(jī)構(gòu)多體系統(tǒng)動(dòng)力學(xué)特性分析方法。首先以4-UPS/RPU空間并聯(lián)機(jī)構(gòu)為研究對(duì)象，建立三維轉(zhuǎn)動(dòng)副間隙和球面副間隙的模型，推導(dǎo)同時(shí)考慮球面副間隙和三維轉(zhuǎn)動(dòng)副間隙的4-UPS/RPU空間并聯(lián)機(jī)構(gòu)動(dòng)力學(xué)方程；然后利用龍格庫(kù)塔法對(duì)動(dòng)力學(xué)方程進(jìn)行數(shù)值求解，分析不同間隙類型、間隙、驅(qū)動(dòng)速度和摩擦因數(shù)對(duì)并聯(lián)機(jī)構(gòu)動(dòng)力學(xué)響應(yīng)的影響，通過(guò)ADAMS虛擬樣機(jī)仿真驗(yàn)證動(dòng)力學(xué)模型和數(shù)值計(jì)算的正確性；最后利用相軌跡圖、龐加萊映射圖和分岔圖等分析考慮混合間隙的4-〗UPS/RPU并聯(lián)機(jī)構(gòu)的非線性特性。該研究為考慮混合運(yùn)動(dòng)副間隙的空間并聯(lián)機(jī)構(gòu)動(dòng)力學(xué)建模和非線性動(dòng)力學(xué)特性分析提供了依據(jù)。

摘要:為了解決柔順恒力機(jī)構(gòu)中正剛度模塊的幾何非線性問(wèn)題，基于半圓型波紋周期梁設(shè)計(jì)了正剛度模塊，負(fù)剛度模塊采用雙穩(wěn)態(tài)梁，利用正負(fù)剛度疊加原理設(shè)計(jì)了柔順恒力機(jī)構(gòu)。采用莫爾積分法和柔度矩陣法建立了正剛度模塊的理論模型，采用橢圓積分法建立了負(fù)剛度模塊的理論模型，并通過(guò)ANSYS有限元仿真軟件分析了柔順恒力機(jī)構(gòu)的力-〗位移曲線以驗(yàn)證理論模型，兩者相對(duì)誤差在10%以內(nèi)。為了擴(kuò)大恒力區(qū)間范圍，采用響應(yīng)面法對(duì)柔順恒力機(jī)構(gòu)的幾何參數(shù)進(jìn)行優(yōu)化，并對(duì)影響恒力范圍的幾何參數(shù)進(jìn)行了靈敏度分析。利用3D打印技術(shù)加工柔順恒力機(jī)構(gòu)樣機(jī)進(jìn)行實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，機(jī)構(gòu)能在輸入位移1.1~6.2mm的范圍內(nèi)保持約18.8N的恒力，驗(yàn)證了所設(shè)計(jì)的柔順恒力機(jī)構(gòu)的可行性、優(yōu)化方法的有效性和理論模型的準(zhǔn)確性。