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:隨著電力電子和儲能技術(shù)的發(fā)展，動力裝備電動化已成為全球車輛發(fā)展的重要方向，在新能源汽車領(lǐng)域已得到成功應(yīng)用，我國率先形成了完整的產(chǎn)業(yè)基礎(chǔ)。目前，全球電動農(nóng)業(yè)裝備處于起步階段，多以理論研究為主，尚無批量化生產(chǎn)的電動農(nóng)業(yè)裝備產(chǎn)品，發(fā)展電動農(nóng)業(yè)裝備具有產(chǎn)業(yè)優(yōu)勢。本文簡要分析了電動農(nóng)業(yè)裝備關(guān)鍵部件及軟件平臺，重點綜述了國內(nèi)外電動拖拉機、電動微耕機、電動移栽機、電動果園作業(yè)機、電動播種機研究現(xiàn)狀，并對電動農(nóng)業(yè)裝備與傳統(tǒng)農(nóng)業(yè)裝備進行了性能對比，得出了不同農(nóng)業(yè)裝備的優(yōu)缺點，為農(nóng)業(yè)裝備的應(yīng)用場景分析提供了支撐。針對不同農(nóng)業(yè)裝備的農(nóng)藝特點和電動化關(guān)鍵部件特點闡述了不同形式農(nóng)業(yè)裝備的應(yīng)用場景。結(jié)合當前電動車輛發(fā)展狀況及農(nóng)業(yè)裝備作業(yè)特點對不同電動農(nóng)業(yè)裝備發(fā)展瓶頸進行了分析，為電動農(nóng)業(yè)裝備的發(fā)展指明了方向，可為我國電動農(nóng)業(yè)裝備的發(fā)展提供參考。

摘要:農(nóng)業(yè)機器人對推動農(nóng)業(yè)現(xiàn)代化加速變革和實現(xiàn)智慧農(nóng)業(yè)有重要作用。高精度定位技術(shù)是保障機器人安全高效完成各類作業(yè)的基礎(chǔ)，而作業(yè)路徑準確規(guī)劃是實現(xiàn)農(nóng)業(yè)場景下導(dǎo)航的核心。針對田間作業(yè)機器人復(fù)雜環(huán)境下因測繪誤差與局部障礙進而造成作物損傷率較大這一問題，本文提出一種基于宏微結(jié)合的路徑規(guī)劃算法，該算法首先基于作業(yè)區(qū)域宏觀測繪信息生成全局靜態(tài)作業(yè)路徑，同時利用雷達傳感器對機器人局部作業(yè)環(huán)境進行實時動態(tài)監(jiān)測進而生成局部動態(tài)最優(yōu)路徑，將全局靜態(tài)路徑與局部動態(tài)路徑進行有機融合以實現(xiàn)作業(yè)路徑優(yōu)化修正，保障田間作業(yè)的順利進行，最終應(yīng)用MPC算法控制機器人對規(guī)劃后的路徑進行追蹤。經(jīng)試驗驗證，當機器人田間作業(yè)兩側(cè)安全距離分別為0.2、0.1m時，本算法可將作業(yè)過程中平均作物損傷率由3.4058%、1.2763%降低到0.6772%、0.1889%，保證了機器人作業(yè)的安全可靠，為大田穩(wěn)產(chǎn)條件下的高效作業(yè)奠定基礎(chǔ)。同時，本算法提升了精準農(nóng)業(yè)要求下田間作業(yè)精度，對實現(xiàn)農(nóng)業(yè)高產(chǎn)高效高質(zhì)目標有重要意義。

摘要:識別小麥收獲機運行軌跡是分析農(nóng)業(yè)機械活動、提高作業(yè)效率的重要手段。本文針對小麥收獲機田內(nèi)作業(yè)場景，提出一種基于機器學(xué)習(xí)的收獲機掉頭軌跡識別算法。首先通過兩步Kmeans聚類與三步修正識別出X形掉頭軌跡點、作業(yè)異常軌跡點與作業(yè)軌跡點；為進一步從作業(yè)軌跡中分類出U形掉頭軌跡點，構(gòu)建了基于支持向量機模型（Support vector machine，SVM）的U形掉頭軌跡識別算法，并對初步識別結(jié)果進行三步修正；最終識別出小麥收獲機的田內(nèi)X形掉頭、作業(yè)異常、U形掉頭與作業(yè)軌跡點，識別結(jié)果的F1值為94%，時間間隔為1～5s的數(shù)據(jù)的F1值在90%以上，實現(xiàn)田內(nèi)軌跡的細致劃分。基于去除掉頭軌跡與異常軌跡后獲得的有效作業(yè)軌跡，可通過距離算法計算獲得農(nóng)田面積，結(jié)果相比使用原始軌跡的計算誤差可降低12.76%。該研究可為基于海量農(nóng)機軌跡的作業(yè)精細化管理提供參考。

摘要:針對視覺導(dǎo)航系統(tǒng)應(yīng)用在火龍果園環(huán)境中面臨干擾因素多、圖像背景復(fù)雜、復(fù)雜模型難以部署等問題,本文提出了一種基于改進DeepLabv3+網(wǎng)絡(luò)的火龍果園視覺導(dǎo)航路徑識別方法。首先，采用MobileNetV2取代傳統(tǒng)DeepLabv3+的主干特征提取網(wǎng)絡(luò)Xception,并將空間金字塔池化模塊(Atrous spatial pyramid pooling, ASPP)中的空洞卷積替換成深度可分離卷積(Depthwise separable convolution,DSC),在提升模型檢測速率的同時大幅減少了模型的參數(shù)量和內(nèi)存占用量；其次，在特征提取模塊處引入坐標注意力機制(Coordinate attention,CA)，增強了模型的特征提取能力；最后，通過設(shè)計的導(dǎo)航路徑提取算法對網(wǎng)絡(luò)模型分割出的道路掩碼區(qū)域擬合出導(dǎo)航路徑。實驗結(jié)果表明：改進后的DeepLabv3+的平均交并比和平均像素準確率分別達到95.80%和97.86%，相較原模型分別提升0.79、0.41個百分點。同時，模型內(nèi)存占用量只有15.0MB，和原模型相比降低97.00%，與Pspnet和U-net模型相比則分別降低91.57%、 91.02%。另外，導(dǎo)航路徑識別精度測試結(jié)果表明平均像素誤差為22像素、平均距離誤差7.58cm。已知所在果園道路寬度為3m,平均距離誤差占比為2.53%。因此,本文研究方法可為解決火龍果園視覺導(dǎo)航任務(wù)提供有效參考。

摘要:為了提高對大田種植玉米生長動態(tài)、干旱脅迫和病蟲害等方面的智能巡檢監(jiān)測能力，設(shè)計了一種基于多維感知的移動巡檢平臺。首先，對底盤總成的轉(zhuǎn)向系統(tǒng)、驅(qū)動系統(tǒng)和控制系統(tǒng)進行設(shè)計，并基于Arduino UNO控制器實現(xiàn)了巡檢平臺的轉(zhuǎn)向及行駛功能。其次，搭建了包括GNSS/INS（Global navigation satellite system/inertial navigation system）組合導(dǎo)航系統(tǒng)、激光雷達（Light detection and ranging，LiDAR）和工業(yè)相機的多維感知系統(tǒng)，對感知系統(tǒng)時間同步方案、數(shù)據(jù)通信結(jié)構(gòu)和信息采集軟件進行設(shè)計，實現(xiàn)了巡檢平臺對環(huán)境的感知和數(shù)據(jù)可視化。最后，在玉米大田對巡檢平臺進行了底盤行駛性能試驗和感知系統(tǒng)環(huán)境感知試驗。試驗結(jié)果表明：巡檢平臺左轉(zhuǎn)平均最小轉(zhuǎn)彎半徑為2922mm，右轉(zhuǎn)平均最小轉(zhuǎn)彎半徑為2736mm，最大爬坡度大于26.7%，位置PID控制下直線行駛平均速度為0.523m/s，與期望速度0.5m/s的誤差為4.6%，行駛15m平均偏移量為0.636m，平均偏移率為4.24cm/m，滿足田間行駛性能要求；感知系統(tǒng)能夠在ROS系統(tǒng)下穩(wěn)定采集平臺位姿信息、高精度三維點云信息和彩色二維圖像信息，實現(xiàn)了巡檢平臺對玉米大田環(huán)境的多維感知。

摘要:采摘目標空間位姿信息缺失和目標定位精度低是影響草莓采摘機器人采摘效果的關(guān)鍵因素之一。為此，本文首先設(shè)計了基于顏色信息和卷積神經(jīng)網(wǎng)絡(luò)的草莓圖像目標定位與分割以及目標點云分割模型；其次，實現(xiàn)了基于圖像的草莓可采摘性和遮擋程度識別模型；最后，設(shè)計了草莓空間定位和姿態(tài)估計模型并實現(xiàn)草莓采摘點定位方法?；诒疚姆椒▽ν暾葺蛔斯烙嬈骄`差為4.03%，對遮擋草莓位姿估計平均誤差為9.06%，采摘定位綜合誤差為2.3mm。在實際采摘實驗中，采摘成功率為92.6%，平均每個草莓的計算耗時約為92ms，單個草莓采摘動作的執(zhí)行平均耗時約為5.7s。實驗結(jié)果表明：本文提出的方法可在溫室條件下較準確地估計草莓空間位姿和采摘點，為草莓采摘機器人提供有效的目標定位信息，有效滿足實際采摘場景下的需求。

