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:種子微創(chuàng)取樣裝備是面向生物育種技術(shù)中的種子切片取樣環(huán)節(jié)，基于機電控制、機器視覺等技術(shù)，實現(xiàn)種子基因樣本的全流程、自動化操作的智能化工具，其推廣和應(yīng)用可有效提升種質(zhì)資源培育的效率和質(zhì)量，助力種業(yè)振興。本文首先介紹了種子切片檢測的歷史背景和裝備研究現(xiàn)狀，隨后將種子微創(chuàng)取樣關(guān)鍵技術(shù)系統(tǒng)地劃分為種子分離、位姿調(diào)整、夾持輸送、取樣和樣品收集與清潔技術(shù)，并對其研究現(xiàn)狀和發(fā)展動態(tài)進行了闡述和剖析。在此基礎(chǔ)上，結(jié)合種子切片裝備發(fā)展要求和應(yīng)用場景，歸納了種子切片取樣裝備面臨的切割理論不足、多尺度通用性差、系統(tǒng)集成度有待提高等問題，提出了未來發(fā)展方向為: 加強種子切片裝備基礎(chǔ)理論研究；多尺度通用化種子切片平臺開發(fā)；發(fā)展全生產(chǎn)環(huán)節(jié)智慧取樣檢測系統(tǒng)。

摘要:北斗定位系統(tǒng)(BDS)能夠?qū)崿F(xiàn)厘米級的定位，在農(nóng)機導(dǎo)航系統(tǒng)中獲得了廣泛應(yīng)用。然而，單純的衛(wèi)星定位系統(tǒng)存在一些局限性，比如易受外界遮擋、數(shù)據(jù)頻率低等。因此，在導(dǎo)航系統(tǒng)中集成慣性元件并發(fā)展組合導(dǎo)航技術(shù)成為重要研究方向?？紤]到高性能慣導(dǎo)成本很高，不利于推廣應(yīng)用，本文研究了農(nóng)業(yè)場景下，使用低成本慣導(dǎo)和BDS構(gòu)成組合導(dǎo)航系統(tǒng)。為提高定位精度，解決由BDS中斷導(dǎo)致誤差發(fā)散的問題，設(shè)計了零速修正。同時，分析了BDS/INS組合導(dǎo)航系統(tǒng)中航向角誤差不可觀測的原因和誤差來源，設(shè)計了航向約束方法。當(dāng)BDS信息可用時，利用雙天線航向角信息來抑制航向角誤差的累積；當(dāng)BDS中斷時，使用零角速度修正。通過現(xiàn)場實驗驗證，當(dāng)BDS可用時，零速修正可以將位置、速度和水平姿態(tài)的精度分別提高20%、40%和15%以上，航向約束可以將航向角精度提高90%以上；BDS中斷時，零速修正可以將位置、速度的精度提高90%以上，水平姿態(tài)的精度提高80%以上，航向約束可以將航向角精度提高40%以上。

摘要:果樹樹冠的季節(jié)性變化及果樹成長和衰老造成的果樹特征變化會影響已構(gòu)建的果園三維環(huán)境地圖的匹配，故本文提出一種基于改進Gmapping算法的果園二維環(huán)境地圖精準(zhǔn)構(gòu)建算法。首先該算法對Gmapping算法的前端里程計和后端優(yōu)化部分分別進行改進，以提高果園二維環(huán)境地圖的構(gòu)建精度。對于前端里程計部分采用改進的R-GPF地面分割方法提高其初始定位精度，對于后端優(yōu)化部分采用BAT啟發(fā)式自適應(yīng)重采樣方法提高其最終定位精度。然后進行梨園環(huán)境對比試驗。通過改進R-GPF方法與原始R-GPF方法的對比，改進R-GPF方法的激光雷達里程計輸出頻率可達到15.58Hz，最大橫向偏差小于25cm，橫向偏差均值為12.7cm，標(biāo)準(zhǔn)差為 13.4cm，其各方面性能都優(yōu)于原R-GPF方法的激光雷達里程計。通過新算法與基于原R-GPF的Gmapping算法對比，新算法所得的梨樹列間距離偏差始終保持在20cm范圍內(nèi)，行間距離偏差均值為10.3cm，標(biāo)準(zhǔn)差為6.3cm，比基于原R-GPF的Gmapping算法分別減小50%、43.41%和32.26%；同時，梨樹行間距離偏差相對于里程計橫向偏差的減小側(cè)面反映出后端BAT啟發(fā)式自適應(yīng)重采樣方法的有效性。本文提出的算法能夠提高果園二維地圖構(gòu)建精度，可以滿足后續(xù)重定位、導(dǎo)航等作業(yè)的精度要求。

摘要:針對果園道路無明顯邊界且道路邊緣存在陰影、土壤和沙石干擾等問題，提出一種基于特征融合的果園非結(jié)構(gòu)化道路識別方法。通過相機標(biāo)定獲取畸變參數(shù)對采集到的圖像進行畸變矯正，并提出一種基于濾波與梯度統(tǒng)計相結(jié)合的動態(tài)感興趣區(qū)域（ROI）提取方法對HSV顏色空間S分量進行ROI選取，采用最大值法將顏色特征與S分量多方向紋理特征掩膜相融合并進行二值化與降噪處理。根據(jù)道路邊緣突變特征尋找特征點，并提出一種基于距離與位置雙重約束的兩級偽特征點剔除方法。為更好貼合非結(jié)構(gòu)化道路不規(guī)則邊緣，引入分段三次樣條插值法擬合道路邊緣，以此實現(xiàn)道路識別。試驗結(jié)果表明，在晴天、陰天、順光、逆光、冬季晴天和雨雪天氣6種工況條件下，S分量、紋理圖像和融合圖像的平均縱向偏差均值分別為2.43、39.71、1.36像素，平均偏差率均值分別為0.99%、18.02%和0.54%，相較于S分量與紋理圖像而言，使用本文方法構(gòu)建的融合圖像其平均縱向偏差與平均偏差率均得到有效減少。最小二乘法、隨機采樣一致性法（RANSAC）與分段三次樣條插值法擬合邊緣的平均偏差均值分別為2.64、3.16、0.66像素，平均偏差率均值分別為1.02%、1.21%和0.26%，偏差率平均標(biāo)準(zhǔn)差分別為0.23%、0.31%與0.09%，其中分段三次樣條插值法的平均偏差均值、平均偏差率均值與偏差率平均標(biāo)準(zhǔn)差均最小，表明本文擬合方法其擬合精度更高且具有更好的穩(wěn)定性。6種工況條件下，本文算法單幀圖像平均處理時間為89.9ms，滿足農(nóng)業(yè)機器人作業(yè)過程中的實時性要求。本文方法可為農(nóng)業(yè)機器人進行果園復(fù)雜環(huán)境非結(jié)構(gòu)化道路識別提供參考。

摘要:針對果園噴藥機器人視覺導(dǎo)航過程中定位精度低、地圖構(gòu)建效果差等問題，本文提出一種新的視覺定位與稠密建圖算法。該算法基于ORB-SLAM2算法架構(gòu)，首先，通過優(yōu)化FAST角點、描述子閾值，并采取圖像金字塔法與高斯濾波算法，剔除劣質(zhì)ORB特征點，以提升圖像關(guān)鍵幀質(zhì)量和特征匹配精度。其次，引入稠密建圖線程，利用點云恢復(fù)算法、統(tǒng)計濾波方法形成點云隊列，采取點云拼接技術(shù)與體素濾波算法輸出稠密點云地圖，并在ORB-SLAM2算法的ROS節(jié)點中增加關(guān)鍵幀輸出接口與位姿發(fā)布話題，通過NeedNewKeyFrame函數(shù)選取ORB-SLAM2算法所生成的關(guān)鍵幀，減少系統(tǒng)計算量。最終，由RGB-D相機實現(xiàn)果園噴藥機器人的精準(zhǔn)定位與稠密建圖。為驗證本文算法的有效性與實用性，進行TUM數(shù)據(jù)集仿真分析與真實場景測試，結(jié)果表明：相較ORB-SLAM2算法，本文算法的絕對軌跡平均誤差降低44.01%、相對軌跡平均誤差降低7.93%，ORB特征點匹配數(shù)量平均提升19.03%，定位精度與運行軌跡效果均有顯著提升，此外，還能獲取較高精度的果園噴藥機器人工作場景信息。本文算法可為果園噴藥機器人的自主導(dǎo)航提供理論基礎(chǔ)。

