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:隨著移動機器人技術不斷發(fā)展，里程計技術已經(jīng)成為移動機器人實現(xiàn)環(huán)境感知的關鍵技術，其發(fā)展水平對提高機器人的自主化和智能化具有重要意義。首先，系統(tǒng)闡述了同步定位與地圖構建(Simultaneous localization and mapping, SLAM)中激光SLAM和視覺SLAM的發(fā)展近況，闡述了經(jīng)典SLAM框架及其數(shù)學描述，簡要介紹了3類常見相機的相機模型及其視覺里程計的數(shù)學描述。其次，分別對傳統(tǒng)視覺里程計和深度學習里程計的研究進展進行系統(tǒng)闡述。對比分析了近10年來各類里程計算法的優(yōu)勢與不足。另外，對比分析了7種常用數(shù)據(jù)集的性能。最后，從精度、魯棒性、數(shù)據(jù)集、多模態(tài)等方面總結了里程計技術面臨的問題，從提高算法實時性、魯棒性等方面展望了視覺里程計的發(fā)展趨勢為：更加智能化、小型化新型傳感器的發(fā)展；與無監(jiān)督學習融合；語義表達技術的提高；集群機器人協(xié)同技術的發(fā)展。

摘要:路徑跟蹤控制是提高自主導航系統(tǒng)控制精度的關鍵。針對在復雜農(nóng)田作業(yè)環(huán)境下轉彎時純跟蹤算法跟蹤精度不高的問題，本文提出了一種基于改進純追蹤模型的四輪同步轉向農(nóng)機路徑跟蹤控制算法。建立了基于四輪同步轉向農(nóng)機的運動學模型和純跟蹤模型，在此基礎上考慮航向誤差得到改進純跟蹤模型，進行RTK定位坐標修正，根據(jù)量化誤差的評價函數(shù)搜索前視區(qū)域最優(yōu)目標點，得到最優(yōu)前視距離。本文算法能實時確定四輪同步轉向農(nóng)機改進純跟蹤模型中的前視距離，使航向誤差和橫向誤差最小化，實現(xiàn)目標點的自適應優(yōu)化。仿真結果表明，本文方法轉彎時平均絕對橫向誤差減至0.035m，平均絕對航向誤差減至0.212°；水田實驗結果表明，當四輪同步轉向農(nóng)機作業(yè)速度為3.6km/h時，四輪轉向農(nóng)機軌跡跟蹤平均絕對橫向誤差減至0.109m，平均絕對航向誤差減至2.799°，轉彎跟蹤精度顯著提高。

摘要:丘陵山區(qū)茶園土壤板結、石礫較多，使用傳統(tǒng)旋轉或移動式開溝機會出現(xiàn)打石跳刀、刀具無法入土、開溝不深、作業(yè)阻力大的問題。為此，依據(jù)人工鏟土具有自發(fā)性以最低功耗完成最優(yōu)作業(yè)路徑的特點，設計仿人工鏟土動作的曲柄搖桿式開溝裝置，并研制小型茶園往復式開溝松土機。通過分析人工使用鐵鍬鏟土的動作，建立入土、切土、拋土的運動模型，基于Matlab軟件分析得到人工鏟土時鐵鍬鍬尖運動軌跡的擬合方程，以此方程為基準，建立曲柄連桿機構的目標函數(shù)，結合約束條件解出曲柄搖桿機構結構參數(shù)，同時對開溝鏟進行開溝阻力分析，確定開溝鏟的結構參數(shù)。建立Recurdyn和EDEM耦合的開溝鏟-土壤互作仿真模型，并進行三因素三水平正交試驗，對作業(yè)和結構參數(shù)進行優(yōu)化，得到最優(yōu)參數(shù)組合：機器前進速度v為0.06m/s、曲柄轉速n為42r/min、入土傾角φ為80°。田間試驗結果表明，茶園往復式開溝松土機作業(yè)平均開溝深度為211.5mm，開溝功率為0.119kW，溝深穩(wěn)定性系數(shù)為90.9%，相較于傳統(tǒng)旋轉式開溝機，開溝功率降低6.3%，溝深穩(wěn)定性系數(shù)提高3.1個百分點，整機作業(yè)質量滿足茶園農(nóng)藝要求。

摘要:為適應新疆滴灌區(qū)寬窄行免耕種植模式，解決傳統(tǒng)大型玉米免耕播種機播種過程中觸碰根茬、無法精確約束路徑、玉米粒距合格率低等問題，結合免耕播種農(nóng)藝要求，在采用導航定位技術獲取播種機當前位置與目標路徑間偏差的基礎上，設計一種玉米免耕播種自動調偏系統(tǒng)。該系統(tǒng)主要包括避茬裝置、液壓執(zhí)行系統(tǒng)和控制系統(tǒng)，通過建立整機力學模型，對避茬裝置和液壓執(zhí)行系統(tǒng)進行運動和受力分析，確定避茬裝置和液壓執(zhí)行系統(tǒng)關鍵結構參數(shù)，獲取避茬裝置最佳掛接長度和液壓執(zhí)行系統(tǒng)最大驅動力。進一步優(yōu)化控制系統(tǒng)，實現(xiàn)避茬裝置自動調偏及接收反饋信息功能。對免耕播種避茬裝置自動調偏系統(tǒng)進行性能試驗，試驗結果表明，神經(jīng)網(wǎng)絡PID的期望調偏角最大穩(wěn)態(tài)誤差為0.932°，超調量全部小于1%，平均響應穩(wěn)態(tài)誤差小于0.9°，滿足預期。田間試驗結果表明，當拖拉機作業(yè)速度不大于1.0m/s、行間秸稈覆蓋量不大于1.0kg/m2時，避茬率不小于85%，縱向調整距離不大于8.6m，玉米粒距變異系數(shù)不大于21.63%。此時播種機調偏避茬效果最佳，滿足玉米免耕播種機農(nóng)藝指標要求。

摘要:針對大豆-玉米復合密植播種模式下傳統(tǒng)氣吸式排種器單行種盤高轉速作業(yè)導致充種時間短、氣流穩(wěn)定性差，難以實現(xiàn)高速精量密植播種的問題，設計了一種氣吸雙行錯置式玉米密植精量排種器，闡述了排種器結構與工作原理，對其工作過程及關鍵部件進行理論分析，構建充種和投種環(huán)節(jié)的種子力學模型，確定排種盤內外環(huán)型孔排布、投種輪、氣室等關鍵結構參數(shù)，并開展單、雙氣道內負壓分布、型孔內氣流場特性分析，基于DEM-CFD耦合方法對排種器的排種過程進行仿真分析，以作業(yè)速度、氣室結構和負壓為試驗因素，充種合格指數(shù)、重充指數(shù)和漏充指數(shù)為評價指標，優(yōu)選出最優(yōu)氣室結構。通過臺架試驗開展不同氣吸式排種器排種性能對比試驗。試驗結果表明，在作業(yè)速度為5~10km/h的高速密植工況下，氣吸雙行錯置式密植精量排種器排種合格指數(shù)均大于88.7%，且作業(yè)速度為10km/h時，相較于常用單圓環(huán)氣吸式排種器合格指數(shù)提高5.5個百分點，漏播指數(shù)降低5.6個百分點；田間試驗結果表明，在作業(yè)速度為5km/h下，播種合格指數(shù)為95.7%，重播指數(shù)為1.6%，漏播指數(shù)為2.8%。提出的氣吸雙行錯置式玉米密植精量排種器在高速作業(yè)時擁有良好的排種性能，能夠滿足大豆-玉米高速精量密植播種要求。

摘要:針對花生播種向精準、高速方向發(fā)展過程中高速作業(yè)狀態(tài)下花生種子充種效果差的問題，設計了一種氣力輔助充種式花生精量排種器，重點設計了排種器排種盤結構和氣力輔助充種結構。針對顆粒尺寸大、質量大的花生種子，通過對花生種子在排種器中堆積現(xiàn)象與充種時間進行分析，得出花生高速排種充種過程需增強充種性能，從而提高充種效率。通過對花生種子進行充種原理分析，闡明花生種子充種過程中種子與排種器的運動關系與受力關系，分析充種過程影響因素。通過設計帶有導種槽的排種盤和帶有輔助吹種型孔的輔助充種結構，分析計算排種盤吸種孔、導種槽的關鍵結構參數(shù)以及輔助吹種型孔參數(shù)與排列方式。以充種合格率和充種漏充率為指標，進行三因素三水平組合試驗，對試驗結果進行多元回歸分析，以最優(yōu)目標進行優(yōu)化，確定排種盤最佳參數(shù)組合為排種器吸種負壓5.156kPa、花生高速播種機前進速度8.007km/h、擾動吹種正壓1.149kPa，此時，花生充種合格率為95.84%、漏充率為4.06%，能夠實現(xiàn)花生種子有效充種。

