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:種蛋受精及性別鑒別關(guān)系到家禽孵化、養(yǎng)殖的經(jīng)濟(jì)效益和動(dòng)物福利倫理等，種蛋受精與性別信息的檢測(cè)是禽、蛋產(chǎn)業(yè)發(fā)展的難題，特別是種蛋性別的無(wú)損鑒定是世界難題。合適有效的無(wú)損檢測(cè)技術(shù)，不僅應(yīng)獲得相關(guān)未知信息且不會(huì)對(duì)種蛋造成任何損傷，因此無(wú)損檢測(cè)種蛋成為研究熱點(diǎn)。然而，由于蛋殼厚度和顏色等外部品質(zhì)形狀差異、內(nèi)部流體形態(tài)變化和胚胎發(fā)育等因素的影響，難以實(shí)現(xiàn)準(zhǔn)確檢測(cè)。本文對(duì)比了現(xiàn)有種蛋無(wú)損檢測(cè)研究中的相關(guān)方法與技術(shù)，包括機(jī)器視覺(jué)技術(shù)、光譜技術(shù)、聲共振頻率分析、生物電信號(hào)分析、敲擊振動(dòng)法、介電常數(shù)分析、氣味特征分析等；分析了種蛋受精和性別信息無(wú)損檢測(cè)仍存在的技術(shù)限制、發(fā)育階段檢測(cè)限制、蛋殼干擾和種蛋個(gè)體差異性等方面挑戰(zhàn)，并針對(duì)未來(lái)的研究及發(fā)展探討了高光譜成像、X射線成像、超聲波成像和磁共振成像等新興技術(shù)應(yīng)用于種蛋受精與性別無(wú)損檢測(cè)的可行性。

摘要:為實(shí)現(xiàn)穩(wěn)定可靠的植保機(jī)器人視覺(jué)伺服控制，提出了一種基于語(yǔ)義分割網(wǎng)絡(luò)的作物行特征檢測(cè)方法?；谡Z(yǔ)義分割網(wǎng)絡(luò)ESNet實(shí)現(xiàn)農(nóng)田場(chǎng)景圖像像素級(jí)帶狀區(qū)域檢測(cè)，并利用最小二乘算法擬合得到每條行作物線特征；在此基礎(chǔ)上通過(guò)設(shè)計(jì)一種主導(dǎo)航線提取算法獲取導(dǎo)航路徑，并利用卡爾曼濾波對(duì)主導(dǎo)航線幾何參數(shù)進(jìn)行平滑處理，有效抑制了不平整地面導(dǎo)致的機(jī)器人運(yùn)動(dòng)顛簸與視覺(jué)圖像測(cè)量噪聲引起的導(dǎo)航參數(shù)波動(dòng)。繼而構(gòu)建機(jī)器人前輪轉(zhuǎn)向、后輪差速的阿克曼運(yùn)動(dòng)學(xué)模型；在圖像空間坐標(biāo)下設(shè)計(jì)純追蹤控制器實(shí)現(xiàn)植保機(jī)器人的伺服運(yùn)動(dòng)控制。大田環(huán)境下的現(xiàn)場(chǎng)實(shí)驗(yàn)結(jié)果為：總體橫向偏差為0.092m，驗(yàn)證了本文方法的有效性。

摘要:為探究不同振動(dòng)參數(shù)組合對(duì)蘋(píng)果采摘效果的影響，建立蘋(píng)果樹(shù)二級(jí)樹(shù)枝振動(dòng)力學(xué)模型，解析分析得到影響蘋(píng)果脫落的主要因素為振動(dòng)頻率、振幅及夾持位置。測(cè)量蘋(píng)果樹(shù)形態(tài)特征并基于矮砧密植整形原理建立紡錘形蘋(píng)果樹(shù)三維模型，利用ANSYS軟件對(duì)蘋(píng)果樹(shù)模型進(jìn)行有限元仿真分析，仿真結(jié)果表明，振動(dòng)頻率4~8Hz、振幅20~30mm、夾持位置0.35l~0.65l（l為二級(jí)樹(shù)枝長(zhǎng)度）時(shí)，對(duì)果樹(shù)損傷較小且蘋(píng)果易脫落。設(shè)計(jì)四因素三水平振動(dòng)采摘試驗(yàn)，以確定蘋(píng)果樹(shù)不同位置樹(shù)枝最佳的振動(dòng)參數(shù)組合，利用Design-Expert軟件對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行分析和響應(yīng)面優(yōu)化，參數(shù)優(yōu)化結(jié)果為：采摘蘋(píng)果樹(shù)上層蘋(píng)果時(shí)，振動(dòng)頻率為5Hz，振幅為28mm，夾持位置為0.40l；采摘蘋(píng)果樹(shù)中層蘋(píng)果時(shí)，振動(dòng)頻率為4Hz，振幅為30mm，夾持位置為0.43l；采摘蘋(píng)果樹(shù)下層蘋(píng)果時(shí)，振動(dòng)頻率為8Hz，振幅為20mm，夾持位置為0.65l；通過(guò)驗(yàn)證試驗(yàn)得到蘋(píng)果樹(shù)上層、中層、下層摘凈率為96.4%、94.8%、93.2%，與優(yōu)化值相近，表明優(yōu)化模型可靠。