摘要:果園噴霧機器人路徑軌跡規(guī)劃影響機器人行駛路線的平滑線和行駛過程的可靠性和平穩(wěn)性。針對目前果園噴霧機器人路徑規(guī)劃中存在的轉(zhuǎn)彎處參考軌跡不夠平滑、曲率較大、行駛不平穩(wěn)等問題，提出了一種基于果園噴霧機器人運動學(xué)多約束條件的三次非均勻B樣條曲線果園噴霧機器人軌跡優(yōu)化方法。通過先驗地圖獲取樹行位置信息對行間路徑點進行擬合處理，保證果園噴霧機器人行駛在樹行中心線上符合噴霧作業(yè)要求，綜合考慮最小轉(zhuǎn)彎半徑、首末端點約束、轉(zhuǎn)向機構(gòu)延遲約束、曲率連續(xù)等多約束條件構(gòu)建路徑曲率最小化目標(biāo)函數(shù)，并通過最優(yōu)化算法求解待優(yōu)化的曲線參數(shù)，生成符合果園噴霧機器人行駛要求的全局路徑，最后采用純跟蹤算法進行跟蹤試驗來驗證機器人行駛精度。仿真與試驗結(jié)果表明，規(guī)劃生成軌跡的最大曲率為0.31m-1，平均曲率為0.15m-1，符合果園噴霧機器人的行駛要求；針對該軌跡跟蹤行駛的平均橫向誤差為0.225m，標(biāo)準(zhǔn)差為0.031m，滿足果園噴霧機器人在果園內(nèi)噴霧作業(yè)時對行駛精度的要求。

摘要:針對傳統(tǒng)噴桿噴霧機在轉(zhuǎn)彎、換行過程中調(diào)頭空間有限、轉(zhuǎn)向半徑大、易碾壓作物等問題，提出了一種可利用車輛平行移動來實現(xiàn)換行作業(yè)的控制方法?；谄揭茡Q行方式設(shè)計了四輪轉(zhuǎn)向噴桿噴霧機的導(dǎo)航控制系統(tǒng)，該控制系統(tǒng)采用RTK(Real time kinematic)定位模塊和姿態(tài)傳感器進行組合導(dǎo)航，以噴霧機位置信息和姿態(tài)信息作為輸入，在四輪轉(zhuǎn)向運動學(xué)模型基礎(chǔ)上，結(jié)合運動學(xué)解算實現(xiàn)了噴桿噴霧機非轉(zhuǎn)彎調(diào)頭換行的自動導(dǎo)航跟蹤控制，根據(jù)噴霧作業(yè)要求設(shè)計了基于有限狀態(tài)機的自動作業(yè)策略。開展了傳統(tǒng)PID（Proportion integration differentiation）控制器與單神經(jīng)元PID控制器的實地對比測試。在常規(guī)方形硬質(zhì)平整地塊試驗時，搭載常規(guī)PID控制器的噴霧機在平移換行過程中的最大跟蹤偏差、平均絕對偏差為7.63、4.27cm，而搭載單神經(jīng)元PID控制器的噴霧機在平移換行過程中的的最大跟蹤偏差、平均絕對偏差為6.48、3.24cm。在常規(guī)方形田間地塊試驗時，搭載常規(guī)PID控制器的噴霧機在平移換行過程中的最大跟蹤偏差、平均絕對偏差為11.01、6.66cm，而搭載單神經(jīng)元PID控制器的噴霧機在平移換行過程中的最大跟蹤偏差、平均絕對偏差為8.60、4.47cm。試驗表明，單神經(jīng)元PID控制器與傳統(tǒng)控制器相比，具有較好的控制精度與適應(yīng)性，解決了傳統(tǒng)換行方式轉(zhuǎn)向半徑大而需要較大的轉(zhuǎn)向空間的問題，為寬幅噴桿噴霧機的地頭轉(zhuǎn)向和換行提供解決方案。

摘要:引入無人自主系統(tǒng)實現(xiàn)水渠網(wǎng)絡(luò)智能化巡檢對水利工程的建設(shè)、監(jiān)控與維護具有重要意義。采用無人機、無人車協(xié)作執(zhí)行水渠巡檢任務(wù)時，無人機在水渠上空完成巡檢工作，無人車可作為無人機的運載平臺和能量補給站，有助于實現(xiàn)大規(guī)模水渠網(wǎng)絡(luò)的快速自主巡檢。但是，受到水渠網(wǎng)絡(luò)、道路網(wǎng)絡(luò)的雙重約束，無人系統(tǒng)的路徑規(guī)劃面臨較大困難。針對上述問題，本文以最小化完成整個巡檢任務(wù)時間為目標(biāo)，首先基于度約束提出了水渠網(wǎng)絡(luò)分割方法，將巡檢任務(wù)分配給無人機，使無人機在巡檢各子區(qū)域時不需要起飛或降落進行充電。然后基于遺傳算法為無人機和無人車計算最優(yōu)運動路徑。最后，通過實例驗證，當(dāng)無人機以速度60km/h、無人車以速度40km/h勻速工作時，按人工步行巡檢速度2km/h計算，無人系統(tǒng)的巡檢速度為人工巡檢的8.4~9.8倍。

摘要:針對工業(yè)機械臂蘋果采摘時運動規(guī)劃復(fù)雜、自由度多、控制難等問題，本文研制了一款輕量化結(jié)構(gòu)的三自由度蘋果采摘機械臂。首先，針對蘋果采摘工作要求完成了機械臂的結(jié)構(gòu)設(shè)計與運動學(xué)分析。機械臂采用平行四邊形結(jié)構(gòu)，通過后置動力源減小整機轉(zhuǎn)動慣量，且臂展長，工作空間大，運動時樹枝干擾小，更適用于蘋果采摘。其次，采用牛頓-歐拉方程建立動力學(xué)模型，完成機械臂蘋果采摘仿真，通過動力學(xué)模型的理論數(shù)據(jù)，以減輕機械臂自身質(zhì)量為優(yōu)化目標(biāo)，對臂及其關(guān)鍵部件應(yīng)力及應(yīng)變進行分析，計算不同輕量化方案下的應(yīng)力、應(yīng)變，從而選取最優(yōu)的輕量化方案。通過對比輕量化前后機械臂仿真數(shù)據(jù)，骨棒型輕量化方案驅(qū)動力矩峰值分別降低21N·m和 15N·m，均降低約20%，整機質(zhì)量下降1.8kg，降低32.1%，且輕量化后機械臂保持良好工作能力。根據(jù)優(yōu)化結(jié)果，搭建了三自由度蘋果采摘機械臂物理樣機，通過試驗得到大、小臂最大驅(qū)動力矩為92、63N·m，基本符合仿真結(jié)果，驗證了動力學(xué)模型的正確性。

摘要:針對傳統(tǒng)旋耕式耕整機在稻-油或稻-稻-油水旱輪作的油菜種植模式下進行耕整地作業(yè)易存在整機通過性、適應(yīng)性差，旋耕裝置作業(yè)碎土率低、刀輥易纏草、秸稈埋覆性能差等問題，設(shè)計了一種驅(qū)動圓盤犁與雙刃型旋耕刀組合式耕整機。提出先主動犁耕后雙刃旋耕、兩側(cè)開畦溝的工作方式，分析確定了驅(qū)動圓盤犁組主要結(jié)構(gòu)參數(shù)以及驅(qū)動圓盤犁組-開畦溝前犁布局方式；分析確定了一種應(yīng)用于驅(qū)動圓盤犁與雙刃型旋耕刀組合式耕整機的雙刃型旋耕裝置關(guān)鍵結(jié)構(gòu)參數(shù)。依據(jù)滑切原理確定了具有長刃部和短刃部的雙刃型旋耕刀片關(guān)鍵結(jié)構(gòu)參數(shù)；根據(jù)驅(qū)動圓盤犁組結(jié)構(gòu)布局確定了雙刃型旋耕裝置為雙頭螺旋線排列方式。利用離散元仿真方法分析了整機的秸稈埋覆性能以及對土壤耕層交換的影響，結(jié)果表明整機作業(yè)平均秸稈埋覆率為94.69%，且整機作業(yè)后土壤耕層混合均勻。在秸稈留茬量不同的兩種工況下進行田間性能試驗，田間性能試驗表明，驅(qū)動圓盤犁與雙刃型旋耕刀組合式耕整機作業(yè)后平均秸稈埋覆率為96.45%，平均碎土率為95.30%，犁組不堵塞，刀輥不易纏草，機組通過性好；田間播種試驗表明，整機播種后油菜出苗均勻，整機作業(yè)各項指標(biāo)均滿足稻茬地油菜直播種床整備要求。