摘要:為解決免耕播種機高速（12~16km/h）作業(yè)時因地勢起伏造成機械振動與傳感器測量誤差導致的播種深度監(jiān)測系統(tǒng)精度降低，以及單一傳感器監(jiān)測可靠性較差的問題，研究了一種基于改進野馬算法（Improved wild horse optimizer，IWHO）優(yōu)化擴展卡爾曼濾波器（Extended Kalman filter，EKF）中關鍵參數(shù)Qsigma、Rsigma1、Rsigma2、Rsigma3的多傳感器數(shù)據(jù)融合算法（IWHO-EKF）的高速免耕播種機播種深度監(jiān)測系統(tǒng)。首先，建立以激光、超聲波與角度傳感器為多傳感器監(jiān)測單元的播種深度監(jiān)測模型；其次，通過卡爾曼濾波算法對3個單一傳感器分別濾波；最后，提出一種加入萊維飛行與高斯變異的IWHO-EKF算法，將濾波后的3個單一傳感器進行數(shù)據(jù)融合，從而解決機械振動干擾與傳感器測量誤差降低的問題，同時充分發(fā)揮多傳感器融合信息，確保免耕播種機高速作業(yè)時實現(xiàn)高精度、高可靠性播種深度實時監(jiān)測。為驗證其優(yōu)越性，通過IWHO-EKF算法與單一傳感器監(jiān)測、單一傳感器濾波和WHO-EKF算法進行仿真對比試驗與田間試驗。仿真試驗表明：基于IWHO-EKF的高速免耕播種機播種深度監(jiān)測算法平均絕對誤差為0.073cm，均方根誤差為0.090cm，相關系數(shù)為0.983，實現(xiàn)了高精度監(jiān)測，且精度相較于傳感器原始監(jiān)測值、濾波值與WHO-EKF算法均顯著提升。田間試驗結果表明：基于IWHO-EKF算法的高速免耕播種機播種深度監(jiān)測系統(tǒng)相較于3個單一傳感器監(jiān)測值，平均絕對誤差和平均均方根誤差分別降低0.063cm和0.067cm，同時平均相關系數(shù)提升0.027，該系統(tǒng)能夠提高播種深度監(jiān)測系統(tǒng)的精確性和可靠性。

摘要:針對胡麻播種機用種量大、播量變異系數(shù)大、播種不均勻的問題，基于胡麻種子物理特性和種植農(nóng)藝要求，設計一種舀種勺舌式胡麻精量穴播器。通過分析穴播器工作原理確定穴播器組成、舀種勺結構參數(shù)范圍及安裝數(shù)量；對舀種勺舀種過程和清種過程進行力學分析，確定穴播器角速度范圍；通過EDEM仿真過程得知，花紋內壁聚種斜槽在不影響舀種勺填充效果的同時，不僅可以提高仿真效率，還可以增大種子流動性，便于舀種勺充種。以穴播器角速度、舀種勺頂端過渡圓角半徑、種室隔離板高度為試驗因素，穴播器排種合格率、漏播率和重播率為試驗指標，利用EDEM離散元仿真軟件開展二次旋轉正交組合試驗，得到最優(yōu)參數(shù)組合為：穴播器角速度2.9rad/s、舀種勺頂端過渡圓角半徑2.5mm、種室隔離板高6.8mm；將該舀種勺3D打印制作進行排種性能試驗驗證，臺架試驗得到該舀種勺排種合格率、漏播率和重播率平均值分別為87.00%、6.33%、6.67%；田間試驗得到該舀種勺排種合格率為88.33%，漏播率為6.67%，重播率為5.00%；胡麻平均種植密度為50株/m2，其臺架試驗與田間試驗結果基本一致，性能滿足胡麻精量播種農(nóng)藝要求。

摘要:為了降低番茄缽苗移栽過程取缽機構對秧苗缽土根系的損傷，同時避免機械式缽苗移栽機構設計特殊取苗軌跡與姿態(tài)的優(yōu)化難題，提出了一種可與系列移栽機構配合使用的番茄缽苗探出式取缽機構，實現(xiàn)取苗各關鍵位置機構秧針以固定角度完成探出入缽、移動送苗及收回推秧工序。根據(jù)缽苗移栽取缽過程分析與設計要求，建立了探出式取缽機構力學分析模型，并獲得影響秧針扎入缽土時驅動桿受最小驅動力的因素?；贛atlab App Designer平臺開發(fā)了取缽機構計算機輔助分析設計軟件，獲得滿足番茄缽苗移栽要求的取缽機構設計參數(shù)集。采用三因素五水平二次回歸正交旋轉中心組合試驗方法，以驅動桿斜桿夾角、缽體含水率、入缽深度為試驗因素，以缽體完整率和取苗成功率為評價指標，試制樣機并搭建臺架實施參數(shù)組合優(yōu)化及驗證試驗，結果表明：探出式取缽機構可有效地配合取苗機構完成各項性能工作要求，在參數(shù)組合為驅動斜桿間夾角112°、缽體含水率57.5%、入缽深度28.4mm時作業(yè)效果最佳，缽體完整率為96.44%，取苗成功率為97.06%，滿足缽苗移栽作業(yè)性能。

摘要:目前植物工廠巖棉塊種苗移植裝備自動化程度低，作業(yè)時大多依賴于人工，勞動強度大，效率低?；谥参锕S水培葉菜種苗移植現(xiàn)狀設計了一種二級變間距的高速移植部件，并配備有一種撥指式定植杯分離輔助機構。對移植手取苗過程中巖棉塊種苗進行受力分析，為移植手設計提供依據(jù)；開展撥指式定植杯分離輔助機構落杯試驗，為后續(xù)植苗至栽培槽孔的定植杯中奠定基礎。搭建移植機構試驗平臺，以取苗深度、巖棉塊含水率、移植部件橫移速度、移植手升降速度、移植手夾苗間距為試驗因素進行五因素三水平正交試驗，通過方差分析各因素對移植成功率的影響。試驗結果表明：當取苗深度為24mm、巖棉塊含水率為90%、移植部件橫移速度為0.8m/s、移植手升降速度為0.24m/s、移植手夾苗間距為14mm時，機構移植成功率為97.9%，移植速度為3.132株/h，能夠滿足高速、高效、穩(wěn)定的植物工廠巖棉塊葉菜種苗移植機械化作業(yè)的技術需求。

摘要:為提高設施蔬菜生產(chǎn)機械化率，設計了一種雙排夾莖式取投苗裝置。利用兩個對置移栽臂上的雙排夾取爪實現(xiàn)辣椒苗循環(huán)取投苗作業(yè)，PLC控制系統(tǒng)保證取投苗裝置有序平穩(wěn)運轉。夾取爪核心部件由軟性材料和彈簧鋼片緊貼構成，其精確定位由水平和豎直運動機構實現(xiàn)。分析軟性材料厚度、辣椒苗苗齡、夾取爪氣缸壓力對取苗失敗率、運苗失敗率和投苗失敗率的影響規(guī)律，以取投成功率為優(yōu)化目標進行正交試驗，確定雙排自動取投苗裝置的最佳工作參數(shù)。試驗結果表明：當軟性材料厚度為10mm、辣椒苗苗齡為51d、夾取爪氣缸壓力為0.40MPa時，平均取投成功率達到94.6%，基本滿足蔬菜移栽作業(yè)的技術要求。

摘要:為了提高蔬菜育苗流水線育苗盤轉運效率，針對人工取盤疊放存在的勞動強度大和整齊度偏低的問題，設計了一款針對蔬菜漂浮育苗的多適應性自動疊盤裝置。該裝置由機架、育苗盤輸送機構、育苗盤疊盤機構和控制系統(tǒng)組成，裝置以200Smart PLC為控制核心，利用主副傳送帶實現(xiàn)育苗盤的輸送，并結合光電傳感器實現(xiàn)育苗盤的定位，可以完成不同尺寸泡沫育苗盤的自動疊盤，設計的水平調節(jié)單元和減振單元可實現(xiàn)育苗盤在疊盤機構上的水平位置調節(jié)并降低疊盤過程的振動沖擊。試驗結果表明，育苗流水線播種環(huán)節(jié)在生產(chǎn)率450盤/h下，自動疊盤裝置在減振彈簧線徑為1.5mm、主副傳送帶速度差為0.1m/s以及電缸升降速度為0.13m/s時，200孔穴育苗盤疊盤效果最佳，疊盤成功率為100%，疊盤錯位差方差為2.32mm2，同時振動檢測試驗中育苗盤X軸、Y軸、Z軸方向的振幅均未超過0.8mm，更換135、160孔穴的泡沫育苗盤進行試驗，疊盤成功率均為100%，疊盤錯位差方差分別為3.94mm2和5.98mm2，說明該裝置滿足多適應性的要求。在此最優(yōu)作業(yè)參數(shù)下，將育苗流水線播種環(huán)節(jié)生產(chǎn)率提升至900盤/h時，育苗盤最大振幅為0.709mm，振幅無明顯變化，說明該裝置作業(yè)穩(wěn)定性較好。該研究結果可為播種流水線疊盤裝置提高疊盤效果和降低疊盤振動等研究提供參考。