摘要:針對(duì)西北地區(qū)玉米秸茬覆蓋地小麥免少耕寬幅溝播時(shí)，由于玉米根茬阻礙秸稈流動(dòng)導(dǎo)致的秸茬聚集壅堵、土壤擾動(dòng)大、種帶清潔率低、播種質(zhì)量差等問(wèn)題，提出先被動(dòng)切割、后主動(dòng)拋撒的種帶清理方法。設(shè)計(jì)了一種切拋組合式破茬清秸防堵裝置，通過(guò)縱向布置的傾斜缺口圓盤(pán)與旋拋裝置配合作業(yè)對(duì)種帶殘茬與秸稈進(jìn)行清理。適配防堵裝置設(shè)計(jì)了分流式開(kāi)溝器，實(shí)現(xiàn)行距穩(wěn)定的一溝兩行播種。分析確定了缺口圓盤(pán)傾角與偏角參數(shù)；依據(jù)滑切理論設(shè)計(jì)計(jì)算了平直旋刀與側(cè)傾旋刀刃線結(jié)構(gòu)參數(shù)；建立MBD-DEM聯(lián)合仿真平臺(tái)并采用正交旋轉(zhuǎn)組合試驗(yàn)方法，以種帶清潔率、秸茬粘結(jié)鍵破碎率與土壤擾動(dòng)寬度為指標(biāo)進(jìn)行旋拋裝置關(guān)鍵參數(shù)優(yōu)化仿真試驗(yàn)?；诜抡娼Y(jié)果建立各指標(biāo)回歸模型并通過(guò)響應(yīng)面分析與多目標(biāo)優(yōu)化得出，當(dāng)側(cè)傾旋刀傾角為20°、回轉(zhuǎn)速度為310r/min時(shí)，防堵裝置種帶清潔率達(dá)到96.9%，秸茬粘結(jié)鍵破碎率為26.9%，土壤擾動(dòng)寬度為139mm。在玉米秸茬覆蓋地進(jìn)行小麥播種試驗(yàn)，結(jié)果表明切拋組合式小麥寬幅溝播破茬清秸防堵裝置通過(guò)性良好，種床清潔率為90.1%，破茬率為96.2%，土壤擾動(dòng)寬度為127mm，土壤擾動(dòng)量為6.9%，整機(jī)作業(yè)質(zhì)量穩(wěn)定且播種后小麥出苗均勻，滿足寬幅溝播小麥免耕播種農(nóng)藝要求。

摘要:針對(duì)玉米免耕播種機(jī)研發(fā)周期長(zhǎng)和研發(fā)成本高等問(wèn)題，本文將元宇宙技術(shù)應(yīng)用于玉米免耕播種機(jī)作業(yè)機(jī)組的仿真試驗(yàn)?；谠钪嫦到y(tǒng)架構(gòu)構(gòu)建仿真平臺(tái)，在元宇宙環(huán)境下，采用標(biāo)線法和轉(zhuǎn)換法對(duì)虛擬農(nóng)場(chǎng)中場(chǎng)景進(jìn)行高度還原，構(gòu)建沉浸式玉米免耕播種機(jī)駕駛平臺(tái)并進(jìn)行交互性能測(cè)試，驗(yàn)證沉浸式玉米免耕播種機(jī)駕駛平臺(tái)交互性能。在此基礎(chǔ)上，在不同行駛速度下進(jìn)行播種性能仿真試驗(yàn)，當(dāng)玉米免耕播種作業(yè)機(jī)組前進(jìn)速度不斷增大時(shí)，播種質(zhì)量整體呈下降趨勢(shì)，趨勢(shì)接近實(shí)際田間試驗(yàn)結(jié)果，株距合格率大于88.52%、重播率小于6.97%、漏播率小于4.51%。試驗(yàn)結(jié)果表明，本文設(shè)計(jì)實(shí)現(xiàn)的元宇宙虛擬播種仿真平臺(tái)能夠用于玉米播種試驗(yàn)，對(duì)降低玉米免耕播種機(jī)研發(fā)成本、縮短玉米免耕播種機(jī)研發(fā)周期具有重要意義。

摘要:針對(duì)油菜種子粒徑小、質(zhì)量輕，單粒排種難度較大的問(wèn)題，設(shè)計(jì)了一種正負(fù)氣壓組合滾輪式精密排種器。闡明了排種器工作原理，開(kāi)展排種器吸種、攜種和卸種環(huán)節(jié)受力分析和排種滾輪對(duì)種群拖帶過(guò)程解析；提出了通過(guò)控制充種區(qū)種層高度和種群壓力的防拖帶堆積機(jī)理，設(shè)計(jì)了一種側(cè)向充種、拖帶種子自由回落的充種室結(jié)構(gòu)，利用離散元仿真研究了充種種層高度和充種室結(jié)構(gòu)對(duì)排種器充種區(qū)內(nèi)充種性能的影響及對(duì)種群拖帶堆積的解決情況；仿真結(jié)果表明，排種器內(nèi)種子隨著充種種層高度的增大，種群平均動(dòng)能均值逐漸增大，對(duì)種群平均擾動(dòng)能力逐漸增強(qiáng)；在充種種層高度50mm條件下，設(shè)計(jì)的防拖帶堆積充種室降低了充種區(qū)域底部種群所受的壓力，未出現(xiàn)種群拖帶堆積現(xiàn)象，且保持了對(duì)充種區(qū)域種群的擾動(dòng)作用。在JPS-12型排種器檢測(cè)試驗(yàn)臺(tái)上進(jìn)行了排種器性能試驗(yàn)，結(jié)果表明，當(dāng)排種轉(zhuǎn)速為15~30r/min、吸種負(fù)壓為1.0~1.2kPa時(shí)，排種器合格指數(shù)均保持在90%以上；設(shè)計(jì)裝配正負(fù)氣壓組合滾輪式精密排種器的播種機(jī)開(kāi)展播種試驗(yàn)，田間實(shí)測(cè)出苗后株距穩(wěn)定性變異系數(shù)為4.4%，各行苗數(shù)一致性變異系數(shù)為8.14%；研究結(jié)果表明設(shè)計(jì)的排種器滿足精密播種要求。