摘要:地表秸稈覆蓋免耕播種具有蓄水保墑、提高土壤肥力、改良土壤結(jié)構(gòu)、控制土壤侵蝕、降低生產(chǎn)成本和提高作物產(chǎn)量等社會、生態(tài)和經(jīng)濟效益。針對現(xiàn)有同位仿形免耕播種單體在重度秸稈覆蓋、高速作業(yè)條件下，清秸裝置作業(yè)質(zhì)量差、工作效率低問題，改進設(shè)計了一種具有秸稈軸向加速推送功能的清秸裝置。闡明了清秸裝置清理秸稈機理，完成了關(guān)鍵部件清秸輪和助推螺旋設(shè)計，確定了影響其工作性能主要參數(shù)及取值范圍。采用二次回歸正交旋轉(zhuǎn)中心組合試驗方法，以作業(yè)速度、工作偏角、螺旋升角、螺旋葉片數(shù)為試驗因素，清秸率和工作阻力為性能評價指標(biāo)，在構(gòu)建的EDEM-ADAMS聯(lián)合仿真試驗平臺上實施參數(shù)組合優(yōu)化試驗，結(jié)果表明：各因素對清秸率影響由大至小依次為作業(yè)速度、工作偏角、螺旋葉片數(shù)、螺旋升角；各因素對工作阻力影響由大至小依次為作業(yè)速度、工作偏角、螺旋葉片數(shù)、螺旋升角。應(yīng)用Design-Expert軟件對試驗結(jié)果進行參數(shù)組合優(yōu)化，當(dāng)螺旋升角為40°、螺旋葉片數(shù)為4、作業(yè)速度為7.5～10.7km/h、工作偏角為20.0°～32.5°時，清秸率大于85%，工作阻力小于110N。在作業(yè)速度8、9、10km/h條件下，對螺旋升角40°、螺旋葉片數(shù)4、工作偏角30°的清秸裝置進行田間性能試驗，得到清秸率大于82%，工作阻力小于112N，表明仿真試驗結(jié)果可信，在作業(yè)速度10km/h條件下相對未優(yōu)化清秸裝置清秸率提高33.5%、工作阻力無顯著性差異。

摘要:清篩裝置對篩片的振動激勵是提高物料透篩概率、減少篩孔堵塞以及有效清篩的根本因素?，F(xiàn)有清篩裝置多使用隨機彈跳的橡膠球完成清篩作業(yè)，但其清篩效果易受到結(jié)構(gòu)與工作參數(shù)制約。為解決橡膠球激振力難以精準(zhǔn)調(diào)控問題，設(shè)計了電磁變頻激振清篩裝置，闡述了總體結(jié)構(gòu)與工作原理，設(shè)計了激振清篩單體與變頻激振控制系統(tǒng)，分析了振動激勵作用機制；以加速度為指標(biāo)，研究了彈簧預(yù)壓縮量與激振頻率對振動激勵的影響規(guī)律，結(jié)果表明兩者均與振動激勵正相關(guān)；以凈度、篩分效率、篩分時間、卡種數(shù)量為指標(biāo)開展了16組玉米種子清選試驗，試驗結(jié)果表明彈簧預(yù)壓縮量為2mm、工作頻率為3.5Hz、清篩頻率為50Hz時清篩裝置具有較好的作業(yè)效果，種子凈度99.1%，篩分效率88.6%，篩分時間70s，卡種數(shù)量為0；通過分段設(shè)置工作頻率與清篩頻率，實現(xiàn)了清篩裝置激振力的精準(zhǔn)調(diào)控，能夠滿足不同工況下正常篩分與強振清篩的作業(yè)要求。

摘要:針對玉米在高速（12~16km/h）播種時籽粒脫離種盤初速度大，與帶式導(dǎo)種裝置種腔內(nèi)壁碰撞彈跳，發(fā)生碰撞異位，導(dǎo)致籽粒進入種腔精準(zhǔn)度低等問題，以具有納種機構(gòu)的帶式玉米高速導(dǎo)種裝置為研究對象，建立籽粒夾取、轉(zhuǎn)運和排放動力學(xué)模型，提出在撥指表面添加人字形紋路的改進方法，明確影響納種穩(wěn)定性與籽粒進入種腔精準(zhǔn)度的主要因素。利用高速攝像與圖像目標(biāo)追蹤技術(shù)進行單因素對比試驗及多因素優(yōu)化試驗。單因素試驗結(jié)果表明，播種速度較快時，有人字形紋路撥指輪納種合格指數(shù)和種腔間隔變異系數(shù)均明顯優(yōu)于無人字形紋路撥指輪。為獲得撥指輪改進后的納種機構(gòu)最佳性能參數(shù)，以輪心距、撥指輪轉(zhuǎn)速及撥指長度為試驗因素，以納種合格指數(shù)與種腔間隔變異系數(shù)為評價指標(biāo)，進行三因素五水平二次正交旋轉(zhuǎn)組合試驗，采用多目標(biāo)優(yōu)化方法，確定當(dāng)輪心距為36.8mm，撥指輪轉(zhuǎn)速為584.97r/min，撥指長度為10.8mm時，納種合格指數(shù)為98.23%，種腔間隔變異系數(shù)為0.24%。對優(yōu)化結(jié)果進行驗證試驗，驗證結(jié)果與優(yōu)化結(jié)果基本一致。在相同條件下進行臺架對比試驗，結(jié)果表明，有帶式玉米高速導(dǎo)種裝置的作業(yè)性能遠優(yōu)于不安裝帶式玉米高速導(dǎo)種裝置的作業(yè)性能。

摘要:針對蠶豆種子粒徑大、三軸尺寸差異大，充種困難的問題，設(shè)計了一種帶有平帶輔助充種裝置的氣吸式蠶豆精量排種器。通過對充種過程中的動力學(xué)分析闡述了平帶輔助充種裝置及種子的運動機理；利用計算流體力學(xué)和離散元法雙向耦合模擬的方法（Computational fluid dynamics and discrete element method,CFD-DEM），開展了單因素試驗，確定了影響排種器充種性能的主要零部件參數(shù)并明晰了平帶輔助充種機理；搭建試驗臺架，選取作業(yè)速度、平帶輸入軸轉(zhuǎn)速和負(fù)壓為試驗因素，合格指數(shù)、重播指數(shù)、漏播指數(shù)為試驗指標(biāo)，進行了二次回歸正交組合試驗。試驗結(jié)果表明，影響排種器合格指數(shù)的因素主次順序為：作業(yè)速度、負(fù)壓、平帶輸入軸轉(zhuǎn)速。對試驗結(jié)果進行多目標(biāo)優(yōu)化，得到最優(yōu)參數(shù)組合為作業(yè)速度5.69km/h、平帶輸入軸轉(zhuǎn)速395r/min、負(fù)壓3845Pa，對此結(jié)果進行排種器性能試驗驗證，此時合格指數(shù)為91.6%、重播指數(shù)為3.8%、漏播指數(shù)為4.6%，滿足蠶豆播種要求。

摘要:玉米播種機高速、精量作業(yè)時，投種點高，種子因劇烈碰撞，而導(dǎo)致粒距均勻性差，為此基于文丘里原理，設(shè)計一種利用正壓氣流輔助輸種的導(dǎo)種裝置，確定了導(dǎo)種裝置的主要結(jié)構(gòu)和關(guān)鍵參數(shù)。分析了氣流輔助輸種，實現(xiàn)“零速投種”的機理。采用DEM-CFD耦合仿真方法模擬導(dǎo)種裝置的工作過程，通過對比分析氣流場、種子的出射速度，確定進氣室收縮角為70°、進氣室收縮段長度為8.2mm。利用排種器性能測試平臺進行速度匹配試驗、彈跳試驗、作業(yè)性能試驗和對比試驗，結(jié)果表明：作業(yè)速度為8~16km/h、粒距為20~25cm時，合格指數(shù)不小于85.7%；粒距變異系數(shù)不大于15.8%。與重力式導(dǎo)種管相比，作業(yè)速度越高，正壓氣流輔助導(dǎo)種裝置的優(yōu)良作業(yè)性能越突出，作業(yè)速度為16km/h時，粒距合格指數(shù)增加13.6個百分點，粒距變異系數(shù)減少7.4個百分點，滿足高速條件下精量輸種的要求，有利于提升高速精量播種機整體作業(yè)性能。

摘要:為解決螺旋排肥器排肥流量不均勻影響精控施肥的問題，在通過排肥過程肥料運動狀態(tài)仿真分析確定其排肥不均原因的基礎(chǔ)上，采用傾斜排肥口的結(jié)構(gòu)設(shè)計以提升排肥均勻性。利用EDEM建立斜口螺旋排肥器仿真模型，以斜口長度x1、斜口角度x2、開口寬度x3試驗因素，排肥流量變異系數(shù)為試驗指標(biāo)，進行二次通用旋轉(zhuǎn)組合設(shè)計試驗研究。試驗結(jié)果表明：試驗因素對試驗指標(biāo)的影響主次順序為x3、x2、x1，且當(dāng)x1為105mm、x2在30°~44°范圍內(nèi)、x3在40.05~55.00mm范圍內(nèi)時，排肥流量變異系數(shù)σ小于15%，排肥均勻性較佳。采用臺架試驗對傳統(tǒng)及斜口螺旋排肥器進行對比試驗，結(jié)果證明：轉(zhuǎn)速60r/min時斜口螺旋排肥器排肥流量變異系數(shù)σ為13.59%，與理論優(yōu)化值相吻合，且斜口螺旋排肥器均優(yōu)于傳統(tǒng)螺旋排肥器。同時基于實測的排肥器排肥轉(zhuǎn)速流量曲線，設(shè)計一種排肥控制器并進行臺架試驗，結(jié)果表明其可實現(xiàn)精控施肥。