摘要:針對目前軟體抓手的制造方式（如軟體平板印刷、失蠟鑄造等）存在成型工藝復(fù)雜、粘結(jié)不牢靠、接縫處易撕裂等問題，設(shè)計了一種光固化成型軟體采摘抓手一體式結(jié)構(gòu)，通過正、負壓驅(qū)動，可實現(xiàn)果蔬的自適應(yīng)抓取。首先，基于Yeoh模型，研究了軟體驅(qū)動器彎曲變形運動中的非線性力學(xué)特性，得出腔體內(nèi)部壓強與驅(qū)動器彎曲角度之間的非線性關(guān)系模型。然后，通過Abaqus有限元軟件分析軟體驅(qū)動器的彎曲特性，得到各主要結(jié)構(gòu)參數(shù)對彎曲角度的影響規(guī)律，并結(jié)合正交試驗法得到最佳的結(jié)構(gòu)參數(shù)組合：軟體驅(qū)動器的腔體壁厚為1.6mm、腔體個數(shù)7、腔體間隙3mm、底層厚度3mm。最后，根據(jù)最佳的結(jié)構(gòu)參數(shù)組合制造軟體采摘抓手樣機，并將其安裝在試驗平臺上進行果蔬抓取試驗，驗證了光固化一體成型軟體采摘抓手的實用性。

摘要:為實現(xiàn)球形果實自適應(yīng)采摘，仿人手觸覺傳感設(shè)計并制作了一種用于球果采摘的無系留智能軟體手爪，該手爪采用自循環(huán)供氣與傳感集成，將柔性薄膜觸力傳感器內(nèi)嵌于軟體手爪內(nèi)并復(fù)合自循環(huán)氣泵，可實現(xiàn)多尺寸、多類型球果自適應(yīng)抓取。研究了自循環(huán)氣泵工作原理，進行了結(jié)構(gòu)優(yōu)化、壓力建模與性能測試。試制了自適應(yīng)軟體手爪原理樣機，建立了手爪抓持力模型，并進行了靜力學(xué)實驗，獲得了其氣壓下的彎曲變形和力學(xué)特性。建立了球果采摘手爪控制系統(tǒng)與自適應(yīng)抓取機制，搭建模擬采摘實驗平臺，進行了自適應(yīng)抓取實驗驗證及實驗環(huán)境下的球果采摘與分揀。結(jié)果表明，通過接觸力反饋與控制系統(tǒng)，該采摘手爪可安全有效地抓取球果，抓取尺寸范圍為48.5~97mm，最大抓取球果質(zhì)量為350g，平均采摘用時15s，成功率為97.46%。

摘要:針對現(xiàn)有油菜播種膜上成穴打孔裝置實際作業(yè)過程中存在膜孔尺寸偏大、形狀不規(guī)則及膜孔粘連等問題，基于滑切原理設(shè)計了一種滾動式割膜打孔裝置，確定了打孔裝置和仿形機構(gòu)結(jié)構(gòu)參數(shù)，建立了打孔裝置運動學(xué)模型，分析確定了影響膜孔長度的主要因素及其取值范圍。運用DEM-MFBD耦合仿真，采用三因素三水平回歸正交試驗，以整機前進速度、縱向刀片長度、縱向刀片高度為試驗因素，膜孔長度和孔距差值為評價指標進行仿真試驗，結(jié)果表明：各因素對膜孔長度的影響由大到小依次為縱向刀片長度、整機前進速度、縱向刀片高度，各因素對孔距差值的影響由大到小依次為縱向刀片高度、整機前進速度、縱向刀片長度。整機前進速度為3.3km/h、縱向刀片長度為34mm、縱向刀片高度為31mm時，膜孔長度為44.78mm、孔距差值為0.64mm，打孔性能較優(yōu)。以較優(yōu)參數(shù)組合開展了滾動式割膜打孔裝置田間試驗，結(jié)果表明膜孔平均長度為43.15mm，膜孔長度穩(wěn)定性變異系數(shù)為3.86%，平均孔距差值為-1.32mm，膜孔孔距誤差為4.22%，滿足油菜播種割膜打孔要求，該研究可為油菜鋪膜播種機割膜打孔裝置提供參考。

摘要:變量施肥技術(shù)是實施科學(xué)施肥的重要手段，可使施肥更精準、更有針對性，有效減少農(nóng)田污染。在水稻高速插秧與同步施肥作業(yè)時，施肥量的調(diào)節(jié)主要采用提前標定方式調(diào)控，其調(diào)控費時、精度不穩(wěn)定。為快速準確地調(diào)節(jié)施肥量，實現(xiàn)變量施肥作業(yè)，本文設(shè)計了一種自動控制的固體顆粒肥料變量施肥裝置，闡述了變量施肥裝置總體結(jié)構(gòu)和工作原理，進行了關(guān)鍵部件設(shè)計與試驗；以單片機STM32為控制核心，構(gòu)建了施肥量在線檢測及智能調(diào)控系統(tǒng)。采用試驗設(shè)計優(yōu)化方法，對肥料流量在線檢測系統(tǒng)性能與主要影響因素進行試驗，確定了最佳因素組合；通過試驗分別構(gòu)建了3種主要固體顆粒肥料檢測流量與壓電片電壓之間的關(guān)系模型、3種主要固體顆粒肥料實際流量與排肥軸轉(zhuǎn)速之間的關(guān)系模型、排肥軸轉(zhuǎn)速與電動推桿工作長度和插秧機前進速度之間的關(guān)系模型，并對模型進行試驗驗證與分析。開展了排肥軸轉(zhuǎn)速分別為20、25、30r/min肥料質(zhì)量檢測精度試驗，當插秧機前進速度為1m/s勻速條件下，3種肥料總體質(zhì)量檢測精度平均值分別為94.45%、93.85%和93.15%；進行了復(fù)合肥施肥量為200、250、300kg/hm2和尿素施肥量為165、195、225kg/hm2調(diào)控性能試驗，當插秧機前進速度為06~1.4m/s條件下，3種肥料總體施肥量變異系數(shù)平均值分別為3.02%、3.15%和2.82%；進行了施肥量分別為180、225kg/hm2的田間試驗，當插秧機前進速度為1~1.4m/s條件下，挪威復(fù)合肥施肥量準確率平均值分別為94.89%和97.82%。理論與試驗分析表明，該變量施肥裝置調(diào)控性能穩(wěn)定，能夠滿足水稻側(cè)深變量施肥的作業(yè)要求。

摘要:針對水稻和油菜飛播普遍采用漫撒播方式而造成的落種散亂無序等問題，設(shè)計了一種可同時適應(yīng)水稻和油菜條播農(nóng)藝要求的無人機播種裝置。以成條飛播排種系統(tǒng)的兼用化、輕量化、電驅(qū)化和模塊化為設(shè)計目標，采用電驅(qū)、工作長度可調(diào)的外槽輪組件作為排種器，以舵機帶動連桿驅(qū)動的自動折疊導(dǎo)種管為投種部件，通過臺架試驗、場地泥盒飛播試驗和田間試驗3種方式，確定結(jié)構(gòu)參數(shù)和工作參數(shù)并驗證作業(yè)效果。試驗結(jié)果表明，排種系統(tǒng)在排種電機額定轉(zhuǎn)速及扭矩范圍內(nèi)，能夠滿足5m/s以內(nèi)飛行速度下，油菜播量6~7.5kg/hm2、雜交稻播量15~45kg/hm2及常規(guī)稻播量60~105kg/hm2的農(nóng)藝要求，且各行一致性變異系數(shù)、總排量一致性變異系數(shù)等性能參數(shù)優(yōu)于行業(yè)標準要求，在作業(yè)高度1m、作業(yè)速度4m/s時，泥盒中油菜和水稻種子平均條帶寬度分別為6.7、3.8cm，播后30d田間幼苗成條效果明顯。

摘要:針對半自動移栽機作業(yè)效率低、作業(yè)質(zhì)量差的問題，設(shè)計了一種面向蔬菜移栽機器人的夾莖式自動取苗裝置。取苗裝置經(jīng)過整排取苗、等距分苗、精準投苗，可實現(xiàn)高效、高質(zhì)自動化取投苗作業(yè)。建立多級剪叉分苗機構(gòu)與夾苗裝置的運動力學(xué)模型，對缽苗下落運動、氣動系統(tǒng)進行模型設(shè)計及分析計算，搭建取苗試驗裝置。試驗選取穴盤辣椒苗作為研究對象，以缽苗苗齡、基質(zhì)含水率、取苗頻率為試驗因素，設(shè)計以取苗成功率、基質(zhì)破碎率為評價指標的單因素試驗。根據(jù)試驗結(jié)果，采用Box-Behnken響應(yīng)曲面分析法設(shè)計正交試驗，探究了苗齡與基質(zhì)含水率、苗齡與取苗頻率及基質(zhì)含水率與取苗頻率之間的交互作用對取苗效果的影響，優(yōu)化取苗參數(shù)。試驗結(jié)果表明，當苗齡33d、缽苗基質(zhì)含水率46%、取苗頻率75株/min時，取苗成功率為97.36%，基質(zhì)破碎5.07%，可滿足大田自動化移栽的取苗及投苗要求。