摘要:為解決傳統(tǒng)機(jī)械式蔬菜排種器無(wú)法實(shí)現(xiàn)精量播種及存在傷種的問(wèn)題，設(shè)計(jì)了一種紅蘿卜側(cè)面懸置排種勺式精量排種器。采用排種盤(pán)側(cè)面懸置的排種勺完成種子的充種、清種、投種，實(shí)現(xiàn)了非接觸式作業(yè)過(guò)程，理論分析了種子進(jìn)入及脫離種勺的運(yùn)動(dòng)過(guò)程，并闡明其不傷種的基本原理，確定了排種盤(pán)、排種勺以及排種管的基本結(jié)構(gòu)參數(shù)，采用EDEM離散元仿真軟件模擬了不同排種勺結(jié)構(gòu)尺寸下的工作過(guò)程，以排種勺型孔直徑、深度及放樣曲面圓角比為試驗(yàn)因素，以單粒率、多粒率、空粒率為試驗(yàn)指標(biāo)，采用三因素五水平二次通用旋轉(zhuǎn)組合設(shè)計(jì)進(jìn)行仿真試驗(yàn)，確定排種勺最優(yōu)結(jié)構(gòu)參數(shù)為：型孔直徑5mm，深度4.3mm，放樣曲面圓角比0.12，基于此參數(shù)進(jìn)行離散元仿真試驗(yàn)，通過(guò)自制排種器試驗(yàn)臺(tái)進(jìn)行臺(tái)架試驗(yàn)以及將排種器安裝到播種機(jī)上進(jìn)行田間試驗(yàn)，仿真試驗(yàn)結(jié)果為單粒率93%、多粒率4%、空粒率3%，臺(tái)架試驗(yàn)結(jié)果為合格指數(shù)平均值92.2%、重播指數(shù)平均值4.6%、漏播指數(shù)平均值3.2%，相對(duì)誤差分別為0.86%、15%、6.67%，田間試驗(yàn)結(jié)果為：合格指數(shù)90.5%、重播指數(shù)6.9%、漏播指數(shù)2.6%，證明此排種器精量播種性能良好。同時(shí)與毛刷窩眼輪式排種器進(jìn)行損傷率對(duì)比試驗(yàn)，損傷率分別為0.43%、1.27%，相對(duì)誤差為66.14%，表明種子損傷明顯降低。

摘要:為了提升穴盤(pán)播種過(guò)程中草炭裝盤(pán)、壓穴、覆料的仿真準(zhǔn)確性，基于草炭的物料特性，選擇Edinburgh Elasto-Plastic Adhesion（EEPA）模型在EDEM軟件中建立草炭離散元仿真模型，通過(guò)單軸密閉壓縮和虛擬仿真試驗(yàn)對(duì)草炭參數(shù)進(jìn)行標(biāo)定。通過(guò)物理試驗(yàn)測(cè)得草炭密度、粒徑分布和接觸參數(shù)，應(yīng)用Plackett-Burman Design和最陡爬坡試驗(yàn)設(shè)計(jì)顯著性分析試驗(yàn)，發(fā)現(xiàn)草炭間恢復(fù)系數(shù)、靜摩擦因數(shù)、草炭切向剛度因子和剪切模量影響顯著。應(yīng)用Central Composite Design試驗(yàn)建立響應(yīng)值與4個(gè)顯著性參數(shù)的二次多項(xiàng)式回歸模型，以單軸密閉壓縮20%、50%軸向應(yīng)變對(duì)應(yīng)的軸向壓力3.83、91.45N為目標(biāo)值對(duì)顯著性參數(shù)進(jìn)行尋優(yōu)，得到最優(yōu)組合為：草炭間恢復(fù)系數(shù)0.202、草炭間靜摩擦因數(shù)0.595、切向剛度因子0.667、草炭剪切模量0.613MPa。最后將該參數(shù)組合下的仿真值與實(shí)測(cè)值進(jìn)行對(duì)比驗(yàn)證，在軸向應(yīng)變范圍20%~50%內(nèi)實(shí)測(cè)值與仿真值的平均誤差約為8.08%。相對(duì)誤差在軸向應(yīng)變40%左右達(dá)到最大值，為15.34%。結(jié)果表明基于響應(yīng)面法標(biāo)定的EEPA模型參數(shù)可用于離散元仿真研究。

摘要:針對(duì)當(dāng)前液體糞肥施肥鏟存在的施肥不均勻、近根施肥難、作業(yè)功能單一等問(wèn)題，從提高肥效、降低排放、提升性能角度出發(fā)，設(shè)計(jì)了一種分層近根、基施追施一體的液體糞肥施肥鏟，設(shè)計(jì)了施肥器和避障器等關(guān)鍵部件，采用EDEM離散元法構(gòu)建施肥鏟-土壤力學(xué)仿真模型，優(yōu)化追施過(guò)程施肥鏟側(cè)向排肥管參數(shù)，搭建施肥鏟性能測(cè)試平臺(tái)，采用清水模擬方式，開(kāi)展了施肥鏟分層施肥和近根施肥效果試驗(yàn)，結(jié)果表明：當(dāng)施肥鏟側(cè)向排肥管后傾角為15°、側(cè)向排肥管刃角為18°時(shí)，施肥鏟基肥作業(yè)阻力最??；采用分層施肥方式時(shí)，當(dāng)施肥鏟作業(yè)速度為3km/h、排肥量為5L/s時(shí)，肥料在土壤中縱向擴(kuò)散深度為235mm，較改進(jìn)前單口排肥方式，縱向覆蓋范圍提升65%；采用近根施肥模式時(shí)，當(dāng)施肥鏟作業(yè)速度為1.2km/h、排肥量為3L/s時(shí)，約80%的肥料分布在距作物根部中心100mm半徑范圍內(nèi)，較好地實(shí)現(xiàn)了近根施肥。