摘要:針對入缽夾取式全自動蔬菜缽苗移栽機取苗爪體積小，夾持力檢測傳感器結(jié)構(gòu)與安裝方式干涉取苗爪正常取投動作、影響自身精度與使用壽命等問題，本文選用聚二甲基硅氧烷(Polydimethylsiloxane，PDMS)薄膜作為傳感器介電層，設(shè)計了一種內(nèi)置式缽苗夾持力傳感器，并通過嵌入方式實現(xiàn)取苗爪與傳感器一體化設(shè)計。建立穴孔、缽體基質(zhì)、取苗爪仿真模型，應(yīng)用LS-PrePost軟件對取苗過程進行耦合仿真，得到取苗爪與缽體基質(zhì)接觸部位最大受力區(qū)域，確定了取苗爪與傳感器的結(jié)構(gòu)與尺寸；設(shè)計夾持力信號檢測系統(tǒng)，將硬件電路與采集軟件結(jié)合，完成電容量-電壓轉(zhuǎn)換、信號放大、噪聲濾除，實現(xiàn)夾持力信號的采集、處理、顯示與保存等功能。為驗證傳感器性能，進行傳感器標(biāo)定試驗與室內(nèi)驗證試驗。標(biāo)定試驗表明，在不同振蕩頻率下，夾持力傳感器平均靈敏度為0.3728N/V，平均線性決定系數(shù)為0.9892，精度為7.548%，量程為7N，滿足移栽過程中夾持力檢測的準(zhǔn)確度要求；室內(nèi)驗證試驗表明，夾持力檢測傳感器具有良好的穩(wěn)定性與適應(yīng)性，可用于移栽機取苗機構(gòu)夾持實時精準(zhǔn)檢測。

摘要:為探討黃土高原地區(qū)2001—2020年間干旱時空變化特征及其影響因素，利用MODIS增強植被指數(shù)（Enhanced vegetation index, EVI）以及地表溫度（Land surface temperature, LST）數(shù)據(jù)，構(gòu)建溫度植被干旱指數(shù)（Temperature vegetation dryness index, TVDI）模型，探究黃土高原地區(qū)2001—2020年TVDI指數(shù)時空動態(tài)、變化趨勢并利用地理探測器模型分析TVDI空間分異性的驅(qū)動因子。結(jié)果表明： 2001—2020年間黃土高原TVDI空間分布具有較強的空間分異性，總體上呈現(xiàn)從西向東旱情逐漸增加的趨勢，黃土高原多年平均TVDI為0.522，整體上處于輕旱狀態(tài)。從TVDI多年變化趨勢上分析，超過64%的區(qū)域有干旱加劇的趨勢，且存在明顯的地域分異規(guī)律，黃土高原西北部的內(nèi)蒙古、寧夏北部以及山西部分地區(qū)旱情大多呈加劇趨勢，而旱情緩解區(qū)域較為集中，多分布于陜西中部、寧夏南部和甘肅北部。各土地利用類型的TVDI年際變化均呈現(xiàn)不同程度上升的趨勢且各土地利用類型年均TVDI差異明顯，從大到小依次為：未利用地（0.571）、草地（0.554）、耕地（0.503）、林地（0.473）和建筑用地（0.462）。黃土高原地區(qū)TVDI的空間分異主要受高程、土壤類型、植被類型3個因子影響，三者q均超過0.3，是黃土高原干旱的主要驅(qū)動因素；在多因子交互作用下，高程與SIF組合對黃土高原干旱發(fā)生的影響力最強，q達到0.709。

摘要:馬鈴薯植株鉀含量（Plant potassium content，PKC）是監(jiān)測馬鈴薯營養(yǎng)狀況的重要指標(biāo)，快速準(zhǔn)確地獲取馬鈴薯植株鉀含量對田間施肥和生產(chǎn)管理具有指導(dǎo)意義。基于無人機遙感平臺搭載RGB傳感器分別獲取馬鈴薯塊莖形成期、塊莖增長期和淀粉積累期的RGB影像，并實測馬鈴薯植株鉀含量。首先利用各個生育期的RGB影像提取每個小區(qū)冠層平均光譜和紋理特征。然后分別基于冠層光譜和紋理特征構(gòu)建植被指數(shù)和紋理指數(shù)(NDTI、RTI和DTI)，并與實測PKC進行相關(guān)性分析。最后利用多元線性回歸(Multiple linear regression，MLR)、偏最小二乘(Partial least squares regression，PLSR)和人工神經(jīng)網(wǎng)絡(luò)(Artificial neural networks，ANN)構(gòu)建馬鈴薯PKC估算模型。結(jié)果表明：各生育期NDTI、RTI和DTI與馬鈴薯PKC相關(guān)性均高于單一紋理特征，植被指數(shù)結(jié)合紋理指數(shù)均能提高模型的可靠性和穩(wěn)定性，MLR和PLSR構(gòu)建的估算模型精度均優(yōu)于ANN。本研究可為馬鈴薯PKC監(jiān)測提供科學(xué)參考。

摘要:傳統(tǒng)的人工種苗表型測量方式存在效率低、主觀性強、誤差大、破壞種苗等問題，提出了一種使用RGB-D相機的黃瓜苗表型無損測量方法。研制了自動化多視角圖像采集平臺，布署兩臺Azure Kinect相機同時拍攝俯視和側(cè)視兩個視角的彩色、深度、紅外和RGB-D對齊圖像。使用Mask R-CNN網(wǎng)絡(luò)分割近紅外圖像中的葉片和莖稈，再與對齊圖進行掩膜，消除了對齊圖中的背景噪聲與重影并得到葉片和莖稈器官的對齊圖像。網(wǎng)絡(luò)實例分割結(jié)果的類別和數(shù)量即為子葉和真葉的數(shù)量。使用CycleGAN網(wǎng)絡(luò)處理單個葉片的對齊圖，對缺失部分進行修補并轉(zhuǎn)換為3D點云，再對點云進行濾波實現(xiàn)保邊去噪，最后對點云進行三角化測量葉面積。在Mask R-CNN分割得到的莖稈對齊圖像中，利用莖稈的近似矩形特征，分別計算莖稈的長和寬，再結(jié)合深度信息轉(zhuǎn)換為下胚軸長和莖粗。使用YOLO v5s檢測對齊圖中的黃瓜苗生長點，利用生長點與基質(zhì)的高度差計算株高。實驗結(jié)果表明，該系統(tǒng)具有很好的通量和精度，對子葉時期、1葉1心時期和2葉1心時期的黃瓜苗關(guān)鍵表型測量平均絕對誤差均不高于8.59%、R2不低于0.83，可以很好地替代人工測量方式，為品種選育、栽培管理、生長建模等研究提供關(guān)鍵基礎(chǔ)數(shù)據(jù)。

摘要:現(xiàn)有基于深度學(xué)習(xí)的農(nóng)作物病害識別方法對網(wǎng)絡(luò)淺層、中層、深層特征中包含的判別信息挖掘不夠，且提取的農(nóng)作物病害圖像顯著性特征大多不足，為了更加有效地提取農(nóng)作物病害圖像中的判別特征，提高農(nóng)作物病害識別精度，提出一種基于多層信息融合和顯著性特征增強的農(nóng)作物病害識別網(wǎng)絡(luò)(Crop disease recognition network based on multilayer information fusion and saliency feature enhancement, MISF-Net)。MISF-Net主要由ConvNext主干網(wǎng)絡(luò)、多層信息融合模塊、顯著性特征增強模塊組成。其中，ConvNext主干網(wǎng)絡(luò)主要用于提取農(nóng)作物病害圖像的特征；多層信息融合模塊主要用于提取和融合主干網(wǎng)絡(luò)淺層、中層、深層特征中的判別信息；顯著性特征增強模塊主要用于增強農(nóng)作物病害圖像中的顯著性判別特征。在農(nóng)作物病害數(shù)據(jù)集AI challenger 2018及自制數(shù)據(jù)集RCP-Crops上的實驗結(jié)果表明，MISF-Net的農(nóng)作物病害識別準(zhǔn)確率分別達到87.84%、95.41%，F(xiàn)1值分別達到87.72%、95.31%。

摘要:植物病害是造成農(nóng)作物減產(chǎn)的主要原因之一。針對傳統(tǒng)的人工診斷方法存在成本高、效率低等問題，構(gòu)建了一個自然復(fù)雜環(huán)境下的葡萄病害數(shù)據(jù)集，該數(shù)據(jù)集中的圖像由農(nóng)民在實際農(nóng)業(yè)生產(chǎn)中拍攝，同時提出了一個新的網(wǎng)絡(luò)模型MANet，該模型可以準(zhǔn)確地識別復(fù)雜環(huán)境下的葡萄病害。在MANet中嵌入倒殘差模塊來構(gòu)建網(wǎng)絡(luò)，這極大降低了模型參數(shù)量和計算成本。同時，將注意力機制SENet模塊添加到MANet中，提高了模型對病害特征的表示能力，使模型更加注意關(guān)鍵特征，抑制不必要的特征，從而減少圖像中復(fù)雜背景的影響。此外，設(shè)計了一個多尺度特征融合模塊（Multi-scale convolution）用來提取和融合病害圖像的多尺度特征，這進一步提高了模型對不同病害的識別精度。實驗結(jié)果表明，與其他先進模型相比，本文模型表現(xiàn)出了優(yōu)越的性能，該模型在自建復(fù)雜背景病害數(shù)據(jù)集上的平均識別準(zhǔn)確率為87.93%，優(yōu)于其他模型，模型參數(shù)量為2.20×106。同時，為了進一步驗證該模型的魯棒性，還在公開農(nóng)作物病害數(shù)據(jù)集上進行了測試，該模型依然表現(xiàn)出較好的識別效果，平均識別準(zhǔn)確率為99.65%，高于其他模型。因此，本文模型具有實際應(yīng)用潛力。