摘要:針對機收殘膜混合物資源化利用困難、現(xiàn)有粉碎與揉絲裝置處理的殘膜混合物不滿足白星花金龜幼蟲適口性等問題，設計了一種殘膜混合物粉碎揉絲裝置，利用粉碎揉絲技術對殘膜混合物進行加工處理以滿足白星花金龜幼蟲的適口性。該裝置主要由粉碎裝置、輸送裝置和揉絲裝置等組成，通過對殘膜混合物粉碎、揉絲裝置作業(yè)過程進行運動學與動力學分析確定了各零部件的結構參數(shù)與工作參數(shù)。為了驗證殘膜混合物粉碎揉絲裝置的作業(yè)性能，以粉碎輥轉速、揉絲輥轉速與揉絲輥間隙作為試驗因素，殘膜破碎合格率、棉稈粉碎長度合格率、棉稈揉絲率為試驗指標進行三因素三水平二次回歸響應面試驗，建立了回歸模型，分析了各因素對殘膜混合物粉碎揉絲裝置作業(yè)性能的影響，并進行了參數(shù)優(yōu)化與試驗驗證。試驗結果表明：影響殘膜破碎合格率和棉稈粉碎長度合格率的因素大小順序為粉碎輥轉速、揉絲輥間隙、揉絲輥轉速；影響棉稈揉絲率的因素大小順序為揉絲輥間隙、揉絲輥轉速、粉碎輥轉速。優(yōu)化后最優(yōu)工作參數(shù)組合為：粉碎輥轉速13.0r/min、揉絲輥轉速60.0r/min、揉絲間隙1.6mm。以此參數(shù)組合進行試驗，得到殘膜破碎合格率、棉稈粉碎長度合格率和棉稈揉絲率平均值分別為90.4%、92.6%、92.2%，與理論優(yōu)化值相對誤差不超過2.0%，研究結果可為殘膜混合物粉碎揉絲裝置的設計提供參考。

摘要:設計了基于頂芽智能識別的棉花化學打頂系統(tǒng)，為實現(xiàn)精準作業(yè)，合理高效使用棉花化學打頂藥劑，以減少因化學打頂劑的過度使用造成的環(huán)境污染。該系統(tǒng)主要由棉花頂芽識別系統(tǒng)、控制系統(tǒng)和噴施系統(tǒng)組成。采用YOLO v5s算法構建棉花頂芽識別模型?？刂葡到y(tǒng)采用STM32F407單片機，負責接收識別系統(tǒng)的信號，并對各個棉花打頂劑管道進行控制。同時，顯示界面能夠實時顯示機具行駛速度、藥液流量、打頂劑液位等參數(shù)。試驗結果表明，在田間全天光照試驗中，上午和下午時間段識別效果最優(yōu)；在速度0.4m/s下，平均識別率約為94%；信號發(fā)送區(qū)間為100mm時，成功向下位機發(fā)送信號的成功率達到92%；田間對靶噴施試驗表明，有效噴施率為94%，滿足作業(yè)要求。

摘要:為揭示超聲技術應用于簇生番茄切割采收的機理及優(yōu)勢，比較了簇生番茄果梗材料在常規(guī)切割和超聲切割中的切割力和去除特性。首先測定了簇生番茄果梗和自制超聲切割刀的參數(shù)，然后基于Abaqus進行仿真，將果梗纖維化，在宏觀和微觀仿真中對比常規(guī)切割和超聲切割過程中的應力及去除機理。最后，自制試驗臺，通過改變超聲切割刀的激振頻率、輸入電壓、切割速度和切割角度進行切割力測定試驗并采用響應面法的Box-Behnken進行四因素三水平分析，隨后觀察果梗斷面形貌。結果表明：在自制超聲刀工作頻率（35~37kHz）和電壓（340~380V）內, 切割速度、角度對切割效果影響最顯著，激振頻率和輸入電壓在特定值附近時切割效果最好；在36kHz、360V、0.125cm/s、0°的條件下，仿真中超聲切割耗時約為8s，平均最大切割力為0.635N，相對于常規(guī)切割（1.019N）降低37.7%；試驗中超聲切割耗時約為5.3s，所需切割力最大為0.543N，相較于常規(guī)最大切割力（1.017N）降低46.6%，同時表面粗糙度降低20.9%，試驗與有限元仿真的切割力結果誤差為8.9%，基本吻合。超聲切割可以降低切割力，縮短切割耗時，同時還提高斷面質量，減少果梗組織損傷、水分散失，對延長果實保鮮時間具有一定的意義。

摘要:液力透平作為一種液體余壓能回收裝置，在小水電建設和能量回收領域得到廣泛應用，但其內部能量損失特性不清。以兩級徑流式液力透平為研究對象，基于熵產(chǎn)理論和Omega渦識別準則分析了各過流部件內能量耗散機理。結果表明：速度脈動和壁面效應是能量損失的主要來源，設計工況下二者總占比為98.03%。葉輪和導葉是透平內能量耗散的主要區(qū)域；小流量工況，葉輪損失占比較高；大流量工況下，導葉損失占比較高。葉輪內的能量損失源于葉片前緣分離渦、吸力面回流渦以及葉片尾緣渦等不穩(wěn)定流動現(xiàn)象，而相對液流角與葉片進口安放角的不匹配是導致葉輪內產(chǎn)生不穩(wěn)定流動的根本原因；在導葉和導葉Ⅱ-反導葉中，不同流量下導致其能量耗散的因素基本保持一致，葉片前緣失速渦和流動分離等劣態(tài)流動引起的動量交換是導致能量損失的主要原因。環(huán)形吸水室內流動的非對稱性導致導葉Ⅰ各流道內熵產(chǎn)率分布不均勻，而導葉Ⅱ-反導葉通過正導葉的整流減小了沖擊效應，各流道內熵產(chǎn)率分布均勻且高熵區(qū)較小。

摘要:為了提高冬小麥單產(chǎn)估測精度，改善估產(chǎn)模型存在的高產(chǎn)低估和低產(chǎn)高估等現(xiàn)象，以陜西省關中平原為研究區(qū)域，選取旬尺度條件植被溫度指數(shù)（VTCI）、葉面積指數(shù)（LAI）和光合有效輻射吸收比率（FPAR）為遙感特征參數(shù)，結合卷積神經(jīng)網(wǎng)絡（CNN）局部特征提取能力和基于自注意力機制的Transformer網(wǎng)絡的全局信息提取能力，構建CNN-Transformer深度學習模型，用于估測關中平原冬小麥產(chǎn)量。與Transformer模型（R2為0.64，RMSE為465.40kg/hm2，MAPE為8.04%）相比，CNN-Transformer模型具有更高的冬小麥單產(chǎn)估測精度（R2為0.70，RMSE為420.39kg/hm2，MAPE為7.65%），能夠從遙感多參數(shù)中提取更多與產(chǎn)量相關的信息，且對于Transformer模型存在的高產(chǎn)低估和低產(chǎn)高估現(xiàn)象均有所改善?；?折交叉驗證法和留一法進一步驗證了CNN-Transformer模型的魯棒性和泛化能力。此外，基于CNN-Transformer模型捕獲冬小麥生長過程的累積效應，分析逐步累積旬尺度輸入?yún)?shù)對產(chǎn)量估測的影響，評估模型對于冬小麥不同生長階段的累積過程的表征能力。結果表明，模型能有效捕捉冬小麥生長的關鍵時期，3月下旬至5月上旬是冬小麥生長的關鍵時期。