摘要:針對(duì)現(xiàn)有農(nóng)機(jī)裝備數(shù)字孿生系統(tǒng)開(kāi)發(fā)難度大、配置要求高以及資源占用過(guò)高的問(wèn)題，提出基于輕量級(jí)網(wǎng)絡(luò)的聯(lián)合收獲機(jī)數(shù)字孿生系統(tǒng)構(gòu)建方法，包含物理、虛擬、數(shù)據(jù)交互、模型計(jì)算以及人機(jī)交互等多個(gè)子系統(tǒng)的實(shí)現(xiàn)方法?；跀?shù)字孿生的技術(shù)特點(diǎn)和聯(lián)合收獲機(jī)的作業(yè)特性，設(shè)計(jì)了一種基于JavaScript語(yǔ)言的輕量級(jí)數(shù)字孿生系統(tǒng)框架。通過(guò)采用Solidworks和CMdevelopment kit工具進(jìn)行數(shù)字孿生系統(tǒng)的模型輕量化處理及坐標(biāo)系整合，實(shí)現(xiàn)了在不影響模型精度和功能的前提下，顯著降低系統(tǒng)對(duì)硬件要求和內(nèi)存占用量。以雷沃GM100型聯(lián)合收獲機(jī)為對(duì)象，開(kāi)發(fā)基于輕量級(jí)網(wǎng)絡(luò)的聯(lián)合收獲機(jī)數(shù)字孿生系統(tǒng)，為聯(lián)合收獲機(jī)孿生系統(tǒng)性能分析、實(shí)時(shí)監(jiān)控、瞬時(shí)計(jì)算以及遠(yuǎn)程操縱提供聯(lián)合仿真、分析以及驗(yàn)證平臺(tái)。為驗(yàn)證數(shù)字孿生系統(tǒng)性能和功能，開(kāi)展了孿生系統(tǒng)性能測(cè)試及油耗預(yù)測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，在數(shù)據(jù)更新頻率20Hz下，響應(yīng)時(shí)間在78ms以內(nèi)，內(nèi)存占用量在331MB以內(nèi)；性能測(cè)試中，系統(tǒng)在運(yùn)行狀態(tài)下CPU和GPU的平均占用率分別為17%和30%；即使在高強(qiáng)度操作下，系統(tǒng)幀率仍可保持在75.6f/s；在正常作業(yè)下油耗預(yù)測(cè)模型平均誤差為0.34L/h，平均相對(duì)誤差僅為2.51%。本系統(tǒng)提供了一種低成本、高效率的數(shù)字孿生輕量化構(gòu)建方案。

摘要:大田玉米收獲機(jī)收獲制種玉米時(shí)容易產(chǎn)生傷穗落籽、雜物堵塞等現(xiàn)象，本文針對(duì)適收期制種玉米生物特性，設(shè)計(jì)了一種大型制種玉米聯(lián)合收獲機(jī)，采用小行距對(duì)行柔性板式摘穗割臺(tái)和可替換組合式剝皮裝置，確保低損摘穗、輸送、剝皮作業(yè)，降低籽粒損失與損傷；其中割臺(tái)上方配備鋼質(zhì)覆膠弧形摘穗板，“橡膠+鋼質(zhì)”夾持輸送鏈和六棱低速拉莖輥，可替換組合式剝皮裝置采用柔性破皮+揉搓+降速組合形式。通過(guò)Plackett-Burman試驗(yàn)設(shè)計(jì)篩選提取影響機(jī)具指標(biāo)的主要因素，采用Box-Behnken試驗(yàn)設(shè)計(jì)原理，以機(jī)具前進(jìn)速度、拉莖輥轉(zhuǎn)速和剝皮輥轉(zhuǎn)速為試驗(yàn)因素，以總損失率與含雜率為性能指標(biāo)，通過(guò)田間試驗(yàn)對(duì)機(jī)具進(jìn)行檢驗(yàn)，優(yōu)化得出機(jī)具最佳作業(yè)參數(shù)。試驗(yàn)結(jié)果表明，優(yōu)化后，當(dāng)機(jī)具前進(jìn)速度為4.87km/h、拉莖輥轉(zhuǎn)速為877.27r/min、剝皮輥轉(zhuǎn)速為442.52r/min時(shí)，果穗總損失率為1.61%，含雜率為0.55%。田間試驗(yàn)結(jié)果表明，當(dāng)收獲機(jī)前進(jìn)速度為4.9km/h、拉莖輥轉(zhuǎn)速為880r/min、剝皮輥轉(zhuǎn)速為450r/min時(shí)，果穗總損失率為1.64%，含雜率為0.57%，滿足制種玉米機(jī)械化聯(lián)合收獲的作業(yè)要求，可為制種玉米聯(lián)合收獲機(jī)設(shè)計(jì)與試驗(yàn)提供參考。