摘要:為解決高光譜影像受傳感器及分辨率的影響所產(chǎn)生的光譜變化給解混造成的困擾，提出基于多模態(tài)多目標(biāo)優(yōu)化的端元束提取方法(MOPSOSCD)。對高光譜圖像進行標(biāo)號編碼，采用基于索引的環(huán)形拓?fù)浣Y(jié)構(gòu)進行鄰域的個體交互，通過鄰域最優(yōu)改進粒子群速度更新方式并整數(shù)化粒子位置更新。同時，根據(jù)高光譜圖像空間特征，通過改進決策空間擁擠距離提高決策空間的多樣性，再結(jié)合目標(biāo)空間的擁擠距離進行綜合排序，實現(xiàn)多模態(tài)多目標(biāo)優(yōu)化的粒子篩選。當(dāng)粒子定向移動概率pm為0.2、粒子數(shù)P為30及迭代次數(shù)M為400時，算法在MUUFL數(shù)據(jù)集上均方根誤差(RMSE)及平均光譜角距離(mSAD)分別為0.0088、0.1112。通過對比試驗，本文方法相較于VCA、DPSO等方法具有更高的提取精度和效率，為高光譜解混提供了更加準(zhǔn)確的端元束提取方法。

摘要:在實際生產(chǎn)中，麥苗株數(shù)對出苗率估算、產(chǎn)量預(yù)測以及籽粒品質(zhì)預(yù)估等起著關(guān)鍵作用，及時準(zhǔn)確地估算出麥苗株數(shù)對于小麥生產(chǎn)至關(guān)重要。由于田間生長環(huán)境復(fù)雜，麥苗成像易受光照、遮擋和重疊等因素的影響，導(dǎo)致現(xiàn)有目標(biāo)對象計數(shù)方法直接用于麥苗計數(shù)時性能不高。為減弱上述因素對麥苗計數(shù)的影響，進一步提高計數(shù)準(zhǔn)確率，本文對現(xiàn)有的目標(biāo)對象計數(shù)網(wǎng)絡(luò)P2PNet (Point to point network)進行改進，提出增強局部上下文監(jiān)督信息的麥苗計數(shù)模型P2P_Seg。首先，對麥苗圖像進行預(yù)處理，使用點標(biāo)注方法自建麥苗數(shù)據(jù)集；其次，引入麥苗局部分割分支改進網(wǎng)絡(luò)結(jié)構(gòu)，以提取麥苗局部上下文監(jiān)督信息；然后，設(shè)計逐元素點乘機制融合麥苗全局信息和局部上下文監(jiān)督信息；最后，引入逐像素加權(quán)焦點損失(Per-pixel weighted focal loss)構(gòu)建總損失函數(shù)，對模型進行優(yōu)化。在自建數(shù)據(jù)集上的實驗表明，P2P_Seg的平均絕對誤差(Mean absolute error，MAE)和均方根誤差(Root mean square error，RMSE)分別為586和768，比P2PNet分別降低0.74和1.78；與其他先進計數(shù)模型相比，P2P_Seg具有更好的計數(shù)效果。在實際大田環(huán)境下進行了應(yīng)用測試分析、誤計數(shù)和漏計數(shù)情況分析，結(jié)果表明P2P_Seg更適合復(fù)雜田間環(huán)境，為麥苗株數(shù)自動統(tǒng)計提供了新方法。

摘要:針對目前植物解剖表型的測量與分析過程自動化低，難以應(yīng)對復(fù)雜解剖表型的提取和識別的問題，以柑橘主葉脈為研究對象，提出了一種基于掩膜區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Mask region convolutional neural network，Mask R-CNN）的主葉脈顯微圖像實例分割模型，以殘差網(wǎng)絡(luò)ResNet50和特征金字塔（Feature pyramid network，F(xiàn)PN）為主干特征提取網(wǎng)絡(luò)，在掩膜（Mask）分支上添加一個新的感興趣區(qū)域?qū)R層（Region of interest Align，RoI-Align），提升Mask分支的分割精度。結(jié)果表明，該網(wǎng)絡(luò)架構(gòu)能夠精準(zhǔn)地對柑橘主葉脈橫切面中的髓部、木質(zhì)部、韌皮部和皮層細(xì)胞進行識別分割。Mask R-CNN模型對髓部、木質(zhì)部、韌皮部和皮層細(xì)胞的分割平均精確率(交并比(IoU)為0.50)分別為98.9%、89.8%、95.7%和97.2%，對4個組織區(qū)域的分割平均精確率均值(IoU為0.50)為95.4%。與未在Mask分支添加RoI-Align的Mask R-CNN相比，精度提升1.6個百分點。研究結(jié)果表明，Mask R-CNN模型對柑橘主葉脈各類組織區(qū)域具有良好的識別分割效果，可為柑橘微觀表型研究提供技術(shù)支持與研究基礎(chǔ)。

摘要:為解決蘆筍采收機器人選擇性采收過程中成熟蘆筍的判別和采摘手準(zhǔn)確定位難題，提出了一種改進YOLACT++（You only look at coefficients）算法，利用該方法對成熟蘆筍進行檢測判別并定位采收切割。通過引入CBAM（Convolutional block attention module）注意力機制以及SPP（Spatial pyramid pooling）結(jié)構(gòu)改進傳統(tǒng)的YOLACT++主干網(wǎng)絡(luò)，提高了特征提取的有效性；設(shè)計了適用于蘆筍目標(biāo)檢測的錨框長寬比以保證覆蓋到不同姿態(tài)的蘆筍，以提高網(wǎng)絡(luò)檢測速度和準(zhǔn)確率。利用生成的蘆筍掩膜分段計算蘆筍長度和基部直徑，來判定成熟蘆筍，并通過空間位姿向量計算成熟蘆筍基部區(qū)域切割點位置。采收機器人田間試驗結(jié)果表明，經(jīng)過訓(xùn)練的改進YOLACT++模型的檢測準(zhǔn)確率為95.22%，掩膜平均準(zhǔn)確率為95.60%，640像素×480像素圖像檢測耗時53.65ms，成熟蘆筍判別準(zhǔn)確率為95.24%，在X、Y、Z方向的切割點定位誤差小于2.89mm，滾轉(zhuǎn)角和俯仰角誤差最大為7.17°；與Mask R-CNN、SOLO和YOLACT++模型相比，掩膜平均準(zhǔn)確率分別提高2.28、9.33、21.41個百分點，最大定位誤差分別降低1.07、1.41、1.92mm，最大角度誤差分別降低1.81°、2.46°和3.81°。使用該方法試制的蘆筍采收機器人，采收成功率為96.15%，單根蘆筍采收總耗時僅為12.15s。本研究提出的檢測-判別-定位方法在保證響應(yīng)速度的前提下具有較高的檢測精度和定位精度，為優(yōu)化改進基于機器視覺的蘆筍采收機器人提供了技術(shù)支持。

摘要:針對紅花采摘機器人田間作業(yè)時花冠檢測及定位精度不高的問題，提出了一種基于深度學(xué)習(xí)的目標(biāo)檢測定位算法（Mobile safflower detection and position network，MSDP-Net）。針對目標(biāo)檢測，本文提出了一種改進的YOLO v5m網(wǎng)絡(luò)模型C-YOLO v5m，在YOLO v5m主干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)插入卷積塊注意力模塊，使模型準(zhǔn)確率、召回率、平均精度均值相較于改進前分別提高4.98、4.3、5.5個百分點。針對空間定位，本文提出了一種相機移動式空間定位方法，將雙目相機安裝在平移臺上，使其能在水平方向上進行移動，從而使定位精度一直處于最佳范圍，同時避免了因花冠被遮擋而造成的漏檢。經(jīng)田間試驗驗證，移動相機式定位成功率為93.79%，較固定相機式定位成功率提升9.32個百分點，且在X、Y、Z方向上移動相機式定位方法的平均偏差小于3mm。將MSDP-Net算法與目前主流目標(biāo)檢測算法的性能進行對比，結(jié)果表明，MSDP-Net的綜合檢測性能均優(yōu)于其他5種算法，其更適用于紅花花冠的檢測。將MSDP-Net算法和相機移動式定位方法應(yīng)用于自主研發(fā)的紅花采摘機器人上進行采摘試驗。室內(nèi)試驗結(jié)果表明，在500次重復(fù)試驗中，成功采摘451朵，漏采49朵，采摘成功率90.20%。田間試驗結(jié)果表明，在選取壟長為15m范圍內(nèi)，盛花期紅花花冠采摘成功率大于90%。