摘要:針對高光譜圖像(Hyperspectral image，HSI)分類研究中小樣本學習時，無法達到理想分類效果的問題，以多注意力機制融合、編譯圖神經(jīng)網(wǎng)絡與卷積神經(jīng)網(wǎng)絡有機結合提出了一種新的高光譜圖像分類方法。設計了一種基于混合注意力機制的網(wǎng)絡(Multiple mixed attention convolutional neural network,MCNN)與編譯圖神經(jīng)網(wǎng)絡（Compiled graph neural network,CGNN）,在學習樣本有限的情況下，其能有效保留HSI的光譜與空間信息。引入的圖編碼器與圖解碼器可以有效地映射不規(guī)則的HSI地物類別特征信息。設計的多注意力機制可以重點關注一些重要的空間像素特征。研究了不同訓練樣本下對不同算法學習示例分類的影響，在公共數(shù)據(jù)集Botswana (BS)的實驗表明，本文方法比CEGCN(CNN-enhanced graph convolutional network)、WFCG(Weighted feature fusion of convolutional neural network)算法總體分類精度(Overall classification accuracy,OA)分別高2.72、3.86個百分點。同樣在IndianPines(IP)數(shù)據(jù)集上僅用3%訓練樣本數(shù)據(jù)的實驗結果顯示，本研究方法比CEGCN與WFCG算法的OA分別高0.44、1.42個百分點。說明本研究提出的方法不僅對HSI具有良好的空間與光譜信息感知能力，而且在微小學習數(shù)據(jù)下仍然表現(xiàn)出強有力的分類準確性。

摘要:為準確獲取柑橘果園空間分布信息，實現(xiàn)柑橘種植結構調整、產(chǎn)量估算和資源管理，以贛南3個柑橘種植主產(chǎn)區(qū)（信豐縣、安遠縣及尋烏縣）為研究區(qū)域，針對南方地區(qū)多云多雨導致傳統(tǒng)光學影像較為缺乏的問題，使用Sentinel系列數(shù)據(jù)和PIE-Engine平臺，構建和優(yōu)選了光譜特征、植被水體指數(shù)特征、紅邊波段特征和紋理特征，并引入時間序列Sentinel-1合成孔徑雷達（SAR）數(shù)據(jù)的后向散射系數(shù)，共同探討不同特征組合對柑橘種植園的識別提取效果，基于隨機森林算法并融合Sentinel-2與時序Sentinel-1 SAR特征識別提取了贛南柑橘種植區(qū)。結果表明：5、9、11月柑橘種植園與其他地物的平均后向散射系數(shù)分離性最佳，是識別提取柑橘的關鍵時期；指數(shù)特征及紋理特征參與分類改善了分類效果且提高了分類精度；相較于單一SAR特征及指數(shù)、紋理特征，加入時序SAR特征的分類結果中總體精度達90.084%，Kappa系數(shù)達0.863，錯分、漏分誤差較小，符合實際地物分布情況，說明了時序SAR特征的可用性和實用性。本研究可為多云多雨的南方柑橘果園的識別提取提供參考。

摘要:農(nóng)業(yè)監(jiān)測智慧化需要實時、高效、可靠的視頻數(shù)據(jù)處理和傳輸方案，為了解決傳統(tǒng)基于CPU和GPU架構的系統(tǒng)速率低、實時性差的問題，設計了基于Zynq架構的PCIe級聯(lián)網(wǎng)口的高速傳輸系統(tǒng)。針對PCIe接口開發(fā)，在硬件層面，優(yōu)化配置 XDMA IP核參數(shù)，完成接口的數(shù)據(jù)收發(fā)引擎設計，并基于MIG 7 IP核優(yōu)化配置了DDR緩存區(qū)。在軟件層面，基于PCIe驅動，調度VLC軟件完成視頻數(shù)據(jù)讀取，實現(xiàn)板卡和上位機之間數(shù)據(jù)的快速收發(fā)和流暢播放。針對網(wǎng)口協(xié)議棧的實現(xiàn)，利用ARM可編程特性，調度LWIP輕量級協(xié)議棧，完成TCP協(xié)議的開發(fā)，實現(xiàn)了網(wǎng)口的數(shù)據(jù)快速收發(fā)，避免了上位機CPU直接處理網(wǎng)絡協(xié)議的時延和運算開銷。此外調度AXI協(xié)議完成PCIe接口和網(wǎng)口的高速連通。在Zynq MZ7030FA平臺上傳輸視頻文件對系統(tǒng)進行速率和可靠性實測。結果表明：網(wǎng)口傳輸速率達800Mb/s，基本實現(xiàn)了千兆以太網(wǎng)；PCIe接口的最高傳輸速率達816MB/s，逼近硬件PCIe 2.0 x2的最高速率，且整個系統(tǒng)在應用層上實現(xiàn)了可靠傳輸。本文的研究為農(nóng)業(yè)監(jiān)測視頻傳輸應用提供了高效可靠的解決方案，且系統(tǒng)具有較好的擴展性和推廣性。

摘要:面向綠熟番茄采后持續(xù)轉熟特征，適時調溫是滿足不同成熟度番茄適宜貯運溫度需求的關鍵，而果實成熟度自動識別與動態(tài)預測則是實現(xiàn)溫度適時調控的基礎條件。本文基于Swin Transformer與改進GRU提出了一種番茄成熟度識別與時序動態(tài)預測模型，首先通過融合番茄兩側圖像獲取番茄表觀全局紅色總占比，構建不同成熟番茄圖像數(shù)據(jù)集，并基于遷移學習優(yōu)化Swin Transformer模型初始權重配置，實現(xiàn)番茄成熟度分類識別；其次，周期性采集不同儲藏溫度（4、9、14℃）下番茄圖像數(shù)據(jù)，結合番茄初始顏色特征與貯藏環(huán)境信息，構建基于Swin Transformer與GRU的番茄成熟度時序預測模型，并融合時間注意力模塊優(yōu)化模型預測精度；最后，對比分析不同模型預測結果，驗證本研究所提模型的準確性與優(yōu)越性。結果表明，番茄成熟度正確識別率為95.783%，相比VGG16、AlexNet、ResNet50模型，模型正確識別率分別提升2.83%、3.35%、12.34%。番茄成熟度時序預測均方誤差（MSE）為0.225，相比原始GRU、LSTM、BiGRU模型MSE最高降低29.46%。本研究為兼顧番茄成熟度實現(xiàn)貯藏溫度柔性適時調控提供了關鍵理論基礎。

摘要:密集蘑菇簇會嚴重影響蘑菇質量和自動采摘成功率。為避免形成超密集蘑菇簇，提出一種蘑菇生長狀態(tài)時空預測算法，對蘑菇生長狀態(tài)進行預測以指導提前疏蕾。該算法采用編碼器-預測器框架，將歷史序列圖像轉換為3D張量序列作為模型的輸入；編碼器網(wǎng)絡中將卷積和長短時記憶（Long short term memory，LSTM）網(wǎng)絡融合實現(xiàn)對蘑菇生長的時空相關性特征的提取；在預測網(wǎng)絡中加入擴散模型以解決預測圖像的模糊問題；此外，在損失函數(shù)中增加了蘑菇面積差異損失函數(shù)來進一步減小預測蘑菇與實際蘑菇的形狀和位置偏差。實驗結果表明，本文算法峰值信噪比可達35.611dB、多層級結構相似性為 0.927、蘑菇預測準確性高達0.93，有效提高了蘑菇生長狀態(tài)圖像預測質量和精度，為食用菌生長預測提供了一種新思路。

摘要:針對自然果園環(huán)境下蘋果果實識別中，傳統(tǒng)的目標檢測算法往往很難在檢測模型的檢測精度、速度和輕量化方面實現(xiàn)平衡，提出了一種基于改進YOLO v7的輕量化蘋果檢測模型。首先，引入部分卷積（Partial convolution，PConv）替換多分支堆疊模塊中的部分常規(guī)卷積進行輕量化改進，以降低模型的參數(shù)量和計算量；其次，添加輕量化的高效通道注意力（Efficient channel attention，ECA）模塊以提高網(wǎng)絡的特征提取能力，改善復雜環(huán)境下遮擋目標的錯檢漏檢問題；在模型訓練過程中采用基于麻雀搜索算法（Sparrow search algorithm，SSA）的學習率優(yōu)化策略來進一步提高模型的檢測精度。試驗結果顯示：相比于YOLO v7原始模型，改進后模型的精確率、召回率和平均精度分別提高4.15、0.38、1.39個百分點，其參數(shù)量和計算量分別降低22.93%和27.41%，在GPU和CPU上檢測單幅圖像的平均用時分別減少0.003s和0.014s。結果表明，改進后的模型可以實時準確地識別復雜果園環(huán)境中的蘋果，模型參數(shù)量和計算量較小，適合部署于蘋果采摘機器人的嵌入式設備上，為實現(xiàn)蘋果的無人化智能采摘奠定了基礎。