摘要:針對(duì)目前玉米籽粒收獲機(jī)不能適應(yīng)15kg/s以上的大喂入量清選需要，設(shè)計(jì)了一種具備預(yù)清選功能的清選裝置。首先對(duì)玉米脫出物離開(kāi)螺旋輸送器到達(dá)預(yù)清選篩前的玉米籽粒進(jìn)行受力分析，然后對(duì)曲柄連桿機(jī)構(gòu)的運(yùn)動(dòng)模型加以簡(jiǎn)化。其次分析玉米籽粒在篩面上的運(yùn)動(dòng)狀態(tài)；對(duì)離心風(fēng)機(jī)葉輪、蝸殼進(jìn)行設(shè)計(jì)計(jì)算。采用單因素試驗(yàn)確定風(fēng)機(jī)轉(zhuǎn)速、振動(dòng)頻率、上篩篩孔開(kāi)度取值范圍；以風(fēng)機(jī)轉(zhuǎn)速、振動(dòng)頻率、上篩篩孔開(kāi)度為試驗(yàn)因素，以籽粒含雜率和清選損失率為評(píng)價(jià)指標(biāo)，設(shè)計(jì)三因素三水平中心組合試驗(yàn)，建立各因素與指標(biāo)之間的回歸模型。通過(guò)響應(yīng)曲面方法對(duì)試驗(yàn)結(jié)果進(jìn)行分析，并采用Design-Expert12對(duì)回歸模型進(jìn)行多目標(biāo)優(yōu)化。玉米脫出物喂入量為16kg/s時(shí)，得出較優(yōu)組合為：風(fēng)機(jī)轉(zhuǎn)速1202.50r/min、振動(dòng)頻率5.41Hz、上篩篩孔開(kāi)度18mm，在此條件下籽粒含雜率為0.79%，清選損失率為1.10%；驗(yàn)證試驗(yàn)結(jié)果表明，當(dāng)風(fēng)機(jī)轉(zhuǎn)速1200r/min、振動(dòng)頻率5Hz、上篩篩孔開(kāi)度18mm時(shí)，籽粒含雜率為0.82%，清選損失率為1.14%，試驗(yàn)值與優(yōu)化值相對(duì)誤差小于5%，與傳統(tǒng)雙層往復(fù)振動(dòng)篩清選裝置相比籽粒含雜率降低2.07個(gè)百分點(diǎn)，清選損失率降低2.13個(gè)百分點(diǎn)，證明所設(shè)計(jì)合理。

摘要:針對(duì)油莎豆機(jī)械化收獲過(guò)程中升運(yùn)振動(dòng)裝置除雜效果不明顯，導(dǎo)致油莎豆與土壤雜質(zhì)等分離不徹底，漏土率較低，傷果率較高的問(wèn)題，以及在升運(yùn)輸送過(guò)程中存在土壤堵塞、回帶等問(wèn)題，結(jié)合油莎豆果-土-秧團(tuán)聚體特性，設(shè)計(jì)了一種合頁(yè)篩片式升運(yùn)裝置，通過(guò)篩片折彎部分增大篩孔面積，對(duì)團(tuán)聚體提供與鏈篩運(yùn)動(dòng)方向相同的推力，使合頁(yè)式升運(yùn)裝置提高漏土效率且有效避免了回帶現(xiàn)象。對(duì)其傾角和固定位置進(jìn)行了分析和設(shè)計(jì)，運(yùn)用EDEM進(jìn)行仿真試驗(yàn)，以油莎豆鏈篩線速度、鏈篩板折彎高度、鏈篩振動(dòng)頻率為試驗(yàn)因素，以油莎豆團(tuán)聚體漏土率和傷果率為試驗(yàn)指標(biāo)，通過(guò)三因素三水平正交仿真試驗(yàn)，最終得到輸送篩片最佳結(jié)構(gòu)參數(shù)組合為：鏈篩線速度1.151m/s、折彎高度27.779mm、振頻9.561Hz，此時(shí)升運(yùn)裝置漏土率為96.524%、傷果率為2.439%。田間驗(yàn)證試驗(yàn)結(jié)果表明:當(dāng)鏈篩線速度為1.2m/s、折彎高度為28mm、振頻為9.5Hz時(shí)，合頁(yè)式升運(yùn)裝置平均漏土率為96.05%，平均傷果率為2.38%，與仿真試驗(yàn)所測(cè)結(jié)果基本一致，滿足油莎豆升運(yùn)鏈篩工作要求。

摘要:高地隙自走式噴霧機(jī)因其作業(yè)環(huán)境復(fù)雜易產(chǎn)生車輪滑轉(zhuǎn)，影響靜液壓驅(qū)動(dòng)系統(tǒng)流量及壓力穩(wěn)定性，嚴(yán)重時(shí)導(dǎo)致整機(jī)失去通過(guò)性能，故須進(jìn)行防滑控制，保證其具備驅(qū)動(dòng)穩(wěn)定性和脫困能力。本文提出一種高地隙自走式噴霧機(jī)靜液壓驅(qū)動(dòng)系統(tǒng)防滑控制方法，采用雙線性模型定義滑轉(zhuǎn)率與附著系數(shù)之間的關(guān)系，設(shè)計(jì)了滑?？刂破鳎⑼ㄟ^(guò)田間非道路試驗(yàn)驗(yàn)證了驅(qū)動(dòng)防滑系統(tǒng)的控制性能。試驗(yàn)結(jié)果表明，該系統(tǒng)可將噴霧機(jī)滑轉(zhuǎn)率控制在0.15以內(nèi)。在起步加速與勻速工況下，噴霧機(jī)滑轉(zhuǎn)率均值為0.020和0.019；在越溝工況下，可2s內(nèi)實(shí)現(xiàn)整機(jī)快速脫困。以上結(jié)果驗(yàn)證了所設(shè)計(jì)的噴霧機(jī)滑模驅(qū)動(dòng)防滑系統(tǒng)具有良好的防滑性能，能夠保證噴霧機(jī)在典型工況下平穩(wěn)行駛，有效減少了地面不利條件對(duì)整機(jī)行駛穩(wěn)定性的影響。