摘要:針對獼猴桃等藤架式果園狹小空間對有機肥施肥機的限制及現(xiàn)有施肥方式費工費時、肥效低的問題，結(jié)合獼猴桃根系淺層分布的生長特點，提出了一種機械化有機肥免開溝施肥方法。該方法包括撒肥、肥-土混合和覆土3個一體化連續(xù)步驟，施肥過程不開溝，地表不露肥?；诖耍O(shè)計了有機肥免開溝施肥機，整機高度1.5m，配套動力37.5kW，肥箱容積1.2m3，主要包括低矮側(cè)座拖拉機、施肥拖車、拋肥裝置、混肥裝置、抗扭裝置、卷軸裝置。混肥裝置旋轉(zhuǎn)切土，實現(xiàn)肥-土混合以及混合層的土壤覆蓋。確定了抗扭輪半徑以平衡混肥裝置單側(cè)布置產(chǎn)生的扭矩，設(shè)計的卷軸裝置可同步收放混肥與抗扭裝置，并根據(jù)地形調(diào)整混肥裝置傾角。通過混肥裝置離散元仿真確定最優(yōu)的刀機速比為32。試驗結(jié)果表明，在最大設(shè)計施肥深度150mm、施肥量5kg/m工況下，肥-土全層混合，施肥深度的相對誤差小于等于7.73%，露肥率小于等于5.56%，混肥裝置平均功耗為4.7kW，滿足獼猴桃果園有機肥施肥要求。

摘要:抖篩是茶葉精制的重要環(huán)節(jié)，直接影響茶坯的凈度，針對茶葉抖篩過程中抖篩機理（清篩）不清晰而導(dǎo)致抖篩過程中存在茶葉斷碎以及掛網(wǎng)等問題，本文研究茶葉在篩床上的抖篩規(guī)律，建立茶葉顆粒沿篩床上下運動、離開篩面被拋起運動和落到篩孔后碰撞運動三段篩分過程的動力學(xué)模型。結(jié)合茶葉在篩床上的抖篩規(guī)律，通過EDEM建立茶葉篩床的仿真模型，對茶葉在篩床上的速度與受力進行分析，確定篩床曲柄轉(zhuǎn)速、篩面傾斜角和曲柄半徑的最佳參數(shù)。最后通過三因素三水平的正交試驗，確定實際篩分情況下的最優(yōu)參數(shù)與得出各個因素對誤篩率和生產(chǎn)率的影響由大到小為篩面傾斜角、曲柄轉(zhuǎn)速、曲柄半徑。試驗結(jié)果表明，當曲柄轉(zhuǎn)速為247.99r/min、篩面傾斜角為2.60°、曲柄半徑為23.11mm時，誤篩率和生產(chǎn)率分別為5.3%和440kg/(m2·h)，與優(yōu)化結(jié)果誤差在允許范圍內(nèi)。

摘要:隨著棉花種植和收獲的機械化程度提高，獲取準確的產(chǎn)量圖，分析田間產(chǎn)量數(shù)據(jù)，變得尤為重要，而采棉機作業(yè)時在輸棉管道處監(jiān)測產(chǎn)量是一種有效、可行的方法?，F(xiàn)有光電對射式棉花測產(chǎn)傳感器在作業(yè)中會有粘液遮擋檢測通道、環(huán)境光影響等問題，面對復(fù)雜的田間作業(yè)環(huán)境，傳感器標定普遍采用線性或多項式模型，精度和抗干擾性表現(xiàn)不夠理想。針對上述現(xiàn)狀，本文首先在傳感器的結(jié)構(gòu)和電路設(shè)計上做了抗干擾改進。然后在傳感器標定過程中，嘗試使用隨機森林回歸模型（Random forest regression，RFR），對實驗樣本進行訓(xùn)練、測試。在分析模型的表現(xiàn)后，提出了麻雀算法(Sparrow search algorithm, SSA)改進的隨機森林回歸模型，以均方誤差作為適應(yīng)度，對模型進行優(yōu)化。經(jīng)過驗證，在相同驗證集下，優(yōu)化后的模型有更好的檢測精確度。通過研究尋優(yōu)上下界范圍，平衡運行時間和檢測精度，得到最優(yōu)檢測模型。該模型在驗證集上表現(xiàn)良好，決定系數(shù)R2為0.99，平均絕對百分比誤差（MAPE）為6.34%。臺架實驗結(jié)果表明，不同風(fēng)速下最大誤差為9.21%，平均誤差為8.33%，改進后的傳感器及檢測模型性能良好，能夠較準確檢測采棉機作業(yè)時棉花產(chǎn)量。

摘要:針對自走式三七聯(lián)合收獲機在田間作業(yè)安全性不足與行駛穩(wěn)定性較弱等問題，開展了黏重土壤條件下底盤的行駛通過性能研究。首先，對聯(lián)合收獲機的直行轉(zhuǎn)向、縱橫向爬坡和越障等行駛工況進行理論分析，獲得了影響行駛通過性能的各因素參數(shù)，其次，通過ADAMS ATV開展多體動力學(xué)仿真分析，繪制了行駛工況下歐拉角與對應(yīng)的角速度曲線，最后，運用相似理論的量綱分析法設(shè)計了1∶4的聯(lián)合收獲機底盤微縮平臺模型，對縱向爬坡、跨越壕溝和翻越田埂3種典型行駛工況開展行駛通過性能模型試驗。仿真結(jié)果表明，聯(lián)合收獲機底盤具有平穩(wěn)的直行與轉(zhuǎn)向性能，能夠順利通過30°縱坡、20°橫坡、600mm壕溝及300mm田埂；模型試驗結(jié)果表明，模型能夠順利通過30°縱坡、150mm壕溝和75mm田埂，以上3種工況下的俯仰角與對應(yīng)的角速度曲線趨勢與仿真一致，且二者所得俯仰角曲線的幅值變化相同，試驗誤差主要受實際地形平整度與土壤均勻度的影響，因此表明模型試驗?zāi)軌蝌炞C仿真分析結(jié)果的正確性，通過模型對原型的預(yù)測及仿真結(jié)果，滿足了聯(lián)合收獲機行駛通過性能的設(shè)計要求，該研究可為丘陵山區(qū)根莖類聯(lián)合收獲機底盤的設(shè)計提供理論基礎(chǔ)與參考。

摘要:針對現(xiàn)有王草收獲機作業(yè)時農(nóng)藝匹配性差、配套動力不足等問題，優(yōu)化設(shè)計了一款履帶自走式王草收獲機專用底盤；基于減少割茬碾壓、低速平穩(wěn)收割的作業(yè)要求，設(shè)計了行走裝置與無級變速驅(qū)動裝置；根據(jù)小地塊、緩坡地的地形特征，設(shè)計和選型了液壓助力轉(zhuǎn)向系統(tǒng)與車架。開展了整機的穩(wěn)定性分析及性能試驗，結(jié)果顯示：王草收獲機底盤的最高行駛速度為9.02km/h，最小轉(zhuǎn)彎半徑為1349mm，最大爬坡度為26°；在橫向傾角為15°~16°的坡地等高線行駛時無側(cè)滑、傾翻現(xiàn)象；在坡度為10°~12°的縱向坡道，沿上、下坡方向可靠停駐時間均大5min；在坡度為8°~9°的緩坡地作業(yè)時可實現(xiàn)速度0~4.19km/h無級變速，動力充足且運行平穩(wěn)，王草的平均割茬碾壓率為7.43%。研究表明，設(shè)計的履帶自走式王草收獲機底盤能夠滿足小地塊、緩坡地王草機械化收獲作業(yè)要求。

摘要:針對丘陵果園傳統(tǒng)大型施藥裝備入園難、施藥勞動強度大、作業(yè)效率低及藥液浪費嚴重等問題，根據(jù)丘陵果園農(nóng)藝特點和病蟲害防治需求，設(shè)計一種丘陵果園自走式小型靶標跟隨噴霧機，可配合植保無人機作業(yè)，提升果樹冠層藥液覆蓋效果。噴霧機上集成靶標探測追蹤系統(tǒng)與自主導(dǎo)航系統(tǒng)，靶標跟隨噴霧機構(gòu)采用雙噴頭聯(lián)動式設(shè)計，噴霧角度與高度的調(diào)節(jié)范圍根據(jù)霧滴運動規(guī)律進行確定，實現(xiàn)了果園植保自主作業(yè)。果園試驗結(jié)果表明，對靶噴霧時果樹冠層不同高度葉片正面的平均霧滴沉積個數(shù)變異系數(shù)為34.22%，同一高度不同采樣點葉片正面的平均霧滴沉積個數(shù)變異系數(shù)為34.56%，相比于非對靶噴霧，噴施用水量、地面流失量與冠后飄移流失量分別降低26.70%、84.93%和53.50%，在減少藥液浪費的同時，有效提高了果樹冠層中下部葉片正面的霧滴分布均勻性。