摘要:活立木莖干水分狀況是植物生命狀態(tài)的有效體現(xiàn)，其中莖干含水率（Stem water content，StWC）和液流密度（Sap flux density，SFD）是研究植物體內(nèi)水分變化規(guī)律的重要參數(shù)。準(zhǔn)確檢測活立木莖干同一空間位置的含水率和液流密度可以更有效地分析2個參數(shù)的關(guān)系、評估植物生長狀況。將基于駐波率（Standing wave ratio，SWR）原理的莖干水分檢測方法和基于熱比率法（Heat ratio method，HRM）原理的莖干液流檢測方法結(jié)合，設(shè)計了活立木莖干含水率和液流復(fù)合參數(shù)檢測傳感器，復(fù)合傳感器的含水率檢測單元和液流檢測單元復(fù)用一套三針式探針，可對活立木莖干同一位置的含水率和液流實時精準(zhǔn)檢測。含水率檢測單元輸出電壓與介電常數(shù)（6～53.3范圍內(nèi)，對應(yīng)莖干含水率為0～85%）具有良好的線性關(guān)系（決定系數(shù)R2=0.9701），靜態(tài)穩(wěn)定性良好（長時間測試最大波動為0.6%全量程）。以楊樹為研究對象，含水率檢測單元與BD-IV型植物莖體水分傳感器的對比實驗結(jié)果一致（決定系數(shù)R2=0.9800）。液流檢測單元與ST1221型熱擴散式液流計對比，二者檢測的楊樹液流密度具有顯著的線性關(guān)系(決定系數(shù)R2=0.8991)，熱擴散式液流計不能準(zhǔn)確判斷零液流條件而低估了液流密度，ST1221型液流計檢測的平均值比本系統(tǒng)液流檢測單元低1.1cm/h，液流檢測單元使用的熱比率法可以準(zhǔn)確檢測低速液流。復(fù)合傳感器對楊樹莖干含水率和液流的長時間監(jiān)測結(jié)果與前人研究一致且符合植物生理規(guī)律。莖干含水率和液流存在極顯著的負(fù)相關(guān)性（Pearson相關(guān)系數(shù)為-0.7951）。

摘要:莖流測量是研究植物耗水規(guī)律的重要手段，現(xiàn)有莖流傳感器多基于熱平衡法進行設(shè)計，但在低溫天氣時，植物蒸騰作用不明顯，莖流瞬時變化響應(yīng)不靈敏，導(dǎo)致測量結(jié)果不精確。針對上述問題，設(shè)計了一種熱源自適應(yīng)莖流檢測與調(diào)控系統(tǒng)。綜合考慮不同因素下莖流消耗在熱源提供能量占比中變化趨勢的建模需求，設(shè)計融合外界溫度、莖流速率、橫截面積等多環(huán)境因子莖流標(biāo)定嵌套試驗。在此基礎(chǔ)上，利用支持向量機回歸算法（Support vector regression，SVR)和遺傳算法（Genetic algorithm，GA)，建立熱源功率自適應(yīng)模型。結(jié)果表明所建模型的最優(yōu)決定系數(shù)與均方根誤差分別為0.989和0.015W?；贚oRa無線傳感網(wǎng)絡(luò)構(gòu)建莖流檢測與調(diào)控系統(tǒng)，實現(xiàn)多組溫度信息和熱源功率的監(jiān)測，系統(tǒng)調(diào)用移植到嵌入式設(shè)備的熱源自適應(yīng)模型動態(tài)獲取熱源功率調(diào)控目標(biāo)值，并發(fā)送至執(zhí)行控制器，控制功率調(diào)控模塊，實現(xiàn)熱源自適應(yīng)融合的功率動態(tài)控制。精度驗證試驗顯示：在低溫段時，本系統(tǒng)比FLOW-32KS型傳感器平均相對誤差小2.64（6℃）、2.53（11℃）、3.68個百分點（16℃）。在高溫段時，自適應(yīng)模型修正對結(jié)果影響不大，雙系統(tǒng)相對誤差互有高低。證明本系統(tǒng)嵌入基于熱平衡法的GA-SVR算法熱源自適應(yīng)模型后，能確保莖流消耗能量Qf在輸入總能量Pin中占比穩(wěn)定，滿足提高熱平衡莖流測量精度的需求。

摘要:籠養(yǎng)模式下雞/蛋自動識別與計數(shù)在低產(chǎn)能雞判別及雞舍智能化管理方面具有重要作用，針對雞舍內(nèi)光線不均、雞只與籠之間遮擋及雞蛋粘連等因素導(dǎo)致自動計數(shù)困難的問題，本研究以籠養(yǎng)雞只與雞蛋為研究對象，基于YOLO v7-tiny提出一種輕量型網(wǎng)絡(luò)YOLO v7-tiny-DO用于雞只與雞蛋識別，并設(shè)計自動化分籠計數(shù)方法。首先，采用JRWT1412型無畸變相機與巡檢設(shè)備搭建自動化數(shù)據(jù)采集平臺，獲取2146幅籠養(yǎng)雞只圖像用于構(gòu)建數(shù)據(jù)集。然后，在YOLO v7-tiny網(wǎng)絡(luò)基礎(chǔ)上應(yīng)用指數(shù)線性單元（Exponential linear unit，ELU）激活函數(shù)減少模型訓(xùn)練時間；將高效層聚合網(wǎng)絡(luò)（Efficient layer aggregation network，ELAN）中的常規(guī)卷積替換為深度卷積減少模型參數(shù)量，并在其基礎(chǔ)上添加深度過參數(shù)化組件（深度卷積）構(gòu)建深度過參數(shù)化深度卷積層（Depthwise over-parameterized depthwise convolutional layer，DO-DConv），以提取目標(biāo)深層特征；同時在特征融合模塊引入坐標(biāo)注意力機制（Coordinate attention mechanism，CoordAtt），提升模型對目標(biāo)空間位置信息的感知能力。試驗結(jié)果表明，YOLO v7-tiny-DO識別雞只和雞蛋的平均精確率（Average precision，AP）分別為96.9%與99.3%，與YOLO v7-tiny相比，雞只與雞蛋的AP分別提高3.2、1.4個百分點；改進后模型內(nèi)存占用量為5.6MB，比原模型減小6.1MB，適合部署于算力相對有限的巡檢機器人；YOLO v7-tiny-DO在局部遮擋、運動模糊和雞蛋粘連情況下均能實現(xiàn)高精度識別與定位，在光線昏暗情況下識別結(jié)果優(yōu)于其他模型，具有較強的魯棒性。最后，將本文算法部署到NVIDIA Jetson AGX Xavier邊緣計算設(shè)備，在實際場景下選取30個雞籠開展計數(shù)測試，持續(xù)3d。結(jié)果表明，3個測試批次雞只與雞蛋的計數(shù)平均準(zhǔn)確率均值分別為96.7%和96.3%，每籠平均絕對誤差均值分別為0.13只雞和0.09枚雞蛋，可為規(guī)?；B(yǎng)殖場智能化管理提供參考。

摘要:山羊的臉部檢測對羊場的智能化管理有著重要的意義。針對實際飼養(yǎng)環(huán)境中，羊群存在多角度、分布隨機、靈活多變、羊臉檢測難度大的問題，以YOLO v5s為基礎(chǔ)目標(biāo)檢測網(wǎng)絡(luò)，提出了一種結(jié)合坐標(biāo)信息的山羊臉部檢測模型。首先，通過移動設(shè)備獲取舍內(nèi)、舍外、單頭以及多頭山羊的圖像并構(gòu)建數(shù)據(jù)集。其次，在YOLO v5s的主干網(wǎng)絡(luò)融入坐標(biāo)注意力機制，以充分利用目標(biāo)的位置信息，提高遮擋區(qū)域、小目標(biāo)、多視角樣本的檢測精度。試驗結(jié)果表明，改進YOLO v5s模型的檢測精確率為95.6%，召回率為83.0%，mAP0.5為90.2%，幀速率為69f/s，模型內(nèi)存占用量為13.2MB；與YOLO v5s模型相比，檢測精度提高1.3個百分點，模型所占內(nèi)存空間減少1.2MB；且模型的整體性能遠優(yōu)于Faster R-CNN、YOLO v4、YOLO v5s模型。此外，本文構(gòu)建了不同光照和相機抖動的數(shù)據(jù)集，來進一步驗證本文方法的可行性。改進后的模型可快速有效地對復(fù)雜場景下山羊的臉部進行精準(zhǔn)檢測及定位，為動物精細(xì)化養(yǎng)殖時目標(biāo)檢測識別提供了檢測思路和技術(shù)支持。