摘要:為研究旋渦泵內(nèi)復(fù)雜的旋渦特征，量化泵內(nèi)旋渦體積和強(qiáng)度，分析旋渦結(jié)構(gòu)對(duì)能量轉(zhuǎn)換和能量損失的影響規(guī)律，采用非定常數(shù)值模擬和外特性實(shí)驗(yàn)相結(jié)合的方法對(duì)單級(jí)旋渦泵進(jìn)行分析，綜合使用Ω方法和Liutex方法對(duì)泵內(nèi)旋渦進(jìn)行識(shí)別和強(qiáng)度表征，提出平均旋渦強(qiáng)度進(jìn)行量化研究，并結(jié)合動(dòng)能方程的渦動(dòng)力學(xué)分解式以及渦量分解理論進(jìn)行分析。結(jié)果表明：泵內(nèi)的旋渦充分發(fā)展區(qū)域存在螺旋形的管狀旋渦結(jié)構(gòu)，該旋渦從葉輪流道流出進(jìn)入側(cè)流道，并且隨著流量的增大，渦管數(shù)量減少且旋渦強(qiáng)度降低；流量的增大使得葉輪內(nèi)的旋渦體積和強(qiáng)度減小，而其在側(cè)流道內(nèi)相對(duì)變化較小，相同工況時(shí)葉輪內(nèi)的平均旋渦強(qiáng)度遠(yuǎn)大于側(cè)流道內(nèi)；壓力梯度對(duì)流體動(dòng)能轉(zhuǎn)換的貢獻(xiàn)最大，旋渦結(jié)構(gòu)引起的動(dòng)量輸運(yùn)和耗散損失占比較小，但剛性渦量即旋渦結(jié)構(gòu)的強(qiáng)度與動(dòng)量輸運(yùn)呈正相關(guān)，變形渦量則與擬渦能損失相關(guān)性較強(qiáng)。

摘要:在宏觀尺度上剖析鄉(xiāng)村聚落的空間分布特征及其影響因素，有利于全面了解鄉(xiāng)村聚落的空間分異規(guī)律及其形成原因，并為村莊規(guī)劃等工作提供研究基礎(chǔ)。以河北省為主要研究區(qū)域，借助景觀格局指數(shù)、最鄰近分析、核密度估計(jì)等方法，分析鄉(xiāng)村聚落的總體變化和空間分布特征，并綜合運(yùn)用分布指數(shù)、因子分析法和多元線性回歸分析法探究影響鄉(xiāng)村聚落空間分布的主要因素。結(jié)果表明：2000年以來(lái)尤其是2010年之后，河北省鄉(xiāng)村聚落主要以外延方式擴(kuò)大規(guī)模，且逐漸呈規(guī)?；?、集中化分布，其主要集聚分布于地形平坦的東南部地區(qū)，且其集聚程度不斷提升；高聳地形、不利于農(nóng)業(yè)生產(chǎn)的土壤以及大小規(guī)模河湖等自然因素對(duì)鄉(xiāng)村聚落空間分布的限制性正在減弱，不同等級(jí)城鎮(zhèn)、道路等區(qū)位因素對(duì)鄉(xiāng)村聚落產(chǎn)生集聚作用的程度和影響半徑等有所差異；鄉(xiāng)村產(chǎn)住規(guī)模、區(qū)域經(jīng)濟(jì)發(fā)展水平和區(qū)域基礎(chǔ)設(shè)施完善度是影響河北省鄉(xiāng)村聚落空間分布的主要社會(huì)和經(jīng)濟(jì)因素，且不同因素的主要作用區(qū)域有所差異。研究結(jié)果可為我國(guó)北方相關(guān)地區(qū)開(kāi)展差異化的鄉(xiāng)村聚落優(yōu)化提供理論依據(jù)。

摘要:針對(duì)DeepLabV3+語(yǔ)義分割模型計(jì)算復(fù)雜度高、內(nèi)存消耗大、難以在計(jì)算力有限的移動(dòng)平臺(tái)上部署等問(wèn)題，提出一種改進(jìn)的輕量化DeepLabV3+深度學(xué)習(xí)語(yǔ)義分割算法，用于實(shí)現(xiàn)無(wú)人機(jī)蕎麥苗期圖像的分割與識(shí)別。該算法采用RepVGG（Re-parameterization visual geometry group）與MobileViT（Mobile vision transformer）模塊融合的方式建立主干網(wǎng)絡(luò)實(shí)現(xiàn)特征提??；同時(shí)，在RepVGG網(wǎng)絡(luò)結(jié)構(gòu)中引入SENet（Squeeze-and-excitation networks）注意力機(jī)制，通過(guò)利用通道間的相關(guān)性，捕獲更多的全局語(yǔ)義信息，保證蕎麥分割的性能。實(shí)驗(yàn)結(jié)果表明，與FCN（Fully convolutional networks）、PSPNet（Pyramid scene parsing network）、DenseASPP（Dense atrous spatial pyramid pooling）、DeepLabV3、DeepLabV3+模型相比，本文提出的改進(jìn)算法在較大程度上降低了模型參數(shù)規(guī)模，更適合在移動(dòng)端部署，自建蕎麥苗期分割數(shù)據(jù)集上的語(yǔ)義分割平均像素準(zhǔn)確率（Mean pixel accuracy，mPA）和平均交并比（Mean intersection over union，mIoU）分別為97.02%和91.45%，總體參數(shù)量、浮點(diǎn)運(yùn)算次數(shù)（Floating-point operations，F(xiàn)LOPs）和推理速度分別為9.01×106、8.215×1010、37.83f/s，綜合表現(xiàn)最優(yōu)。在全尺寸圖像分割中，訓(xùn)練模型對(duì)不同飛行高度的蕎麥苗期分割的mPA和mIoU均能滿足要求，也具有較好的分割能力和推理速度，該算法可為后期蕎麥補(bǔ)種、施肥養(yǎng)護(hù)和長(zhǎng)勢(shì)監(jiān)測(cè)等提供重要技術(shù)支持，進(jìn)而促進(jìn)小雜糧產(chǎn)業(yè)智能化發(fā)展。