摘要:為解決噴桿式噴霧機在對馬鈴薯等茄科茄屬作物進行噴施作業(yè)時噴桿相對作物冠層距離精確測量與控制問題，設(shè)計了一套馬鈴薯噴霧機噴桿高度控制系統(tǒng)。該系統(tǒng)采用二維激光雷達掃描田間馬鈴薯的植株冠層，根據(jù)種植模式對田間馬鈴薯植株進行冠層單元分割，通過融合姿態(tài)傳感器的數(shù)據(jù)對雷達輸出數(shù)據(jù)矯正，并基于中值濾波算法、移動最小二乘曲線擬合方法處理冠層點云數(shù)據(jù)，實時解算出噴桿相對冠層頂部的垂直距離信息，同時融合油缸位移傳感器數(shù)據(jù)設(shè)計了雙閾值噴桿高度調(diào)控策略，實現(xiàn)噴桿相對馬鈴薯冠層距離的精準調(diào)控。系統(tǒng)應(yīng)用于3WP-1500型噴霧機，通過高度檢測精度試驗和高度調(diào)節(jié)試驗測試了系統(tǒng)性能。試驗結(jié)果表明，通過激光雷達檢測作物冠層高度的最大相對誤差為7.16%，平均相對誤差為3.95%。高度調(diào)節(jié)試驗表明，通過確定最優(yōu)的調(diào)節(jié)閾值，可以有效降低噴桿高度調(diào)節(jié)誤差，提高系統(tǒng)穩(wěn)定性，測試高度調(diào)節(jié)標準偏差為21.81mm，平均相對誤差為3.08%，系統(tǒng)運行平穩(wěn)，滿足噴桿相對冠層距離自動控制需求。

摘要:為了研究小型無人機下洗氣流場對霧滴運動特性的影響規(guī)律，以小型無人機為基礎(chǔ)，采用Navier-Stokes（N-S）方程、realizable k-ε模型和Semi-Implicit Method for Pressure-Linked Equations算法，對施藥過程中的下洗氣流場和霧滴離散運動進行了詳細的數(shù)值模擬分析。研究分析無人機下洗氣流的速度特性、霧滴沉積特性以及作業(yè)高度對農(nóng)藥沉積效果的影響。通過試驗結(jié)果可知，模擬值與試驗值的相對誤差在20%以內(nèi)，驗證了下洗氣流場數(shù)值模型的可行性。進一步模擬分析結(jié)果表明，在無人機噴藥平臺的影響下，下洗氣流場在距離旋翼1m處達到速度峰值。隨著作業(yè)高度的增加，霧滴逐漸分散并擴散。霧滴主要分布在兩個“氣流引入?yún)^(qū)”和兩個“氣流導(dǎo)出區(qū)”，該分布特征有助于優(yōu)化施藥效果和提高農(nóng)藥的使用效率。根據(jù)分析結(jié)果，當無人機飛行作業(yè)姿態(tài)與地表保持平行，且將作業(yè)高度調(diào)整至0.8~1.0m之間時，可顯著提高農(nóng)藥沉積量，從而提高植保無人機的施藥效果。本研究驗證了下洗氣流場數(shù)值模型的可行性，為小型植保無人機的對靶霧滴漂移及沉積研究提供了參考依據(jù)。

摘要:液滴粒徑分布是噴霧過程質(zhì)量、動量和能量輸運的關(guān)鍵參數(shù)，為確定噴霧中液滴粒徑的分布，基于最大熵原理，通過平均直徑約束條件，構(gòu)建霧滴粒徑數(shù)量概率密度分布的最大熵模型，應(yīng)用環(huán)形鼓風(fēng)噴嘴霧化的實驗數(shù)據(jù)對液滴粒徑分布模型進行優(yōu)選。結(jié)果表明，構(gòu)建的三參數(shù)和四參數(shù)最大熵模型的預(yù)測結(jié)果最為理想，預(yù)測的液滴粒徑分布與實驗值的相關(guān)系數(shù)均高于0.96，均方根誤差均低于0.135。通過對比三參數(shù)和四參數(shù)最大熵模型預(yù)測結(jié)果的赤池信息準則數(shù)，表明三參數(shù)最大熵模型更適合噴霧液滴粒徑分布的預(yù)測，應(yīng)用不同類型噴嘴的霧化液滴粒徑分布實驗數(shù)據(jù)對三參數(shù)最大熵模型的適用性進行檢驗，結(jié)果表明模型的預(yù)測值與實驗值吻合較好。最后將優(yōu)選的三參數(shù)最大熵模型應(yīng)用到Pratt & Whitney Canada公司制造的壓力噴嘴噴霧液滴的粒徑分布預(yù)測研究中。研究表明，構(gòu)建的三參數(shù)最大熵模型，預(yù)測結(jié)果與實驗數(shù)據(jù)基本吻合。

摘要:由于外部運行條件頻繁變化，混流泵常于非設(shè)計工況運行，導(dǎo)致其運行效率偏低。針對混流泵開展多工況優(yōu)化以擴大其高效區(qū)范圍具有重要意義。采用環(huán)量法，以輪轂及輪緣處流線方向環(huán)量的偏導(dǎo)數(shù)(載荷)、葉輪出口處翼展方向環(huán)量控制參數(shù)以及葉片尾緣傾角為設(shè)計參數(shù)，以設(shè)計點揚程為約束條件，以0.8、1.2倍設(shè)計點處效率為優(yōu)化目標，結(jié)合實驗設(shè)計、近似模型和優(yōu)化算法對一導(dǎo)葉式混流泵葉輪進行變環(huán)量優(yōu)化與分析。研究結(jié)果表明：變環(huán)量設(shè)計在混流泵葉輪的多工況優(yōu)化中是有效的；輪轂處流線方向前加載，輪緣處流線方向后加載，葉輪出口處環(huán)量從輪轂到輪緣遞增分布均有利于混流泵性能的提升；優(yōu)化后混流泵模型在0.8、1.0、1.2倍設(shè)計流量處泵段效率分別為81.11%、88.38%和80.56%，在設(shè)計流量處揚程為12.33m，相比于原始模型，效率分別提升0.63、3.18、6.72個百分點，而揚程變化小于2%。因此，所提出的基于變環(huán)量設(shè)計的混流泵葉輪多工況優(yōu)化方法是有效的，可以為同類型葉輪機械的設(shè)計優(yōu)化提供參考。

摘要:通過ANSYS Fluent軟件對全貫流泵裝置的停機過渡過程進行研究，主要探討了停機過程中外特性和內(nèi)流場，研究發(fā)現(xiàn)：全貫流泵的制動工況占整個停機過程的比值最小，飛逸轉(zhuǎn)速約為設(shè)計轉(zhuǎn)速的84%，飛逸流量為設(shè)計流量的1.17倍。間隙回流在停機過程中的流向始終從葉輪出口流向葉輪進口，且其流量整體呈現(xiàn)逐漸減小的趨勢。在停機過程中，軸向力整體呈現(xiàn)下降的趨勢；轉(zhuǎn)子徑向力整體呈現(xiàn)先減小后增大的趨勢；葉輪進、出口的壓力脈動先減小后增大，在制動工況達到最大值后，在水輪機工況迅速減小，直至進入飛逸工況趨于穩(wěn)定。葉輪進口的壓力脈動幅值是泵裝置內(nèi)最大的，約為葉輪出口的2倍。由于受到間隙回流的影響，在葉輪進口靠近輪緣區(qū)域存在一個小型旋渦，該旋渦的范圍在水泵工況先減小，在制動工況突然增大，最后在水輪機工況和飛逸工況再次減小。葉輪進口旋渦的位置受到主流流向的影響逐漸向進口導(dǎo)葉方向轉(zhuǎn)移。全貫流泵裝置內(nèi)部的熵產(chǎn)主要集中在以葉輪為首的下游域。隨著停機過程的發(fā)展，泵裝置內(nèi)的高熵產(chǎn)區(qū)域逐漸向進口導(dǎo)葉的方向轉(zhuǎn)移，高熵產(chǎn)區(qū)域的范圍先減小后增大。全貫流泵泵段內(nèi)高熵產(chǎn)率區(qū)域的位置和范圍與旋渦出現(xiàn)的位置和尺寸相對應(yīng)，這表明旋渦與脫流等不良流態(tài)是導(dǎo)致全貫流泵段內(nèi)部熵產(chǎn)率較高的主要原因。

摘要:淤地壩作為黃土高原水土流失嚴重地區(qū)重要而獨特的治溝工程，具有滯洪、攔淤、蓄水等作用，但在該地區(qū)利用數(shù)字高程模型（DEM）進行流域水系分析時，提取的河網(wǎng)會受淤地壩的干擾出現(xiàn)河網(wǎng)偏移、錯位問題。本文提出一種通過對淤地壩進行檢測并修正DEM的自動化方法來實現(xiàn)河網(wǎng)的有效提取。該方法先利用區(qū)域生長和形態(tài)學(xué)算法提取河道中心線，以縮小淤地壩檢測范圍，再基于改進的直線段檢測（LSD）算法以及角度濾波確定淤地壩候選輪廓直線，然后構(gòu)建十字模型定位淤地壩，最后對淤地壩所在柵格高程進行修正以提取河網(wǎng)。該方法在黃土高原兩個典型樣區(qū)中檢測淤地壩的F1值分別為86.67%和86.95%，相比于僅使用填充、裂開的兩種河網(wǎng)提取方法，本文方法能有效解決河網(wǎng)偏移問題。結(jié)果表明，本文方法提取的河網(wǎng)結(jié)果更符合真實地形，可為黃土高原淤地壩地區(qū)的流域數(shù)字地形分析技術(shù)提供有益補充與支持。