摘要:呼吸及反芻是奶山羊最基本的生理活動，及時準(zhǔn)確地同步獲取奶山羊的呼吸及反芻信息可以為評估奶山羊健康狀況提供數(shù)據(jù)支撐。針對現(xiàn)有方法呼吸及反芻同步監(jiān)測能力的不足，提出了一種基于聲學(xué)沖激響應(yīng)的單只靜臥奶山羊呼吸及反芻同步監(jiān)測方法。該方法首先利用聲學(xué)在室內(nèi)空間中的多徑效應(yīng)，實現(xiàn)奶山羊呼吸過程中胸脯起伏及反芻過程中嘴部咀嚼動作全向采集；其次計算收發(fā)信號的沖激響應(yīng)，捕捉由呼吸及反芻運動造成多徑信號周期性變化的特征；然后利用呼吸及反芻運動頻率差實現(xiàn)呼吸和反芻信號的分離；最后經(jīng)過幅度歸一化、相位同步后實現(xiàn)呼吸及反芻波形的可視化。為了驗證該方法的有效性，選用了不同朝向的靜臥奶山羊進行呼吸及反芻監(jiān)測試驗，并分析了環(huán)境噪聲對試驗的影響，結(jié)果表明：對于不同朝向的奶山羊，該方法呼吸平均相對誤差為2.60%，反芻平均相對誤差為3.51%，平均漏幀率為2.49%，并對環(huán)境噪聲有較強的抗干擾能力。

摘要:生豬的體尺參數(shù)是生豬生長狀態(tài)的重要評判標(biāo)準(zhǔn)，而人工測量體尺耗時耗力且容易造成豬只的應(yīng)激反應(yīng)，本文研究了無接觸式豬只體尺參數(shù)測量方法，借鑒人工測量經(jīng)驗法，提出基于點云語義分割的豬只體尺測量方法。本文以大約克夏豬為研究對象，搭建無接觸式豬只點云采集平臺，采集3510組豬只雙側(cè)點云數(shù)據(jù)；利用直通濾波器與隨機采樣一致性分割處理方法去除背景點云，基于統(tǒng)計濾波器去除離群點，采用體素下采樣方法稀疏點云，完成豬只點云的預(yù)處理；基于PointNet網(wǎng)絡(luò)，結(jié)合注意力模塊構(gòu)建語義分割模型，針對不同分割部位設(shè)計豬只體尺測量方法。試驗結(jié)果表明，在自制數(shù)據(jù)集上，改進的語義分割模型準(zhǔn)確率為86.3%，相較于PointNet、PointNet++和3D-RCNN分別高8、5.7、2.6個百分點；體尺的測量值與實測值最大絕對誤差為6.8cm，平均絕對誤差均在5cm以內(nèi)，具有較高的估算準(zhǔn)確性，此方法能夠用于豬只體尺測量。本文將語義分割與體尺測量相結(jié)合，可為后續(xù)非接觸測量提供思路。

摘要:目前農(nóng)業(yè)環(huán)境下的無序目標(biāo)的精確計數(shù)有很高的應(yīng)用需求，這種計數(shù)對其生物量、生物密度管理起到了重要的指導(dǎo)作用。如黑水虻幼蟲目標(biāo)追蹤過程中，追蹤對象具有高速和非線性的特征，常規(guī)算法存在追蹤目標(biāo)速度不足和丟失目標(biāo)后的再識別困難等問題。針對以上問題，本文提出了一種改進SORT算法，通過改進卡爾曼濾波模型的方式提升目標(biāo)追蹤算法的快速性和準(zhǔn)確性，提升了計數(shù)的精度。另外，針對黑水虻幼蟲目標(biāo)識別過程中幼蟲性狀的多樣性和混料導(dǎo)致的復(fù)雜背景問題，本文通過實驗對比多種深度學(xué)習(xí)網(wǎng)絡(luò)性能選定YOLO v5s算法提取圖像多維度特征，提升了目標(biāo)識別精度。實驗結(jié)果表明：在劃線計數(shù)方面，本文提出的改進SORT算法與原模型相比，平均精度從91.36%提升到95.55%，提升4.19個百分點，通過仿真和實際應(yīng)用，證明了本文模型的有效性；在目標(biāo)識別方面，使用YOLO v5s模型在訓(xùn)練集上幀率為156f/s，mAP@0.5為99.10%，精度為90.11%，召回率為99.22%，綜合性能優(yōu)于其他網(wǎng)絡(luò)。

摘要:準(zhǔn)確、快速、無損估測葉面積指數(shù)（LAI）對于冬小麥生產(chǎn)管理具有重要意義。利用無人機搭載Prime ALTUM多光譜相機獲取冬小麥拔節(jié)期、孕穗期、抽穗期、灌漿期多光譜圖像，利用LAI-2200C型植物冠層分析儀獲取地面LAI數(shù)據(jù)。通過Pearson相關(guān)性分析篩選出25個植被指數(shù)，并提取植被指數(shù)影像中8種紋理特征：對比度（CON）、熵（ENT）、方差（VAR）、均值（MEA）、協(xié)同性（HOM）、相異性（DIS）、二階矩（SEM）和相關(guān)性（COR），以及3種顏色特征：一階矩（M）、二階矩（V）和三階矩（S），再分別利用多元逐步回歸模型（MSR）、支持向量回歸模型（SVR）和高斯過程回歸模型（GPR）構(gòu)建冬小麥LAI估測模型。結(jié)果表明：相對于考慮單一類型變量，考慮結(jié)合紋理特征和顏色特征進行估測時模型精度更高；3類模型中，GPR模型估測冬小麥LAI的精度最高；所有模型中，基于紋理-顏色特征與植被指數(shù)融合的GPR模型估測冬小麥LAI精度最高（決定系數(shù)R2為0.94，均方根誤差（RMSE）為0.17m2/m2，平均絕對誤差（MAE）為0.13m2/m2，歸一化均方根誤差（NRMSE）為4.06%）。紋理特征和顏色特征能有效改善植被指數(shù)在高密度冠層下的飽和問題，能夠從有限的信息中衍生得到更多信息用于更高精度地估測冬小麥LAI，從而為冬小麥長勢監(jiān)測和生產(chǎn)管理提供理論依據(jù)。

摘要:微咸水覆膜滴灌在發(fā)揮節(jié)水效益的同時應(yīng)避免土壤鹽分的積聚，在缺乏大水淋洗的設(shè)施大棚內(nèi)，覆膜對土表局部蒸發(fā)的抑制伴隨滴灌濕潤體的交匯，加劇了滴灌帶帶間水鹽分布的不規(guī)則性，導(dǎo)致土壤積鹽的潛在風(fēng)險增加。針對上述問題，以布設(shè)形式為“兩膜兩行”的覆膜滴灌田間小區(qū)為試驗對象，通過HYDRUS模型構(gòu)建了不同滴頭流量（0.5~3.0L/h）及膜間裸地間距（0~50cm）組合情景下的二維土壤剖面模擬域，并針對滴頭處的帶間區(qū)域進行水鹽動態(tài)分布的模擬研究。結(jié)果表明，所建模型能較為精確地描述帶間剖面內(nèi)水鹽的分布狀況，且模擬精度隨與滴頭水平距離的減小而提升。當(dāng)膜間裸地間距從50cm縮小至0cm時，帶間剖面土壤的平均含水率從25.12cm3/cm3上升至28.76cm3/cm3，平均土壤鹽分質(zhì)量濃度從9.53g/L下降至6.25g/L；滴頭流量對帶間區(qū)域內(nèi)土壤水鹽含量的影響程度相對較低，流量0.5、3.0L/h下土壤體積含水率及鹽分質(zhì)量濃度的最大差異僅分別為0.14cm3/cm3和0.22g/L，且均出現(xiàn)在膜間裸地間距為50cm的情景下。經(jīng)多輪灌水蒸發(fā)后，帶外區(qū)積聚的鹽分將向帶間區(qū)擴散，并隨膜間裸地間距的減小，土壤含鹽量最低值的水平位置將從滴頭處向帶間區(qū)推移。研究成果可為設(shè)施大棚環(huán)境下選取適宜的低鹽作物栽種位置提供理論依據(jù)。

摘要:灌區(qū)水資源優(yōu)化配置中存在眾多不確定性因素，而考慮不確定性因素的優(yōu)化模型往往存在結(jié)構(gòu)復(fù)雜、不確定性參數(shù)考慮有限、計算精度和效率較低等問題。本文將LH-OAT（Latin hypercube-One factor at a time）方法與灌區(qū)用水優(yōu)化模型耦合，構(gòu)建了灌區(qū)用水優(yōu)化模型參數(shù)敏感性分析與不確定性優(yōu)化方法，并以黑河流域中游典型灌區(qū)為案例研究區(qū)，對模型中6類共25個不確定性參數(shù)進行了全局敏感性分析。計算獲得了模型中25個不確定性參數(shù)的敏感度排序，并從中篩選出10個高敏感性參數(shù)，以高敏感性參數(shù)作為優(yōu)化模型不確定性參數(shù)輸入，獲得了不確定性下的灌區(qū)用水優(yōu)化結(jié)果。案例分析表明，該方法有效篩選出優(yōu)化模型中高敏感的關(guān)鍵參數(shù)，綜合考慮了不確定性參數(shù)對模型優(yōu)化結(jié)果的影響，大大減少了模型不確定性參數(shù)的表征數(shù)量，降低了模型復(fù)雜性，有效提高了模型計算效率，可為灌區(qū)水資源優(yōu)化配置問題提供方法參考。