摘要:為準(zhǔn)確獲取葡萄空間變化信息，實(shí)現(xiàn)產(chǎn)業(yè)規(guī)劃和可持續(xù)發(fā)展，針對(duì)葡萄種植區(qū)布局分散、面積不一，地物類型復(fù)雜，相應(yīng)不同時(shí)相影像異質(zhì)性較大，嚴(yán)重影響變化區(qū)域檢測(cè)精度的問(wèn)題，提出了一種融合注意力機(jī)制和多尺度信息的變化檢測(cè)模型（Multiscale difference feature capture net, MDFCNet）。在ResNet101主干網(wǎng)絡(luò)的基礎(chǔ)上融合SE（Squeeze and excitation）注意力機(jī)制，提升網(wǎng)絡(luò)對(duì)遙感影像中變化特征提取的能力，抑制無(wú)關(guān)像素干擾。并且設(shè)計(jì)了交叉差異特征捕獲（Cross difference feature capture,CDFC）模塊，捕獲具有密集上下文信息的差異特征來(lái)提升地物類型復(fù)雜情況下的變化檢測(cè)精度，同時(shí)設(shè)計(jì)了監(jiān)督集成注意力（Supervised ensemble attention,SEA）模塊，逐層融合低層細(xì)節(jié)紋理特征和高層抽象語(yǔ)義特征來(lái)豐富多尺度特征，以此增強(qiáng)網(wǎng)絡(luò)對(duì)布局分散、面積不一的種植區(qū)的檢測(cè)能力。在構(gòu)建的寧夏葡萄種植區(qū)變化數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明，相較于目前主流的SNUNet、A2Net、DSIFN和ResNet-CD變化檢測(cè)模型，本文MDFCNet方法檢測(cè)結(jié)果最優(yōu)，相較于性能第2的模型，評(píng)價(jià)指標(biāo)中交并比、召回率、F1值和精確率分別提高5.42、5.62、3.48、0.95個(gè)百分點(diǎn)。通過(guò)消融實(shí)驗(yàn)也證明了融合各模塊的有效性，相較于基礎(chǔ)網(wǎng)絡(luò)，增加3個(gè)模塊使得交并比、召回率、F1值和精確率分別提高12.9、5.63、8.64、11.75個(gè)百分點(diǎn)。本文模型提取出感受野更大的差異特征可為變化檢測(cè)提供豐富的推斷信息，融合的多尺度特征可以有效避免結(jié)果中誤檢測(cè)和漏檢測(cè)問(wèn)題，提高了變化區(qū)域的完整性和邊緣細(xì)節(jié)保留，為背景復(fù)雜的大范圍葡萄種植區(qū)的變化檢測(cè)任務(wù)提供了解決思路。

摘要:根系是植物吸收水分的主要通道，根系表型與植物抗旱能力息息相關(guān)。為了快速準(zhǔn)確地獲取小麥根系表型指標(biāo)，利用土培根盒法進(jìn)行了小麥干旱脅迫實(shí)驗(yàn)，共采集18個(gè)時(shí)間點(diǎn)的根系時(shí)序圖像。設(shè)計(jì)了一套基于深度學(xué)習(xí)的根系圖像處理與分析流程，針對(duì)土壤遮蔽引起的斷根問(wèn)題，提出了一種融合目標(biāo)檢測(cè)網(wǎng)絡(luò)和沙漏注意力網(wǎng)絡(luò)的檢測(cè)-修復(fù)兩階段斷根修復(fù)方法，以修復(fù)根系斷裂區(qū)域，并通過(guò)多尺度訓(xùn)練和自適應(yīng)迭代法提高修復(fù)精度和魯棒性。提取了小麥在干旱脅迫和對(duì)照處理下的根面積、總根長(zhǎng)、根寬、根深、根寬深比、根密度6個(gè)表型性狀，分析了小麥根系對(duì)干旱脅迫的表型響應(yīng)。結(jié)果顯示，干旱脅迫下，小麥會(huì)有更低的根系生物量、更深的根系扎根深度及更分散的根系構(gòu)型。同時(shí)計(jì)算了小麥根系干旱脅迫耐受性指數(shù)，結(jié)合主成分分析法，對(duì)小麥品種的抗旱能力進(jìn)行了描述和排序。

摘要:為進(jìn)行表型原位自動(dòng)化測(cè)量，實(shí)現(xiàn)甜椒數(shù)字化育種和管理，針對(duì)原位果實(shí)表型測(cè)量中的目標(biāo)遮擋問(wèn)題，提出一種多視角甜椒果實(shí)點(diǎn)云的三維重構(gòu)方法。通過(guò)虛擬葉片的方法，創(chuàng)建增強(qiáng)數(shù)據(jù)集，建立基于YOLO v5算法的甜椒果實(shí)識(shí)別模型，實(shí)現(xiàn)對(duì)不同遮擋程度果實(shí)的識(shí)別，同時(shí)，構(gòu)建考慮果實(shí)位置與遮擋程度的果實(shí)表型采集算法，實(shí)現(xiàn)多視角的果實(shí)三維數(shù)據(jù)采集。最后，配準(zhǔn)甜椒果實(shí)三維點(diǎn)云，提取甜椒表型參數(shù)，并通過(guò)溫室甜椒果實(shí)表型，對(duì)點(diǎn)云重構(gòu)方法的有效性進(jìn)行驗(yàn)證。相較手動(dòng)測(cè)量數(shù)據(jù)，果實(shí)果寬平均相對(duì)誤差為1.72%，果高平均相對(duì)誤差為1.60%。試驗(yàn)結(jié)果表明，本文所提出的甜椒原位表型點(diǎn)云重構(gòu)方法，可為遮擋條件下作物表型提供有效的解決思路和可行方法。