摘要:為辨別農(nóng)作物所受重金屬脅迫種類，以受重金屬銅（Cu）、鉛（Pb)脅迫的玉米葉片為研究對象，利用ASD地物光譜儀獲得葉片高光譜數(shù)據(jù)，通過分數(shù)階微分（FD）對原始光譜數(shù)據(jù)進行處理，采用競爭性自適應(yīng)重加權(quán)采樣法（CARS）提取特征波段，最后通過多層感知機（MLP）、K最近鄰（KNN）、支持向量機（SVM) 3種模型對受脅迫的葉片光譜進行辨別，選擇最優(yōu)的MLP構(gòu)建的FD-CARS-MLP模型，進行玉米生長銅鉛污染信息光譜辨別。結(jié)果表明，F(xiàn)D-CARS-MLP模型對于受脅迫葉片光譜辨別的能力相較于傳統(tǒng)方式有所提高，試驗集辨別精度均可達到98%以上，0.1、0.2階分數(shù)階微分辨別精度可達到99%以上。選取苗期與抽穗期的玉米葉片，對其進行FD-CARS-MLP模型的可行性測試，經(jīng)驗證可得，F(xiàn)D-CARS-MLP模型辨別受重金屬脅迫玉米葉片光譜數(shù)據(jù)的精度更高且更穩(wěn)定，可為監(jiān)測谷類作物不同重金屬脅迫提供技術(shù)與方法。

摘要:芽眼檢測是馬鈴薯種薯智能切塊首先要解決的問題，為實現(xiàn)種薯芽眼精準高效檢測，提出了一種基于改進YOLO v5s的馬鈴薯種薯芽眼檢測方法。首先通過加入CBAM注意力機制，加強對馬鈴薯種薯芽眼圖像的特征學(xué)習(xí)和特征提取，同時弱化與芽眼相似的馬鈴薯種薯表面背景對檢測結(jié)果的影響。其次引入加權(quán)雙向特征金字塔BiFPN增加經(jīng)骨干網(wǎng)絡(luò)提取的種薯芽眼原始信息，為不同尺度特征圖賦予不同權(quán)重，使得多尺度特征融合更加合理。最后替換為改進的高效解耦頭Decoupled Head區(qū)分回歸和分類，加快模型收斂速度，進一步提升馬鈴薯種薯芽眼檢測性能。試驗結(jié)果表明，改進YOLO v5s模型準確率、召回率和平均精度均值分別為93.3%、93.4%和95.2%；相比原始YOLO v5s模型，平均精度均值提高3.2個百分點，準確率、召回率分別提高0.9、1.7個百分點；不同模型對比分析表明，改進YOLO v5s模型與Faster R-CNN、YOLO v3、YOLO v6、YOLOX和YOLO v7等模型相比有著較大優(yōu)勢，平均精度均值分別提高8.4、3.1、9.0、12.9、4.4個百分點。在種薯自動切塊芽眼檢測試驗中，改進YOLO v5s模型平均召回率為91.5%，相比原始YOLO v5s模型提高17.5個百分點。本文方法可為研制馬鈴薯種薯智能切塊芽眼識別裝置提供技術(shù)支持。

摘要:受到土壤種類、水分等客觀因素的干擾，基于圖像預(yù)測土壤有機質(zhì)（Soil organic matter，SOM）含量與傳統(tǒng)方法在檢測精度上仍存在差距，限制了相關(guān)技術(shù)的推廣和普及。為提升基于圖像預(yù)測SOM含量的精度，本研究提出N-DenseNet網(wǎng)絡(luò)模型，在DenseNet169基礎(chǔ)上加入多尺度池化模塊，通過獲取更多的維度特征提升模型的性能，并結(jié)合Android端開發(fā)SOM實時檢測應(yīng)用程序（APP），通過內(nèi)網(wǎng)透射實現(xiàn)PC端與手機端數(shù)據(jù)的及時傳輸。以黑龍江省友誼縣、北京市昌平區(qū)、山東省泰安市3地的350份土樣為基礎(chǔ)，通過手機以及多光譜無人機獲取原位土壤的高清圖像，R波段、紅邊波段與近紅外波段圖像，以豐富數(shù)據(jù)信息，并通過室內(nèi)脅迫的方式拍攝土壤樣品在不同水分梯度下的圖像緩解水分對圖像造成的影響。對比不同深度學(xué)習(xí)模型，基于多光譜圖像數(shù)據(jù)訓(xùn)練的N-DenseNet表現(xiàn)最好，整體表現(xiàn)優(yōu)于DenseNet169，測試集R2為0.833，RMSE為3.943g/kg，R2相比于可見光數(shù)據(jù)提升0.016，證明了訓(xùn)練過程加入R波段與紅邊和近紅外波段圖像后有助于提升模型的性能，證明了該方法的可行性。手機端APP與后臺端數(shù)據(jù)相連實現(xiàn)數(shù)據(jù)實時傳輸，實現(xiàn)了田間土樣SOM含量的實時預(yù)測，經(jīng)田間試驗驗證，模型預(yù)測集R2為0.805，檢測時間為2.8s，滿足了田間SOM含量檢測的需求，為SOM含量實時檢測提供了新的思路。

摘要:針對密林情況下，GEDI數(shù)據(jù)與現(xiàn)有的Tandem-X DEM數(shù)字地面模型估測林下地形精度沒有進行整體評價問題，擬以密林情況作為主要分析場景，通過提取GEDI L2A數(shù)據(jù)產(chǎn)品對應(yīng)光斑的經(jīng)緯度、林下地形信息與數(shù)據(jù)質(zhì)量篩選參數(shù)，開展數(shù)據(jù)質(zhì)量篩選，用以估測基于GEDI數(shù)據(jù)的林下地形數(shù)據(jù)，與Tandem-X DEM數(shù)據(jù)估測密林情況下研究區(qū)林下地形開展比較，并進一步探究冠層高度、森林覆蓋度與植被類型對估測精度的影響。GEDI與Tandem-X DEM的R2分別為0.99和0.98，GEDI估測林下地形結(jié)果的RMSE、Average與STD分別6.49、-1.92、4.42m，Tandem-X DEM估測林下地形結(jié)果的RMSE、Average與STD分別為18.15、14.63、7.35m。GEDI數(shù)據(jù)在混交林和稀疏草原情況下RMSE與Average分別變化8.05m和6.04m，Tandem-X DEM數(shù)據(jù)在常綠針葉林與農(nóng)田/天然植被情況下，RMSE與Average變化幅度為21.63、26.43m。實驗結(jié)果表明， GEDI與Tandem-X DEM數(shù)據(jù)與機載驗證數(shù)據(jù)存在強相關(guān)性，且GEDI相對Tandem-X DEM數(shù)據(jù)表現(xiàn)出更優(yōu)的評價標準；地表植被類型相對冠層高度和植被覆蓋度會對兩數(shù)據(jù)估測林下地形精度產(chǎn)生更大的影響。

摘要:為了快速、精準地感知水稻稻曲病的發(fā)生，實現(xiàn)稻曲病大面積早期監(jiān)測，利用機載UHD185高光譜儀采集帶有發(fā)病區(qū)域的多組水稻冠層高光譜圖像數(shù)據(jù)，對圖像數(shù)據(jù)進行預(yù)處理并建立數(shù)據(jù)集。對健康區(qū)域和發(fā)病區(qū)域進行分類訓(xùn)練，建立支持向量機（SVM）識別模型和主成分分析（PCA）加人工神經(jīng)網(wǎng)絡(luò)（ANN）的識別模型，通過驗證樣本來檢驗識別模型的準確性，達到識別發(fā)病水稻的目的。支持向量機識別模型選用兩組特征波長下的假彩色圖像：第1組波長組合（TZH1）為654、838、898nm；第2組波長組合（TZH2）為630、762、806nm，兩組數(shù)據(jù)的錯分誤差/漏分誤差總體分別達到4.24%和5.41%；其中S型核函數(shù)的SVM模型診斷性能最好，總體分類精度最高可達到 95.64%，Kappa系數(shù)可達到0.94，基本達到了準確識別水稻稻曲病的目的。主成分分析加人工神經(jīng)網(wǎng)絡(luò)的識別模型選用前3個主成分，貢獻率分別為93.67%、2.80%、1.24%，作為最優(yōu)波長建立人工神經(jīng)網(wǎng)絡(luò)識別模型；其中非線性分類的效果優(yōu)于線性分類的效果，總體分類精度達到了96.41%，Kappa系數(shù)可達到0.95。通過兩個實驗組數(shù)據(jù)的支持向量機診斷結(jié)果可知，使用支持向量機識別模型分類精度整體平穩(wěn)，4種核函數(shù)的診斷效果沒有比較明顯的差異。就總體分類精度而言，主成分分析加人工神經(jīng)網(wǎng)絡(luò)識別模型中的非線性分類比支持向量機識別模型的S型核函數(shù)分類高0.77個百分點。因此，主成分分析加人工神經(jīng)網(wǎng)絡(luò)模型的非線性分類更適用于水稻稻曲病的早期監(jiān)測。