摘要:NH3質(zhì)量濃度和CO2質(zhì)量濃度是豬舍環(huán)境精準(zhǔn)控制的重要指標(biāo)。由于畜禽舍氣體濃度具有時變性、非線性耦合等特點，目前有害氣體濃度預(yù)測模型存在預(yù)測精度低的問題。提出了基于門控制循環(huán)單元（Gated recurrent unit，GRU）、改進麻雀搜索算法（Improved sparrow search algorithm，ISSA）并融合差分整合移動平均自回歸模型（Autoregressive integrated moving average model，ARIMA）的有害氣體濃度時序數(shù)據(jù)預(yù)測模型ISSA-GRU-ARIMA。首先構(gòu)建了GRU氣體濃度時序預(yù)測模型，然后通過引入Tent混沌序列、混沌擾動和高斯變異增強ISSA算法的局部尋優(yōu)能力，實現(xiàn)GRU模型超參數(shù)優(yōu)化；然后利用統(tǒng)計學(xué)習(xí)ARIMA方法提取優(yōu)化后的ISSA-GRU模型預(yù)測殘差的線性特征，最終達到提升模型預(yù)測精度的目的。以采集的52d豬舍環(huán)境的1248組數(shù)據(jù)對模型進行訓(xùn)練和測試。結(jié)果表明，ISSA-GRU-ARIMA模型NH3質(zhì)量濃度預(yù)測的均方根誤差（RMSE）、平均絕對百分比誤差（MAPE）和決定系數(shù)R2分別為0.263mg/m3、8.171%和0.928，CO2質(zhì)量濃度預(yù)測的分別為55.361mg/m3、4.633%和0.985。本文構(gòu)建的ISSA-GRU-ARIMA模型具有較高的預(yù)測精度，可為豬舍有害氣體濃度精準(zhǔn)控制提供科學(xué)依據(jù)。

摘要:隨著區(qū)塊鏈技術(shù)在農(nóng)產(chǎn)品溯源領(lǐng)域研究的不斷發(fā)展，農(nóng)產(chǎn)品的質(zhì)量安全得到有效保障。由于我國馬鈴薯種薯生產(chǎn)過程復(fù)雜、實物形態(tài)差異化明顯、每個環(huán)節(jié)的生產(chǎn)周期長、品種繁多等原因，所有生產(chǎn)環(huán)節(jié)的溯源數(shù)據(jù)共享難度大，容易發(fā)生種薯品種、等級等竄貨問題，種薯生產(chǎn)溯源無法得到切實保障，生產(chǎn)基地及相關(guān)監(jiān)管部門無法得到全部有效溯源數(shù)據(jù)，當(dāng)發(fā)生竄貨問題以及最終消費者進行種薯生產(chǎn)溯源時，責(zé)任環(huán)節(jié)定位不明確，難以準(zhǔn)確找到責(zé)任生產(chǎn)環(huán)節(jié)及相關(guān)責(zé)任人等問題源頭?；谏鲜鰡栴}，提出了基于智能合約和數(shù)字簽名的馬鈴薯種薯防竄溯源模型，利用區(qū)塊鏈技術(shù)不可篡改、數(shù)據(jù)透明、數(shù)據(jù)共享等特點，通過智能合約進行種薯生產(chǎn)全環(huán)節(jié)溯源數(shù)據(jù)的上鏈存儲，實現(xiàn)種薯生產(chǎn)全環(huán)節(jié)溯源數(shù)據(jù)的高度共享，并將智能合約與數(shù)字簽名相結(jié)合，利用公私鑰對驗證和智能合約高度自治的區(qū)塊鏈網(wǎng)絡(luò)生態(tài)環(huán)境，解決生產(chǎn)過程中易發(fā)生的生產(chǎn)竄貨問題。基于Hyperledger Fabric設(shè)計面向種薯生產(chǎn)基地的防竄溯源模型，相關(guān)測試結(jié)果表明，該模型可以實現(xiàn)種薯生產(chǎn)溯源、防竄、竄貨報警信息上鏈與查詢等功能。種薯生產(chǎn)溯源數(shù)據(jù)的平均上鏈時間為2566ms，平均查詢時間為95ms，報警觸發(fā)與報警信息上鏈的平均時間為2562ms，查詢具體報警信息的平均時間為77ms。模型綜合性能較高，能夠?qū)崿F(xiàn)種薯生產(chǎn)全環(huán)節(jié)溯源數(shù)據(jù)的安全存儲，并有效解決種薯的生產(chǎn)竄貨問題，滿足種薯生產(chǎn)溯源數(shù)據(jù)的上鏈與查詢需求，完善種薯生產(chǎn)質(zhì)量溯源保障，為防止種薯生產(chǎn)竄貨以提高整體效率和安全溯源方面提供了借鑒和參考。

摘要:傳統(tǒng)的破壞性檢測方法已難以滿足豆類品質(zhì)快速檢測的需求?，F(xiàn)有的無損檢測設(shè)備存在穩(wěn)定性及準(zhǔn)確性不高等問題，為提高豆類品質(zhì)含量檢測裝置的性能，基于近紅外光譜技術(shù)研發(fā)了豆類品質(zhì)無損檢測裝置，體積小、便于攜帶，能夠適用于現(xiàn)場檢測。基于所研發(fā)的裝置，各取30個黃豆、綠豆、紅豆、黑豆樣本，通過旋轉(zhuǎn)靜態(tài)采集多次光譜求平均值與采集1次光譜的方式，對同一樣品重復(fù)測量20次，得出隨著采集次數(shù)的增加，光譜反射率變異系數(shù)平均值逐漸減小直至平緩，選取最佳豆類采集次數(shù)分別為16、8、14、16，對應(yīng)的光譜變異系數(shù)平均值為2.9%、2.435%、2.763%、3.019%。以黃豆為例，選取80個樣品，使用不同的預(yù)處理方法，分別建立黃豆蛋白質(zhì)、粗脂肪和淀粉含量的偏最小二乘預(yù)測模型，結(jié)果表明，蛋白質(zhì)、粗脂肪、淀粉質(zhì)量分?jǐn)?shù)預(yù)測的最優(yōu)模型預(yù)處理方式分別為SG-MSC、SNV、SNV，其預(yù)測集相關(guān)系數(shù)Rp分別為0.9746、0.9505、0.9607，均方根誤差分別為0.249%、0.572%、0.623%。取40個黃豆樣本對裝置模型進行試驗驗證，蛋白質(zhì)、粗脂肪、淀粉質(zhì)量分?jǐn)?shù)的獨立驗證相關(guān)系數(shù)Ri分別為0.9411、0.9439、0.9334，獨立驗證均方根誤差分別為0.465%、0.604%、0.673%，重復(fù)測量20次的平均偏差分別為0.409%、0.623%、0.637%，各參數(shù)重復(fù)測量20次變異系數(shù)分別為1.257%、0.896%、0.964%。結(jié)果表明，該裝置具有良好的預(yù)測精度。以Visual Studio 2015為軟件開發(fā)平臺開發(fā)了豆類品質(zhì)含量實時檢測軟件，實現(xiàn)多粒豆類品質(zhì)情況“一鍵式操作”檢測。選用阿里云服務(wù)器和MySQL數(shù)據(jù)庫，基于TCP/IP網(wǎng)絡(luò)通信協(xié)議，實現(xiàn)檢測數(shù)據(jù)自動上傳至數(shù)據(jù)庫?；谌粢篱_發(fā)框架設(shè)計了便于豆類品質(zhì)監(jiān)測的前端網(wǎng)絡(luò)監(jiān)控系統(tǒng)，實時顯示數(shù)據(jù)庫信息。

摘要:根據(jù)基于方位特征(POC)的并聯(lián)機構(gòu)拓?fù)湓O(shè)計理論，設(shè)計了兩種零耦合度且部分運動解耦的三自由度兩平移一轉(zhuǎn)動（2T1R）并聯(lián)機構(gòu)，它們具有相同運動副類型和數(shù)目，但在支鏈中的分布順序不同；對這兩種機構(gòu)進行了方位特征、自由度及耦合度等主要拓?fù)涮卣鞣治?，并給出其拓?fù)浣馕鍪?；根?jù)拓?fù)涮卣鬟\動學(xué)建模原理，求解了這兩種機構(gòu)的符號式位置正反解，分別分析了兩種機構(gòu)的工作空間和機構(gòu)發(fā)生奇異的條件及奇異位形；根據(jù)基于虛功原理的序單開鏈法對兩種機構(gòu)進行逆向動力學(xué)建模，分別求得兩種機構(gòu)的驅(qū)動力；對比兩種機構(gòu)運動學(xué)與動力學(xué)性能，并給出優(yōu)選機型。給出了優(yōu)選機型用于水果深加工中智能分揀、輸送等應(yīng)用場景的概念設(shè)計。