摘要:花椒樹產(chǎn)果量大，枝干縱橫交錯，樹葉茂密，給花椒的自動化采摘帶來了困難。因此，本文設計一種基于改進YOLO v5的復雜環(huán)境下花椒簇的快速識別與定位方法。通過在主干提取網(wǎng)絡CSPDarknet的CSPLayer層和Neck的上采樣之后增加高效通道注意力ECA（Efficient channel attention）來簡化CSPLayer層的計算量，提升了特征提取能力。同時在下采樣層增加協(xié)同注意力機制CA（Coordinate attention），減少下采樣過程中信息的損失，強化特征空間信息，配合熱力圖(Grad-CAM)和點云深度圖，來完成花椒簇的空間定位。測試結果表明，與原YOLO v5相比較，改進的網(wǎng)絡將殘差計算減少至1次，保證了模型輕量化，提升了效率。同幀數(shù)區(qū)間下，改進后的網(wǎng)絡精度為96.27%，對比3個同類特征提取網(wǎng)絡YOLO v5、YOLO v5-tiny、Faster R-CNN，改進后網(wǎng)絡精確度P分別提升5.37、3.35、15.37個百分點，連株花椒簇的分離識別能力也有較大提升。實驗結果表明，自然環(huán)境下系統(tǒng)平均識別率為81.60%、漏檢率為18.39%，能夠滿足花椒簇識別要求，為移動端部署創(chuàng)造了條件。

摘要:傳統(tǒng)茶葉病害分類主要依賴人工方法，此類方法費工費時，同時茶葉病害樣本較少使得現(xiàn)有的機器學習方法的模型訓練不充分，病害分類準確率不夠高。針對茶炭疽病、茶黑煤病、茶餅病和茶白星病4類病害，提出一種基于雙節(jié)點-雙邊圖神經(jīng)網(wǎng)絡的茶葉病害分類方法。首先通過兩分支卷積神經(jīng)網(wǎng)絡提取RGB茶葉病害特征和灰度茶葉病害特征，兩分支均采用ResNet12作為骨干網(wǎng)絡，參數(shù)獨立不共享，兩類特征作為圖神經(jīng)網(wǎng)絡的兩個子節(jié)點，以獲得不同域樣本所包含的病害信息；其次構建相對度量邊和相似性邊兩類邊，從而強化節(jié)點對相鄰節(jié)點所含病害特征的聚合能力。最后，經(jīng)過雙節(jié)點特征和雙邊特征更新模塊，實現(xiàn)雙節(jié)點和雙邊交替更新，提高邊特征對節(jié)點距離度量的準確性，從而實現(xiàn)訓練樣本較少條件下對茶葉病害的準確分類。本文方法和小樣本學習方法進行了對比實驗，結果表明，本文方法獲得更高的準確率，在miniImageNet和PlantVillage數(shù)據(jù)集上5way-1shot的準確率分別達到69.30%和88.42%，5way-5shot準確率分別為82.48%和93.04%。同時在茶葉數(shù)據(jù)集TeaD-5上5way-1shot和5way-5shot準確率分別達到84.74%和86.34%。

摘要:針對蘋果園害蟲識別過程中的粘連問題，提出了一種基于形色篩選的害蟲粘連圖像分割方法。首先，采集蘋果園害蟲圖像，聚焦于羽化害蟲。害蟲在羽化過程中已完成大部分生長發(fā)育，其外部形態(tài)、顏色、紋理更為穩(wěn)定顯著。因此，基于不同種類害蟲的形色特征信息分析，來獲取害蟲HSV分割閾值和模板輪廓。其次，利用形狀因子判定分割粘連區(qū)域，通過顏色分割法和輪廓定位分割法來實現(xiàn)非種間與種間粘連害蟲的分割。最后，對采集的蘋果園害蟲圖像進行了試驗分析，采用基于形色篩選的分割法對單個害蟲進行分割，結果表明，本文方法的平均分割率、平均分割錯誤率和平均分割有效率分別為101%、3.14%和96.86%，分割效果優(yōu)于傳統(tǒng)圖像分割方法。此外，通過預定義的顏色閾值，本文方法實現(xiàn)了棉鈴蟲、桃蛀螟與玉米螟的精準分類，平均分類準確率分別為97.77%、96.75%與96.83%。同時，以Mask R-CNN模型作為識別模型，平均識別精度作為評價指標，分別對已用本文方法和未用本文方法分割的害蟲圖像進行識別試驗。結果表明，已用本文方法分割的棉鈴蟲、桃蛀螟和玉米螟害蟲圖像平均識別精度分別為96.55%、94.80%與95.51%，平均識別精度分別提高16.42、16.59、16.46個百分點。這表明該方法可為果園害蟲精準識別提供理論和方法基礎。

摘要:為實現(xiàn)茶葉病害精準分類，針對茶葉病害圖像分類中小樣本問題及類別分布不均的問題，提出了一種基于遷移學習的SimAM-ConvNeXt-FL模型的病害圖像分類方法。首先在ConvNeXt模型中加入SimAM模塊，以加強復雜特征的提取。其次針對樣本分布不均問題，將Focal Loss函數(shù)作為訓練過程中的損失函數(shù)，通過增加數(shù)量較少樣本的權重來減小樣本分布不均的影響。最后使用SimAM-ConvNeXt-FL模型對Plant Village數(shù)據(jù)集訓練，將訓練得到的參數(shù)遷移到實測的茶葉病害圖像上并進行微調，減少過擬合帶來的影響，設置消融實驗證明模型改進的有效性，并與不同分類模型（AlexNet、VGG16、ResNet34模型）分別進行對比實驗。實驗結果表明，SimAM-ConvNeXt-FL模型識別效果最佳，準確率達96.48%， SimAM-ConvNeXt-FL模型較原ConvNeXt模型在茶煤病、茶藻斑病、茶炭疽病、健康葉片和茶白星病的F1值分別提高4.46、3.76、0.43、0.22、5.23個百分點。結果表明本文提出的模型具有較高的分類準確率與較強的泛化性，可推進茶葉病害分類工作發(fā)展。

摘要:奶牛身體部位的精準分割廣泛應用于奶牛體況評分、姿態(tài)檢測、行為分析及體尺測量等領域。受奶牛表面污漬和遮擋等因素的影響，現(xiàn)有奶牛部位精準分割方法實用性較差。本研究在YOLO v8n-seg模型的基礎上，加入多尺度融合模塊與雙向跨尺度加權特征金字塔結構，提出了YOLO v8n-seg-FCA-BiFPN奶牛身體部位分割模型。其中，多尺度融合模塊使模型更好地提取小目標幾何特征信息，雙向跨尺度加權特征金字塔結構實現(xiàn)了更高層次的特征融合。首先在奶牛運動通道處采集奶牛側面圖像作為數(shù)據(jù)集，為保證數(shù)據(jù)集質量，采用結構相似性算法剔除相似圖像，共得到1452幅圖像。然后對目標奶牛的前肢、后肢、乳房、尾部、腹部、頭部、頸部和軀干8個部位進行標注并輸入模型訓練。測試結果表明，模型精確率為96.6%，召回率為94.6%，平均精度均值為97.1%，參數(shù)量為3.3×106，檢測速度為6.2f/s。各部位精確率在90.3%~98.2%之間，平均精度均值為96.3%。與原始YOLO v8n-seg相比，YOLO v8n-seg-FCA-BiFPN的精確率提高3.2個百分點，召回率提高2.6個百分點，平均精度均值提高3.1個百分點，改進后的模型在參數(shù)量基本保持不變的情況下具有更強的魯棒性。遮擋情況下該模型檢測結果表明，精確率為93.8%，召回率為91.67%，平均精度均值為93.15%。結果表明，YOLO v8n-seg-FCA-BiFPN網(wǎng)絡可以準確、快速地實現(xiàn)奶牛身體部位精準分割。

摘要:在水產(chǎn)養(yǎng)殖中，水質參數(shù)與魚類活動之間有著密不可分的相互映射關系。過去的監(jiān)測更多偏向于單向映射，一般都是通過魚類的行為表明水質的情況。針對僅僅通過魚類行為反映水質情況會產(chǎn)生誤判和滯后的問題，本文構建一種基于隨機森林的魚類行為與水質情況雙向映射模型。雙向映射模型不僅可以提供更多的信息從而提高預測的準確性，而且也可以通過相互驗證提高模型的可靠性。首先，通過引入可變形卷積模塊對YOLO v7進行改進，利用改進模型檢測出視頻中魚類的位置再通過前后幀的坐標量化出魚的游動參數(shù)。隨后，將采集到的魚類游動參數(shù)及對應的水質參數(shù)作為輸入，使用隨機森林模型進行分類、回歸，分別完成魚類游動參數(shù)和水質參數(shù)具體數(shù)值的預測以及指標異常級別的預測，從而得到雙向映射關系。為了表明模型的泛化能力，分別在黎安港和新村港漁場2個數(shù)據(jù)集下進行實驗。實驗結果表明：提出的方法可以較好地實現(xiàn)魚類行為與水質關系的雙向映射，其中，分類實驗平均準確率可以達到90.947%，回歸實驗決定系數(shù)R2的平均值可以達到0.801。