摘要:茶葉采摘點定位是茶葉選擇性采摘的關(guān)鍵技術(shù)之一，在茶樹采摘場景中，存在采摘點尺度小、背景干擾大、光照情況復(fù)雜等問題，導(dǎo)致準確分割茶葉采摘點成為難題。本研究針對茶園場景下采摘點精確分割問題，構(gòu)建了一種基于多頭自注意力機制結(jié)合多尺度特征融合的語義分割算法——RMHSA-NeXt。首先使用ConvNeXt卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征；其次構(gòu)造基于殘差和多頭自注意力機制的注意力模塊，將模型注意力集中于分割目標，增強重要特征的表達；再次通過多尺度結(jié)構(gòu)(Atrous spatial pyramid pooling, ASPP)將不同尺度的特征進行融合，在其中針對采摘點特性，在融合過程中使用條狀池化(Strip pooling)，減少無用特征的獲??；最后通過卷積以及上采樣等操作完成信息的解碼，得出分割結(jié)果。試驗表明，茶園環(huán)境下該模型可以對采摘點進行有效分割，模型的像素準確率達75.20%，平均區(qū)域重合度為70.78%，運行速度達到8.97f/s。基于相同測試集將本文模型與HRNet V2、EfficientUNet++、DeeplabV3+、BiSeNet V2模型進行對比，結(jié)果表明相比于其他模型同時具有準確性高、推理速度快、參數(shù)量小等優(yōu)點，能夠較好地平衡精度與速度指標。本文的研究成果可以為精準定位茶葉采摘點提供有效可靠的參考。

摘要:針對羊胴體后腿骨肉邊界未知、尺寸多變和可見性約束限制造成的機器人自主分割精確度低與易受阻卡住的問題，提出一種羊胴體后腿自適應(yīng)分割控制方法，并開展羊胴體后腿分割試驗進行驗證。該方法以接觸狀態(tài)感知為核心，有效提取接觸類型特征、接觸異常度特征和接觸方向特征，通過構(gòu)建深度時空神經(jīng)網(wǎng)絡(luò)識別接觸類型，構(gòu)建深度自編碼網(wǎng)絡(luò)估計接觸異常度，采用主成分分析方法檢測主要接觸方向，實現(xiàn)接觸狀態(tài)多模態(tài)感知，機器人通過動態(tài)運動基元模仿學(xué)習(xí)人類操作技能，并結(jié)合接觸狀態(tài)感知信息實現(xiàn)關(guān)節(jié)運動的自適應(yīng)調(diào)節(jié)。試驗結(jié)果表明：深度時空網(wǎng)絡(luò)模型在羊胴體后腿分割驗證集上的識別準確率為98.44%；深度自編碼網(wǎng)絡(luò)模型能夠較好地估計驗證集樣本的接觸異常度，區(qū)分不同的接觸狀態(tài)。機器人基于自適應(yīng)分割控制方法開展實際分割試驗，與對照組相比，最大分割力下降幅度為29N，最大力矩下降幅度為7N·m，證明該方法的有效性；平均最大殘留肉厚度為3.6mm，平均分割殘留率為4.9%，分割殘留率與羊胴體質(zhì)量呈現(xiàn)負相關(guān)，證明該方法具有良好的泛化性和準確性，并且整體分割效果較好，滿足羊胴體后腿分割要求。

摘要:針對雞只個體較小、個體間存在遮擋，對蛋雞日常行為識別造成干擾的問題，提出了一種基于SEEC-YOLO v5s的蛋雞日常行為識別方法。通過在YOLO v5s模型輸出部分添加SEAM注意力模塊、在特征融合部分引入顯式視覺中心模塊(EVCBlock)，擴大了模型的感受野，提高了模型對小個體遮擋情況下的目標識別能力，提升了模型對蛋雞站立、采食、飲水、探索、啄羽和梳羽6種行為的識別精度。提出了一種基于視頻幀數(shù)與視頻幀率比值計算蛋雞日常行為持續(xù)時間的統(tǒng)計方法，并對蛋雞群體一天之中不同時間段及全天各行為變化規(guī)律進行了分析。將改進后的模型進行封裝、打包，設(shè)計了蛋雞日常行為智能識別與統(tǒng)計系統(tǒng)。試驗結(jié)果表明，SEEC-YOLO v5s模型對6種行為識別的平均精度均值為84.65%，比 YOLO v5s模型高2.34個百分點，對比Faster R-CNN、YOLO X-s、YOLO v4-tiny和YOLO v7-tiny模型，平均精度均值分別提高4.30、3.06、7.11、2.99個百分點。本文方法對蛋雞的日常行為監(jiān)測及健康狀況分析提供了有效的支持，為智慧養(yǎng)殖提供了借鑒。

摘要:高光譜遙感技術(shù)可對作物生長狀況進行無損、高效地監(jiān)測，是推動現(xiàn)代精準農(nóng)業(yè)發(fā)展的必要手段。以不同施氮水平與覆膜處理下的開花期大豆葉面積指數(shù)(Leaf area index，LAI)為研究對象，對原始開花期大豆高光譜反射率數(shù)據(jù)進行0~2階微分變換處理（步長0.5），并篩選出各階光譜指數(shù)中與開花期大豆LAI相關(guān)性最高的指數(shù)作為最優(yōu)光譜指數(shù)進行輸入，采用支持向量機(Support vector machine, SVM)、隨機森林(Random forest，RF)、遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(BP neural network optimized by genetic algorithm, GA-BP)3種機器學(xué)習(xí)方法構(gòu)建大豆LAI預(yù)測模型。結(jié)果表明：0~2階光譜指數(shù)與大豆LAI相關(guān)系數(shù)平均值分別為0.616、0.657、0.666、0.669、0.658，相比于原始與整數(shù)階高光譜反射率，分數(shù)階微分變換處理后的高光譜反射率構(gòu)建的光譜指數(shù)與開花期大豆LAI具有更強的相關(guān)性；相關(guān)系數(shù)平均值最高的15階微分處理最優(yōu)光譜指數(shù)波長組合分別為：TVI(687nm,754nm)、DI(687nm,754nm)、SAVI(728nm,738nm)、RI(687nm,744nm)、NDVI(620nm,653nm)，其余各階最優(yōu)光譜指數(shù)組合對應(yīng)波段也集中分布于紅邊波段（680~760nm）；隨著微分階數(shù)提高，光譜指數(shù)與大豆LAI的相關(guān)性和構(gòu)建的預(yù)測模型的精度均呈先升后降的趨勢；當輸入變量相同時，RF為3種機器學(xué)習(xí)模型中的最佳建模方法。經(jīng)過綜合比較，以1.5階微分處理得到的最優(yōu)光譜指數(shù)組合作為輸入數(shù)據(jù)，基于RF構(gòu)建的大豆LAI預(yù)測模型取得了最高的精度，驗證集的決定系數(shù)R2為0.880，均方根誤差（RMSE）為0.3200cm2/cm2，標準均方根誤差（NRMSE）為10.354%，平均相對誤差（MRE）為9.572%。研究結(jié)果可為提高大豆LAI高光譜反演精度與指導(dǎo)精準農(nóng)業(yè)生產(chǎn)提供理論參考。

摘要:植被含水率是農(nóng)田生態(tài)系統(tǒng)敏感性的重要表征，為提高近地遙感植被含水率反演效率和精度，基于無人機多光譜影像數(shù)據(jù)，提取苜蓿、玉米2種植被覆蓋的光譜反射率，在此基礎(chǔ)上引入紅邊波段計算改進光譜指數(shù)。將5種光譜反射率及25個光譜指數(shù)利用變量投影重要性（Variable importance in projection, VIP）分析、灰色關(guān)聯(lián)度（Gray relational analysis, GRA）分析與皮爾遜（Person）相關(guān)性分析進行篩選，并建立基于反向神經(jīng)網(wǎng)絡(luò)（Back-propagation neural network, BPNN）、偏最小二乘法（Partial least squares regression, PLSR）、支持向量回歸（Support vector regression, SVR）和隨機森林（Random forest, RF）4種機器學(xué)習(xí)模型，以確定不同作物覆蓋下的最佳植被含水率反演模型。結(jié)果表明，3種篩選算法中VIP和GRA的模型精度明顯優(yōu)于Person相關(guān)性分析，且反演結(jié)果波動較小;在4種機器學(xué)習(xí)算法中，SVR算法在非線性問題中相較于BPNN、PLSR、RF算法具有較強的解析能力和模型魯棒性，驗證集決定系數(shù)R2達到0.77以上，其結(jié)果能較真實反映植被含水率;兩種樣地基于GRA的植被含水率反演模型精度最高，苜蓿覆蓋地GRA-SVR驗證集R2達0.889，RMSE為0.798%，MAE為0.533%;玉米覆蓋地反演結(jié)果驗證集R2為0.848，RMSE為0.668%，MAE為0.542%。研究結(jié)果可為植被含水率的快速、精準反演提供理論依據(jù)。