摘要:水-能源-糧食系統(tǒng)存在相互依存、相互制約的復雜關系，量化該系統(tǒng)的相互關系，對于合理配置和協(xié)調利用水、能源和糧食資源，促進區(qū)域社會經(jīng)濟的可持續(xù)發(fā)展具有重要意義。本文運用能源和糧食生產(chǎn)水足跡模型、競爭指數(shù)模型、脫鉤理論及錫爾指數(shù)等方法，核算分析了四川省2009—2019年能源和糧食生產(chǎn)水足跡及其時空變化特征，以及能源和糧食生產(chǎn)對水的競爭關系，探究了水足跡和地區(qū)生產(chǎn)總值的內在聯(lián)系。研究結果表明：能源和糧食生產(chǎn)水足跡均呈上升趨勢。能源生產(chǎn)藍水足跡年均值為5.45×109m3，占能源生產(chǎn)水足跡的93.76%；糧食生產(chǎn)藍水足跡年均值為1.06×1010m3，占糧食生產(chǎn)水足跡的26.02%，綠水足跡的貢獻率超過藍水足跡和灰水足跡之和，占比53.06%。四川省能源和糧食生產(chǎn)對水的競爭指數(shù)呈上升趨勢，增幅為42.69%。由于川西北生態(tài)示范區(qū)和攀西經(jīng)濟區(qū)等地區(qū)兼顧糧食和水電生產(chǎn)，其競爭指數(shù)明顯高于其他地區(qū)。四川省水足跡和地區(qū)生產(chǎn)總值的脫鉤關系為弱脫鉤，處于相對協(xié)調發(fā)展狀態(tài)，說明經(jīng)濟發(fā)展對用水量的控制狀態(tài)相對較好；水足跡強度總差異呈擴張趨勢，說明四川省用水效率不均衡性逐漸擴大，但研究后期有所下降，發(fā)展逐漸趨同。該研究可為四川省水資源調配、能源開發(fā)和糧食生產(chǎn)提供建議，也可為該地區(qū)優(yōu)化經(jīng)濟發(fā)展方式以及用水效率的協(xié)同發(fā)展提供參考。

摘要:農(nóng)業(yè)面源污染是我國水環(huán)境保護面臨的重要問題，風險評價對于農(nóng)業(yè)面源污染防治具有重要意義。本研究以河南省為研究區(qū)域，采用層次分析法的分級賦值方法，基于熵值法和專家打分確定各影響因子權重，構建河南省氮素農(nóng)業(yè)面源污染風險多因子綜合評價模型，計算河南省氮素農(nóng)業(yè)面源污染風險指數(shù)并在流域尺度上進行驗證，劃分氮素農(nóng)業(yè)面源污染的風險等級并識別關鍵管控區(qū)。結果表明：種植源、養(yǎng)殖源和生活源分別貢獻河南省31.52%、38.47%和30.01%的氮素流失負荷，流失負荷呈現(xiàn)為西低，中、東部高的特點。河南省有39.429km2的區(qū)域存在中風險，約占河南省總面積的23.61%，有17.318km2的區(qū)域存在高風險，約占總面積的10.37%；劃定距河流2km以內的中、高風險區(qū)為一般管控區(qū)和重點管控區(qū)，面積分別為10.982km2和9.285km2。通過與同期水質自動監(jiān)測數(shù)據(jù)進行相關分析，決定系數(shù)為0.82，表明模型模擬結果具有較高的精準度。綜合結果表明，建立的多因子綜合評價模型具有科學性和準確性，可用于氮素農(nóng)業(yè)面源污染風險的識別。

摘要:長江下游稻麥輪作區(qū)農(nóng)田排水是區(qū)域面源污染的主要來源，明確農(nóng)田排水與氮素流失特征對于區(qū)域農(nóng)業(yè)生產(chǎn)可持續(xù)發(fā)展與生態(tài)環(huán)境保護具有重要意義。現(xiàn)有稻麥輪作農(nóng)田排水與氮素流失研究中，一般采用農(nóng)田測筒觀測地表徑流與深層滲漏量來估算農(nóng)田氮素流失量，這與農(nóng)田土壤水分與氮素主要通過側向徑流進入農(nóng)田排水系統(tǒng)的實際情況存在偏差。本文基于4年的大田監(jiān)測數(shù)據(jù)，運用田間水文水質模型DRAINMOD-N〖KG-*3〗Ⅱ，模擬研究了不同氣象條件下稻麥輪作農(nóng)田排水與氮素流失規(guī)律。結果表明，稻麥輪作周年內，由排水造成的氮素流失量多年平均值為28.4kg/hm2，占施肥量的6.0%，其中大部分集中在稻季，平均為25.6kg/hm2，麥季氮素流失量僅為2.8kg/hm2。與現(xiàn)有文獻報道值相比，本文模擬得出的排水總量高35.4%，氮素流失總量則低44.6%；差異主要來自麥作期，文獻報道平均值（31.8kg/hm2）是本文的11倍，估算方法不同可能是造成這一差異大的主要原因。結合降雨規(guī)律分析發(fā)現(xiàn)，農(nóng)田排水量和氮素流失量與降雨變化關系顯著（決定系數(shù)R2>0.56），三者相對增量的變化規(guī)律幾乎一致；在降雨頻率為20%~80%的年份內，氮素流失量相對穩(wěn)定，維持在均值的0.8~1.2倍之間；只有在重現(xiàn)期大于5年的干旱或濕潤年份，氮素流失量才會出現(xiàn)較大變化。因此，通過排灌控制措施穩(wěn)定農(nóng)田水文過程是有效控制農(nóng)田排水氮素流失的關鍵。

摘要:通過盆栽試驗，采用太陽能供電方式，探究在干濕交替的水分條件下，水稻種植過程中極性交換電場輔助植物修復(EKPR)土壤重金屬鎘（Cd）污染的可行性?？刂乒喔葪l件下，兩電極板附近的土壤區(qū)域種植水稻作物，中間土壤區(qū)域種植水蔥作富集植物。結果表明，交換電極使電解水反應產(chǎn)生的氫離子（H+）和氫氧根離子（OH-）不斷被中和，有效避免了土壤pH值極化。土壤電流變化范圍為0.08~0.36A，說明極性交換和較高的土壤含水率有效確保土壤中的可遷移離子數(shù)量和離子流動性，能夠驅動重金屬遷移。與對照處理（CK）相比，EKPR處理水蔥根部干物質量顯著增加34.93%；水稻根部和稻谷干物質量顯著降低17.21%~30.16%、16.18%~22.28%，葉片和莖部干物質量分別提高3.82%~13.17%、7.59%~30.91%。EKPR處理水蔥根部、地上部Cd含量分別提高15.49%~22.45%、33.30%~35.45%；水稻根部、稻谷Cd含量分別降低14.48%~35.06%、39.04%~57.43%。極性交換電場輔助植物修復技術可提高水蔥對Cd的富集量，同時降低水稻對Cd的富集量，與CK處理相比，EKPR處理水蔥Cd生物富集量顯著增加46.48%，水稻Cd生物富集量顯著降低24.75%。試驗結束后，水稻根系附近的土壤Cd含量下降16.33%~19.14%。研究結果表明，在控制灌溉水稻種植過程中，極性交換電場輔助植物修復是一種可行的修復手段，在作物生產(chǎn)過程中利用電動修復和植物修復實現(xiàn)土壤凈化，具有良好的應用前景和現(xiàn)實意義。