摘要:為及時準確地預(yù)測我國黃土高原蘋果產(chǎn)量，首先選取黃土高原蘋果產(chǎn)區(qū)86個基地縣的氣象觀測數(shù)據(jù)，分別提取出蘋果生長季內(nèi)不同月份的氣溫、降水量、太陽輻射等氣象特征變量，花期凍害時間、連陰雨時間和標準化降水蒸發(fā)指數(shù)（Standardized precipitation evapotranspiration index，SPEI）等氣象災(zāi)害特征變量，以及氣象站點經(jīng)度、緯度和高程等空間特征變量，再根據(jù)斯皮爾曼相關(guān)性分析確定影響蘋果產(chǎn)量的最重要氣象特征變量。然后，采用梯度提升樹（Gradient boosting decision tree，GBDT）、支持向量機（Support vector machine，SVM）、貝葉斯正則化反向傳播神經(jīng)網(wǎng)絡(luò)（Bayesian regularization back propagation artificial neural network, BRBP）和多元線性回歸（Multiple linear regression, MLR）算法，建立蘋果相對氣象產(chǎn)量的預(yù)測模型，并確定最佳模型輸入特征變量組合。最后，基于不同生育期和生長季內(nèi)各月份最佳模型輸入特征變量組合，分析不同模型預(yù)測蘋果相對氣象產(chǎn)量的提前期。結(jié)果表明：影響蘋果相對氣象產(chǎn)量的最重要氣象特征變量為最高氣溫、最低氣溫、空氣相對濕度、降水量和太陽輻射;最佳模型輸入變量組合為最重要氣象特征變量、空間特征變量和災(zāi)害特征變量;基于最佳模型輸入變量組合，GBDT和BRBP模型精度較好（相關(guān)系數(shù)r為0.77，均方根誤差（RMSE）為0.44;r為0.70，RMSE為0.44），而MLR模型表現(xiàn)最差（r為0.63，RMSE為0.49）。在蘋果不同生育期內(nèi)，GBDT和BRBP模型在各個生育期內(nèi)均能獲得相對較高的蘋果相對氣象產(chǎn)量預(yù)測精度，SVM和MLR模型可在果實膨大期獲取較為理想的蘋果相對氣象產(chǎn)量模擬結(jié)果。在蘋果生長季內(nèi)各月份，GBDT、SVM、BRBP和MLR模型可在蘋果成熟期前1~2個月實現(xiàn)對蘋果相對氣象產(chǎn)量的早期預(yù)測。本研究可為黃土高原蘋果產(chǎn)量早期產(chǎn)量預(yù)測提供科學(xué)依據(jù)和技術(shù)參考。

摘要:為探明不同水土保持耕作技術(shù)對東北黑土坡耕地玉米氮素利用和溫室氣體排放的影響，以大田試驗為基礎(chǔ)，設(shè)置7個耕作處理：等高耕作（Transverse slope planting, TP）、壟向區(qū)田（Ridge to the district field, RF）、深松耕（Subsoiling tillage, SF）、等高耕作+深松耕（Transverse slope planting+subsoiling tillage, TP-S）、壟向區(qū)田+深松耕（Ridge to the district field+subsoiling tillage, RF-S）、等高耕作+壟向區(qū)田（Transverse slope planting+ridge to the district field,TP-R）、常規(guī)耕作（Down-slope cultivation, CK），探究水土保持耕作技術(shù)對東北黑土坡耕地土壤養(yǎng)分狀況、溫室氣體排放、氮素吸收利用和產(chǎn)量的影響。結(jié)果表明：在玉米全生育期內(nèi)，水土保持耕作處理顯著提高了玉米產(chǎn)量、器官氮素轉(zhuǎn)運率以及氮肥利用率，部分水土保持耕作措施也可以顯著降低N2O與CO2排放。其中，玉米成熟期時，實施水土保持耕作措施的植株產(chǎn)量較CK處理增加3.39%～26.43%，TP-S處理提升效果最高。對于氮肥利用率，水土保持耕作技術(shù)較CK處理提高25.23%（RF處理）～76.98%（TP-S處理），提升效果顯著。對于CO2排放，除SF處理外，其余水土保持耕作處理均顯著低于CK處理。但對于N2O排放，TP處理、 TP-S處理和TP-R處理顯著低于CK，而SF處理、RF處理以及RF-S處理較CK處理則明顯增加。故綜合來看，建議當?shù)赜衩追N植采取等高耕作+深松耕的水土保持耕作技術(shù)。

摘要:為探究季節(jié)性凍土區(qū)凍結(jié)前后施加生物炭和秸稈對農(nóng)田土壤的改良效果，選取黑土作為研究對象，基于田間試驗，設(shè)置4種不同調(diào)控措施(BL：空白對照;CLS：施用生物炭;JLS：施用秸稈;CJLS：聯(lián)合施用)，分析土壤團聚體穩(wěn)定性、孔徑分布特征、土壤水分特征曲線、土壤累計入滲量、飽和導(dǎo)水率Ksat的變化，在此基礎(chǔ)上，探究土壤持水性、導(dǎo)水性等土壤物理特性變異特征。結(jié)果表明，施用生物炭和秸稈有效抑制凍融循環(huán)作用對土壤結(jié)構(gòu)的不利影響，有效保持土壤團聚體穩(wěn)定性。施加外源生物質(zhì)材料改善土壤孔隙分布，在凍結(jié)前期增加中間段孔徑（0.3~100μm）比例，在外源生物質(zhì)材料和凍融交替作用雙重影響下，增加中間段孔徑比例19.05%~35.04%，增加土壤空隙（>100μm）比例4.33%~16.22%，降低極微孔徑（0~0.3μm）比例9.09%~18.18%，其中CJLS處理表現(xiàn)最優(yōu)。在凍結(jié)前期，施用生物炭和秸稈增加張力-5cm條件下60min的土壤累計入滲量73.68%、60.52%、151.10%，而在融化期，受外源生物質(zhì)材料凍融老化影響，其發(fā)揮的積極效應(yīng)有所減弱，土壤累計入滲量最高僅增加11228%。同時，施加生物炭和秸稈提高凍融前后的土壤飽和含水率，增強土壤持水能力，這有助于提高春季土壤抗干旱能力。在外源生物質(zhì)材料和凍融循環(huán)雙重作用下植物可用含水率增加，同時凍融前后Ksat均增加，但融化期CLS和JLS處理與BL的差異逐漸減緩。研究結(jié)果對于合理施用生物炭和秸稈資源、揭示改良土壤物理特性響應(yīng)機制具有重要意義。

摘要:為揭示不同灌水量和灌水鹽分下老化生物炭對溫室氣體排放與玉米生長的影響，設(shè)置2個生物炭水平：0t/hm2（B0）、60t/hm2（B1），2個灌溉水含鹽量：0.71g/L（S0）和4.0g/L（S1），2個灌溉水平：充分灌溉（W1）和虧缺灌溉（W2，1/2 W1)，于2022年4—9月在甘肅武威綠洲農(nóng)業(yè)高效用水國家野外科學(xué)觀測研究站進行了春玉米田間試驗。結(jié)果表明，虧缺灌溉相較于充分灌溉CO2累積排放量減少24.13%~52.68%，但二者的N2O排放沒有顯著差異。微咸水灌溉導(dǎo)致CO2和N2O累積排放量分別增加9.06%~24.79%、9.95%~18.03%。在4種灌溉處理下，老化生物炭使CO2和N2O累積排放量分別減小7.33%~18.78%和21.14%~29.76%。不同處理間的CH4排放無顯著影響。虧缺和微咸水灌溉抑制了作物的生長;老化生物炭顯著提高了春玉米生物量，總體增加7.86%~25.82%，但其對W1S0、W1S1、W2S0處理下玉米產(chǎn)量增產(chǎn)效果并不顯著，且W2S1處理下玉米產(chǎn)量顯著降低。同一灌溉水平下，微咸水灌溉增加了全球增溫潛勢，而利用老化生物炭和虧缺灌溉會降低全球增溫潛勢。微咸水和虧缺灌溉顯著降低了農(nóng)田土壤炭收益，分別減小17.70%~65.36%和37.30%~71.96%。不同灌溉處理下，老化生物炭均顯著增加了農(nóng)田土壤炭收益，增加15.86%~33.52%?？傮w上在W1S0、W1S1和W2S0處理下施用老化生物炭小幅提高了玉米產(chǎn)量，大幅降低了全球增溫潛勢和促進了農(nóng)田凈碳收益，因此在這3種灌溉方式下，老化生物炭施用可增加當?shù)氐慕?jīng)濟和環(huán)境效益。

摘要:科學(xué)高效的灌溉管理是提高水分生產(chǎn)力的關(guān)鍵。針對覆膜前后土壤水熱條件有明顯差異，灌水參數(shù)如何影響作物生長與耗水尚不明確的問題，本研究以制種玉米為研究對象在甘肅武威綠洲農(nóng)業(yè)高效用水國家野外科學(xué)觀測研究站進行了田間試驗。設(shè)計3種滴頭流量D1（2.0L/h）、D2（2.5L/h）、D3（3.0L/h），5種灌水間隔時間P1（6d）、P2（8d）、P3（10d）、P4（12d）、P5（14d），探究灌溉方案對覆膜制種玉米生長、產(chǎn)量和蒸騰耗水的影響。結(jié)果表明滴頭流量較大和灌水間隔時間較小時制種玉米株高與葉面積指數(shù)表現(xiàn)更好。D1處理下，隨灌水間隔時間增加株高和葉面積指數(shù)呈先增大后減小的趨勢，在P2取得最大值。籽粒產(chǎn)量與灌水間隔時間呈現(xiàn)顯著的二次函數(shù)關(guān)系，D1、D3處理下最大值均出現(xiàn)在P2。灌水間隔時間為6~10d時D2可以獲得最高的產(chǎn)量。單株日尺度液流速率與小時尺度液流速率均隨滴頭流量增大而增加，隨灌水間隔時間增加而減小。D3處理小時尺度液流速率峰值比D2、D1處理分別增加85.88%~127.02%、117.80%~151.89%。灌水間隔時間由P1增加到P5時，小時尺度液流速率峰值降低23.56%~31.48%。制種玉米蒸騰量隨滴頭流量增大而增加。一定范圍內(nèi)（P1~P4），增加灌水間隔時間顯著降低了全生育期耗水量。灌水間隔時間不大于10d時，D2耗水量最低，比D1降低1.86%~4.14%，且獲得更高的水分生產(chǎn)力。D1、D2處理均在P2處理獲得最高水分生產(chǎn)力。為實現(xiàn)高效節(jié)水，滴頭流量為2.5L/h (D2)、灌水間隔時間為8~10d是適宜干旱地區(qū)覆膜制種玉米的較優(yōu)灌水方案，而灌水間隔時間為6~8d時可以實現(xiàn)更高的產(chǎn)量和水分生產(chǎn)力。

摘要:骨炭作為不同動物源骨粉資源化利用的一種重要產(chǎn)物，含有豐富的孔隙結(jié)構(gòu)和活性位點，可被用作于催化劑載體或水體、土壤等環(huán)境中的吸附劑。為了三維、原位可視化表征不同動物源骨炭顆粒的孔隙結(jié)構(gòu)特征，選擇熱解溫度為400、500、600、700、800℃的豬、牛骨炭顆粒為研究對象。骨炭顆粒Micro-CT掃描條件為：管電壓50kV、管電流200mA、圖像分辨率10μm;Micro-CT圖像二值化方法為Adaptive mean-C。結(jié)果表明：UM和ACE相結(jié)合的Micro-CT圖像濾波處理方法最優(yōu);不同熱解溫度骨炭顆粒的斷層結(jié)構(gòu)圖像和容積模型與電鏡結(jié)果相近;骨炭顆粒比表面積、孔隙率和孔徑分布的定量表征結(jié)果與實驗室BET法的測定值相吻合。研究結(jié)果可為骨炭孔隙結(jié)構(gòu)原位三維分析提供一種非破壞、可視化的表征新手段。

摘要:為解決現(xiàn)有無線檢測系統(tǒng)無法精準有效反映溫室內(nèi)立體空間的環(huán)境變化情況，以及傳感器節(jié)點定位誤差大、硬件成本高等問題，設(shè)計了一種基于UWB（Ultra wide band）定位的智能溫室三維溫濕度檢測系統(tǒng)。系統(tǒng)通過一款自主設(shè)計的集成UWB定位模塊的STM32F系統(tǒng)板對各傳感器節(jié)點進行定位，并搭載AHT25型高精度傳感器對環(huán)境數(shù)據(jù)進行采集。UWB主基站使用4G網(wǎng)絡(luò)通信模塊將各傳感器數(shù)據(jù)及位置信息發(fā)送到上位機，并在Web端根據(jù)HTML5技術(shù)實現(xiàn)溫室三維溫濕度場可視化，完成溫室三維溫濕度遠程檢測。系統(tǒng)定位測試試驗證明，各傳感器節(jié)點精度主要集中在10～30cm范圍內(nèi)，部分節(jié)點測量位置誤差大于50cm，各節(jié)點最大丟包率為2.5%，平均丟包率為1.9%，滿足溫室測量基本需求，對檢測溫室熱工缺陷區(qū)域以及研究植物生長適宜環(huán)境有重要意義。

摘要:以添加不同質(zhì)量濃度水溶性β-葡聚糖的模擬葡萄汁為試材，接種釀酒酵母啟動酒精發(fā)酵，分別在第2、3、4、7天檢測供試菌株的抗氧化活性，并于發(fā)酵結(jié)束后采用HS-SPME-GC-MS測定發(fā)酵酒樣的揮發(fā)性香氣化合物，探討菌株抗氧化活性和揮發(fā)性香氣物質(zhì)之間的相關(guān)性。結(jié)果表明，外源性添加水溶性β-葡聚糖處理組酵母細胞中的ATP酶、SOD酶活力和還原型谷胱甘肽含量顯著高于對照組（P<0.05），活性氧和丙二醛含量顯著低于對照組（P<0.05）。300mg/L水溶性β葡聚糖可以明顯提高模擬葡萄汁發(fā)酵酒樣中揮發(fā)性香氣化合物的含量，尤其是辛酸乙酯、癸酸乙酯等花果香類物質(zhì)較對照組顯著增加（P<0.05），且與釀酒酵母細胞的ATP酶、SOD酶活力和GSH含量呈正相關(guān)。綜上，質(zhì)量濃度為300mg/L的水溶性β-葡聚糖，能夠明顯增強釀酒酵母細胞的抗氧化能力，增加模擬葡萄汁發(fā)酵酒樣中酯類、高級醇類物質(zhì)的含量，具有提高葡萄酒發(fā)酵香氣化合物的應(yīng)用潛力。

摘要:永磁電機閉環(huán)控制需要準確的轉(zhuǎn)子位置信息，而傳統(tǒng)的機械傳感器在農(nóng)業(yè)生產(chǎn)等惡劣工況下的可靠性難以保證。為了提高系統(tǒng)可靠性，對無傳感器控制方法進行了研究。在傳統(tǒng)基于滑模觀測器的無傳感器控制中，系統(tǒng)抖振和穩(wěn)定性差的問題嚴重影響了無傳感器運行的控制效果。為此，本文提出了一種基于模糊滑模觀測器和模糊鎖相環(huán)的無傳感器控制方法，有效地解決了這一問題。首先，利用模糊控制器對滑模觀測器和鎖相環(huán)的控制參數(shù)進行處理，并根據(jù)電機的實際工況實時調(diào)整這些參數(shù)，提高了系統(tǒng)魯棒性。其次，采用遞歸最小二乘自適應(yīng)線性諧波提取器對反電動勢的高諧波分量進行有效濾波，避免了高頻分量對觀測結(jié)果的影響。實驗結(jié)果表明，所提出的控制方法提高了對轉(zhuǎn)速和轉(zhuǎn)子位置的估計精度。

摘要:針對現(xiàn)有拖拉機牽引性能預(yù)測模型未包含前后輪附著差異、載荷轉(zhuǎn)移和前后橋運動不協(xié)調(diào)等因素對滑轉(zhuǎn)效率和滾動阻力的影響，導(dǎo)致四輪驅(qū)動拖拉機的田間牽引性能預(yù)測精度較低。為此本文從拖拉機輪胎的驅(qū)動特性和載荷特性入手，通過引入輪胎指數(shù)、機動指數(shù)等特征參數(shù)，分別建立了土壤-輪胎驅(qū)動模型與包含軸荷轉(zhuǎn)移的前后輪胎載荷模型;在牽引受力分析的基礎(chǔ)上，考慮實際前后橋運動不協(xié)調(diào)性對總體底盤作業(yè)的影響，分別建立了整機滾動效率與滑轉(zhuǎn)效率的預(yù)測模型，導(dǎo)出了包含輪胎規(guī)格、土壤特性、整機前后橋運動不協(xié)調(diào)特性、傳動效率的四輪驅(qū)動拖拉機牽引性能預(yù)測模型。針對模型多變量、非線性產(chǎn)生的求解難題，基于雙維度迭代法設(shè)計了預(yù)測算法與流程;采用研究的方法開展了實例分析應(yīng)用;針對預(yù)測模型的有效性驗證需求，設(shè)計并開展了實車田間牽引試驗，結(jié)果表明：最大牽引力與特征滑轉(zhuǎn)率對應(yīng)的牽引力的仿真值誤差分別為1.41%與1.74%，滾動阻力誤差為0.64%，較對照組準確度提升較大，總體誤差較小。

摘要:對一種3T1R解耦并聯(lián)機構(gòu)的動力學(xué)性能及其慣量耦合強度進行了分析。對機構(gòu)進行運動學(xué)分析，給出了機構(gòu)的位置正反解方程，得到動平臺的雅可比矩陣，推導(dǎo)了機構(gòu)各構(gòu)件的速度、加速度;基于牛頓-歐拉法，考慮構(gòu)件重力以及外負載，建立了機構(gòu)逆向動力學(xué)模型，并用ADAMS軟件進行了仿真驗證;基于所建的逆向動力學(xué)模型，分析了加速度和動平臺姿態(tài)角對支鏈驅(qū)動力的影響;基于關(guān)節(jié)空間的慣量矩陣，建立了慣量耦合強度評價指標，分析了其在工作空間內(nèi)的分布規(guī)律，并與降耦前Quadrupteron機構(gòu)的慣量耦合強度進行了對比分析。結(jié)果表明，結(jié)構(gòu)降耦不僅降低了支鏈間的耦合強度，而且整個工作空間內(nèi)慣量耦合強度的分布更為一致，提升了機構(gòu)動態(tài)性能的各向同性。