摘要:在干旱、半干旱地區(qū)農(nóng)業(yè)生產(chǎn)中，廣泛采用接種根瘤菌、施用氮素等措施來促進大豆生長以提高產(chǎn)量，然而少有研究討論接種根瘤菌與施用氮素的交互作用對大豆生長和產(chǎn)量的影響規(guī)律。本研究通過為期2年的田間試驗，設置4個施氮水平（N0：0kg/hm2；N1: 60kg/hm2；N2: 120kg/hm2；N3: 180kg/hm2）和2種接種水平，即接種根瘤菌（R）和清水拌種。在大豆各生育期測量根瘤數(shù)、根瘤干質量、葉面積指數(shù)、干物質積累及根系特性等大豆生長指標和葉綠素含量、光合參數(shù)、熒光參數(shù)等生理指標，同時還測定氮素吸收量等指標并計算氮素利用效率。結果表明，RN2處理下的大豆生長狀況最佳，2年平均最大根瘤數(shù)為241.47、最大根瘤干質量為1.30g、最大根長密度為 15.00cm/cm3、最大葉面積指數(shù)為5.44cm2/cm2、最大干物質積累量為17530.51kg/hm2、最大葉綠素含量為53.55、最大凈光合速率為32.75μmol/(m2·s)、最大種子產(chǎn)量為4659.4kg/hm2。由此可見減少氮肥施用量（N2）的同時接種根瘤菌（R）對于促進關中平原大豆的生理生長、提升對氮素的利用效率、提高大豆產(chǎn)量具有重要意義。本研究可為提高干旱半干旱地區(qū)大豆生產(chǎn)水平提供理論支持和實踐經(jīng)驗。

摘要:當前工廠化食用菌生產(chǎn)菇房空調控制方法存在節(jié)能效率低、室內溫度波動大等問題，提出了一種基于卷積神經(jīng)網(wǎng)絡（Convolutional neural network, CNN）、門控循環(huán)單元神經(jīng)網(wǎng)絡（Gated recurrent unit neural network, GRU）與注意力機制（Attention）的菇房空調節(jié)能控制方法。該方法以CNN-GRU-Attention組合神經(jīng)網(wǎng)絡為預測模型，結合預測誤差補償和預測模型數(shù)據(jù)集動態(tài)更新機制，實現(xiàn)對菇房室內溫度精準預測；建立以空調控制量為狀態(tài)量的目標函數(shù)，分別利用熵權法、主觀法明確目標函數(shù)權重系數(shù)，運用帶精英策略的快速非支配排序遺傳算法(Non-dominated-sorting genetic algorithm Ⅱ, NSGA-Ⅱ)求解出空調在控制時域內最優(yōu)控制序列，集成滾動優(yōu)化和反饋機制，實現(xiàn)菇房環(huán)境的精準及節(jié)能控制。試驗結果表明，提出的CNN-GRU-Attention菇房室內溫度預測模型，以歷史30min數(shù)據(jù)預測未來10min室內溫度效果最好，選取的典型日內預測最大均方根誤差為0.122℃、最小決定系數(shù)為0.807、最大平均絕對百分比誤差為0.611%；菇房空調模型預測控制方法對天氣波動具有較好的抗干擾能力。與閾值開關法和PID法相比，在空調節(jié)能方面，能耗分別減少21%和14%；在控制溫度精度方面，RMSE可分別降低72%、46%。

摘要:隨著基于區(qū)塊鏈的農(nóng)產(chǎn)品溯源系統(tǒng)迅速發(fā)展，區(qū)塊鏈查詢能力面臨著巨大挑戰(zhàn)。對于供應鏈參與方來說，區(qū)塊鏈中保存的數(shù)據(jù)多為編碼或序列化的數(shù)據(jù)，使得供應鏈參與方的審計和監(jiān)督等存在多條件查詢的工作變得十分困難。通常情況下，原生區(qū)塊鏈并未提供滿足多條件查詢的查詢方式。因此，為了實現(xiàn)多條件查詢并提高查詢效率，本研究提出一種農(nóng)產(chǎn)品溯源數(shù)據(jù)多條件查詢優(yōu)化方法。首先，該方法采用一種優(yōu)化的Merkle樹結構（n-Tree）對交易信息進行重構，從而提供更高效的條件驗證能力。其次，通過自適應多條件區(qū)塊布隆過濾器判斷交易信息中查詢條件的存在性，進而快速過濾區(qū)塊。最后，提出一種應用TWTN-Heap（Time weight and transaction number based heap）結構的索引構建方法，以區(qū)塊權重為序構建主條件相關的區(qū)塊號索引列表。產(chǎn)品數(shù)據(jù)的查詢過程包括遍歷區(qū)塊號索引列表、過濾非相關區(qū)塊以及驗證特定查詢條件，從而獲得條件查詢結果。實驗結果表明，本研究提出的產(chǎn)品數(shù)據(jù)條件查詢優(yōu)化方法能夠有效地解決農(nóng)產(chǎn)品供應鏈面臨的條件查詢問題，同時保證查詢時間消耗維持在15ms左右，查詢效率較默克爾語義字典樹(Merkle semantic trie，MST)方法提高60.9%，較原始遍歷（Orignal traverse, OT）方法提高87.7%。

摘要:本研究以寧夏賀蘭山東麓5個子產(chǎn)區(qū)（銀川、青銅峽、紅寺堡、石嘴山和農(nóng)墾產(chǎn)區(qū)）自然發(fā)酵的赤霞珠干紅葡萄酒為研究對象，測定其基本理化指標和電學特性，分析不同產(chǎn)區(qū)葡萄酒間電學特性的差異，篩選出區(qū)分不同產(chǎn)區(qū)葡萄酒的特征頻率和有效電學參數(shù)，初步探索基于電學特性識別寧夏賀蘭山東麓不同子產(chǎn)區(qū)葡萄酒的能力，以期為簡捷快速有效識別產(chǎn)區(qū)葡萄酒提供新方法。結果表明，寧夏賀蘭山東麓5個子產(chǎn)區(qū)的葡萄酒理化指標間存在顯著性差異，農(nóng)墾產(chǎn)區(qū)的葡萄酒可滴定酸含量最高，而還原糖含量最低；銀川產(chǎn)區(qū)的葡萄酒揮發(fā)酸含量最低，石嘴山產(chǎn)區(qū)的葡萄酒酒精度最高。通過相關性分析、方差分析和多重比較，篩選出電壓2V下，區(qū)分不同產(chǎn)區(qū)葡萄酒的電學特性特征頻率為0.1kHz，有效電學參數(shù)為Z、Lp、X、Cp和Q。主成分分析和判別分析均顯示，利用葡萄酒電學參數(shù)能夠明顯區(qū)分賀蘭山東麓5個子產(chǎn)區(qū)，采用Fisher- 判別分析建立的預測模型，其回代檢測和交叉驗證正確率均為100%。因此，利用葡萄酒電學特性識別產(chǎn)區(qū)具有可行性。

摘要:蘋果從采摘到銷售過程中易發(fā)生機械損傷，需要及時剔除以避免腐爛變質。然而機械損傷早期蘋果外觀顏色變化不明顯，通常表現(xiàn)為隱性損傷，檢測比較困難。提出了一種基于結構光反射成像（SIRI）和卷積神經(jīng)網(wǎng)絡（CNN）的蘋果隱性損傷檢測方法。通過搭建SIRI系統(tǒng)，采集待測蘋果調制的結構光圖像，再利用三相位解調法提取交流分量，增強蘋果隱性損傷對比度；然后利用交流分量圖像制作蘋果隱性損傷數(shù)據(jù)集，并使用基于CNN的語義分割網(wǎng)絡FCN、UNet、HRNet、PSPNet、DeepLabv3+、LRASPP和SegNet訓練損傷檢測模型，多組試驗結果表明上述模型均能有效地檢測出不同情況下的蘋果隱性損傷。其中HRNet模型精確率、召回率、F1值和平均交并比較高，分別為97.96%、97.52%、97.74%和97.58%，但檢測速度僅為60f/s；PSPNet模型檢測速度較快，可達到217f/s，但其檢測精度略低，精確率、召回率、F1值和平均交并比分別為97.10%、94.57%、95.82%和95.90%。

摘要:為提高干冰微粒速凍藍莓的噴嘴霧化特性，優(yōu)化設計一種多出口扇形噴嘴，噴射出扇形干冰微粒射流，更均勻更快速地凍結藍莓。建立多出口扇形噴嘴的物理模型及藍莓速凍干冰射流流場計算模型?；贔luent軟件，采用氣固兩相動力學模型DPS、Realizable、k-ε湍流模型對多出口扇形噴嘴干冰微粒噴射速凍藍莓的過程進行數(shù)值模擬研究。探究了扇形噴嘴出口不同V形切槽角（60°、70°、80°、90°）在相同的入口流量和出口孔徑下，對干冰微粒在速凍腔內的流場分布、藍莓的凍結速率和凍結均勻性等參數(shù)的影響。結果表明：隨著V形切槽角的增加，扇形沖擊射流寬度降低，沖擊射流核心區(qū)域內的流速增加。當多出口扇形噴嘴出口V形切槽角為70°時，相比60°、80°、90°速凍腔內整盤藍莓的凍結完成時間分布最集中，整體的凍結速度快，流場最均勻，為此噴嘴模型（入口孔徑30mm，入口流速0.25m/s，出口為圓周布置的孔徑5.2mm×6(6個孔徑為5.2mm的出口)和中心布置的孔徑2mm×4的組合）最優(yōu)出口參數(shù)。隨后對模擬仿真最優(yōu)結果進行實驗測試，可得整盤藍莓完成速凍的時間為119s，凍結速率為0.50cm/min，實驗與模擬降溫曲線誤差為4.3%。對速凍后藍莓的花青素含量、可溶性固形物質量分數(shù)以及失水率等進行測試，結果表明干冰速凍后藍莓在貯藏期間的感官品質保持較好，優(yōu)于速凍藍莓標準。

摘要:針對分布式驅動電動拖拉機（Distributed drive electric tractor，DDET）牽引效率低、系統(tǒng)能量損耗大的問題，提出了一種基于多島遺傳算法（Multi-island genetic algorithm，MIGA）的分布式驅動系統(tǒng)參數(shù)優(yōu)化設計與驗證方法。根據(jù)犁耕作業(yè)工況，建立了拖拉機分布式驅動系統(tǒng)7自由度耦合動力學模型以及輪胎-土壤交互模型，完成了驅動系統(tǒng)關鍵部件參數(shù)設計和匹配選型。提出基于MIGA的前后輪邊傳動比參數(shù)優(yōu)化策略，將輪邊傳動比作為決策變量，驅動系統(tǒng)能量損失最小為優(yōu)化目標，驅動電機功率和轉速為約束條件。搭建Matlab/Simulink-NI PXI聯(lián)合仿真平臺驗證了參數(shù)優(yōu)化策略的正確性和實時可執(zhí)行性。結果表明，基于MIGA參數(shù)優(yōu)化后的分布式驅動系統(tǒng)各方面性能得到了有效提升。犁耕循環(huán)工況下，拖拉機平均牽引力為10.610N，最大牽引功率為31.25kW；平均效率提升了0.38%，驅動電機能耗降低了7.53%。本研究可為分布式驅動電動拖拉機優(yōu)化設計和系統(tǒng)控制提供理論基礎和驗證方法。

摘要:針對溫室小型農(nóng)機對地面平整度敏感，微小的地面起伏便會造成機具俯仰的情況，基于課題組已開發(fā)的溫室電動拖拉機，將基于時間序列分析的角度預測方法引入前饋PID控制（Angle prediction and feedforward PID，APF-PID），解決了溫室旋耕作業(yè)中因機具俯仰而出現(xiàn)的響應性差、耕深不穩(wěn)定和功率突變的問題。建立了溫室電動拖拉機旋耕作業(yè)的功率模型，并建立了俯仰角-耕深的轉換矩陣，得到了旋耕系統(tǒng)實際耕深的轉換值；采用時間序列分析預測機身俯仰角，并作為旋耕系統(tǒng)的擾動輸入；結合耕深的轉換值和預測得到的擾動，采用APF-PID控制器調節(jié)旋耕系統(tǒng)的提升機構，將旋耕機維持在目標耕深；在溫室內未旋耕和已旋耕的兩種地塊進行實車試驗。結果表明：俯仰角時序預測模型的相關系數(shù)可達0.9832；APF-PID控制的控制性能優(yōu)于PID控制，在目標耕深6cm的測試路面中，APF-PID在兩種試驗地塊上的平均耕深分別為6.47cm和6.44cm，均方根誤差為0.80cm和0.72cm，絕對平均誤差為0.67cm和0.58cm，耕深穩(wěn)定性系數(shù)為89.95%和91.30%，消耗的總能量較PID控制分別降低4.18%和19.13%，較好地實現(xiàn)了溫室電動拖拉機旋耕穩(wěn)定性控制，滿足溫室作業(yè)需求。

摘要:運動學分析是并聯(lián)機器人運動學性能評估和結構尺寸優(yōu)化的基礎?，F(xiàn)有并聯(lián)機器人運動學分析方法存在幾何建模與幾何計算相分離的問題，本文利用共形幾何代數(shù)（Conformal geometric algebra, CGA）集幾何表示和計算為一體的優(yōu)勢，提出一種并聯(lián)機器人逆運動學分析方法。根據(jù)動平臺位姿參數(shù)給出動平臺剛體運動算子，通過共形幾何代數(shù)框架下的幾何積實現(xiàn)動平臺上任意點的剛體變換，得到任意點在運動過程中的共形幾何表達式；結合機構中尺寸、幾何約束，利用內積運算，建立機構運動學方程；根據(jù)運動學方程，進行運動學反解計算和速度分析。以3自由度的3-RPS并聯(lián)機器人和6自由度6-UPS并聯(lián)機器人為例，對所提方法進行驗證，并將逆運動學推導結果與仿真軟件所得結果進行了對比，驗證了本文提出方法的正確性。該方法將空間向量和旋轉表示等幾何對象與矩陣乘法、矢量外積等計算方式相結合，使得并聯(lián)機器人空間幾何問題統(tǒng)一在一個代數(shù)系統(tǒng)中進行處理，因此分析過程幾何直觀性較強，簡化了運動學逆解分析計算過程。

摘要:為了解決基于模型的控制方法在四足機器人步態(tài)轉換過程中穩(wěn)定控制問題，本文在仿生學和機構學基礎上設計了一款四足機器人樣機平臺，并推導了機器人單腿運動學模型。在足端可達工作空間內規(guī)劃了機器人抬腿高度和邁步步長，利用理想的復合擺線軌跡，通過合理控制步態(tài)周期，提出了一種過渡段變周期控制方法，實現(xiàn)了步態(tài)轉換前后定速度控制和變步長控制，保證了步態(tài)轉換前后速度不變或可變。為了驗證所提算法的正確性和穩(wěn)定性，分別開展了單腿足端軌跡實驗和整機步態(tài)轉換實驗。在完成整機運動控制的基礎上，對比了基于模型的控制方式和基于中樞模式發(fā)生器的控制方式在四足機器人步態(tài)轉換過程的應用。仿真和實驗結果表明，在基于模型的控制算法下，四足機器人可以實現(xiàn)步態(tài)的平滑轉換，且速度能伴隨步長和周期的變化實現(xiàn)調節(jié)，滿足了不同速度下的行走要求，為四足機器的運動控制提供了參考。

摘要:為了改善潤滑間隙效應引起的空間并聯(lián)機構動態(tài)性能的漸變劣化問題，以3-R[TXX-]RPaR冗余并聯(lián)機構為研究對象，提出一種考慮潤滑間隙效應的空間并聯(lián)機構動力學優(yōu)化方法。建立了考慮潤滑轉動副間隙的 3-R[TXX-]RPaR冗余并聯(lián)機構動力學模型；以優(yōu)化末端執(zhí)行器的動力學響應誤差和優(yōu)化間隙關節(jié)處的約束反力為目的設置目標函數(shù)，通過優(yōu)化末端執(zhí)行器質量以及轉動慣量的方式來緩解運動副間隙導致的劣化效應，建立了考慮潤滑間隙效應 3-R[TXX-]RPaR冗余并聯(lián)機構動力學優(yōu)化模型；試驗驗證了所建動力學模型的有效性，對比分析兩種目標函數(shù)對優(yōu)化效果的影響以選擇最佳優(yōu)化方式，并分析優(yōu)化前后考慮潤滑間隙效應的空間并聯(lián)機構動力學特性，結果表明動力學優(yōu)化使?jié)櫥g隙轉動副處約束反力峰值降低16.16%，為改善間隙效應提高空間并聯(lián)機構動態(tài)性能提供了理論支撐。

摘要:現(xiàn)有遲滯模型由于采用離線參數(shù)辨識方法，難以表征氣動肌肉遲滯的時變性和負載相關性，極易產(chǎn)生較大的建模誤差。為了精確表征氣動肌肉的遲滯特性，利用Prandtl-Ishlinskii（PI）模型描述氣動肌肉的位移-氣壓遲滯特性，并采用帶遺忘因子的遞推最小二乘法在線辨識PI模型參數(shù)。在此基礎上，結合PI逆模型設計了一種帶有前饋在線補償?shù)膹秃峡刂品椒ㄓ糜跉鈩蛹∪獾倪\動控制。同時搭建相應的實驗裝置進行了氣動肌肉遲滯建模和運動控制實驗。實驗結果表明，采用在線參數(shù)辨識方法后的PI模型能有效描述氣動肌肉遲滯的負載相關性，且極大地降低了負載變化帶來的控制誤差。