摘要:針對(duì)現(xiàn)階段小麥生育期信息獲取需依靠人工觀測(cè)，效率低、主觀性強(qiáng)等問(wèn)題，本文構(gòu)建包含冬小麥越冬期、返青期、拔節(jié)期和抽穗期4個(gè)生育期共計(jì)4599幅小麥圖像數(shù)據(jù)集，并提出一種基于FasterNet的輕量化網(wǎng)絡(luò)模型FSST(Fast shuffle swin transformer)，開(kāi)展4個(gè)關(guān)鍵生育期的智能識(shí)別。在FasterNet部分卷積的基礎(chǔ)上引入Channel Shuffle機(jī)制，以提升模型計(jì)算速度。引入Swin Transformer模塊來(lái)實(shí)現(xiàn)特征融合和自注意力機(jī)制,用來(lái)提升小麥關(guān)鍵生育期識(shí)別準(zhǔn)確率。調(diào)整整個(gè)模型結(jié)構(gòu)，進(jìn)一步降低網(wǎng)絡(luò)復(fù)雜度，并在訓(xùn)練中引入Lion優(yōu)化器，加快網(wǎng)絡(luò)模型收斂速度。在自建的數(shù)據(jù)集上進(jìn)行模型驗(yàn)證，結(jié)果表明，F(xiàn)SST模型參數(shù)量?jī)H為1.22×107，平均識(shí)別準(zhǔn)確率、F1值和浮點(diǎn)運(yùn)算量分別為97.22%、78.54%和3.9×108，與FasterNet、GhostNet、ShuffleNetV2和MobileNetV3 4種模型相比，F(xiàn)SST模型識(shí)別精度更高，運(yùn)算速度更快，并且識(shí)別時(shí)間分別減少84.04%、73.74%、72.22%和77.01%。提出的FSST模型能夠較好地進(jìn)行小麥關(guān)鍵生育期識(shí)別，并且具有識(shí)別快速精準(zhǔn)和輕量化的特點(diǎn)，可以為大田作物生長(zhǎng)實(shí)時(shí)監(jiān)測(cè)提供信息技術(shù)支持。

摘要:株高是鑒別玉米種質(zhì)性狀及作物活力的重要表型指標(biāo)，苗期玉米遺傳特性表現(xiàn)明顯，準(zhǔn)確測(cè)量苗期玉米植株高度對(duì)玉米遺傳特性鑒別與田間管理具有重要意義。針對(duì)傳統(tǒng)植株高度獲取方法依賴人工測(cè)量，費(fèi)時(shí)費(fèi)力且存在主觀誤差的問(wèn)題，提出了一種融合混合注意力信息的改進(jìn)ZoeDepth單目深度估計(jì)模型。改進(jìn)后的模型將Shuffle Attention模塊加入Decoder模塊的4個(gè)階段，使Decoder模塊在對(duì)低分辨率特征圖信息提取過(guò)程中能更關(guān)注特征圖中的有效信息，提升了模型關(guān)鍵信息的提取能力，可生成更精確的深度圖。為驗(yàn)證本研究方法的有效性，在NYU-V2深度數(shù)據(jù)集上進(jìn)行了驗(yàn)證。結(jié)果表明，改進(jìn)的Shuffle-ZoeDepth模型在NYU-V2深度數(shù)據(jù)集上絕對(duì)相對(duì)差、均方根誤差、對(duì)數(shù)均方根誤差為0.083、0.301mm、0.036，不同閾值下準(zhǔn)確率分別為93.9%、99.1%、99.8%，均優(yōu)于ZoeDepth模型。同時(shí)，利用Shuffle-ZoeDepth單目深度估計(jì)模型結(jié)合玉米植株高度測(cè)量模型實(shí)現(xiàn)了苗期玉米植株高度的測(cè)量，采集不同距離下苗期玉米圖像進(jìn)行植株高度測(cè)量試驗(yàn)。當(dāng)玉米高度在15~25cm、25~35cm、35~45cm3個(gè)區(qū)間時(shí)，平均測(cè)量絕對(duì)誤差分別為1.41、2.21、2.08cm，平均測(cè)量百分比誤差分別為8.41%、7.54%、4.98%。試驗(yàn)結(jié)果表明該方法可僅使用單個(gè)RGB相機(jī)完成復(fù)雜室外環(huán)境下苗期玉米植株高度的精確測(cè)量。

摘要:為實(shí)現(xiàn)香梨自動(dòng)化采摘，本文以YOLO v7-S為基礎(chǔ)模型，針對(duì)果園中香梨果實(shí)、果葉和枝干之間相互遮擋，不易精準(zhǔn)檢測(cè)的問(wèn)題，設(shè)計(jì)了一種輕量化香梨目標(biāo)檢測(cè)M-YOLO v7-SCSN+F模型。該模型采用MobileNetv3作為骨干特征提取網(wǎng)絡(luò)，引入?yún)f(xié)同注意力機(jī)制(Coordinate attention，CA)模塊，將YOLO v7-S中的損失函數(shù)CIoU替換為SIoU，并聯(lián)合Normalized Wasserstein distance (NWD)小目標(biāo)檢測(cè)機(jī)制，以增強(qiáng)網(wǎng)絡(luò)特征表達(dá)能力和檢測(cè)精度。基于傅里葉變換（Fourier transform，F(xiàn)T）的數(shù)據(jù)增強(qiáng)方法，通過(guò)分析圖像頻域信息和重建圖像振幅分量生成新的圖像數(shù)據(jù)，從而提高模型泛化能力。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的M-YOLO v7-SCSN+F模型在驗(yàn)證集上的平均精度均值（mAP）、精確率和召回率分別達(dá)到97.23%、97.63%和93.66%，檢測(cè)速度為69.39f/s，與Faster R-CNN、SSD、YOLO v3、YOLO v4、YOLO v5s、YOLO v7-S、YOLO v8n、RT-DETR-R50模型在驗(yàn)證集上進(jìn)行性能比較，其平均精度均值（mAP)分別提高14.50、26.58、3.88、2.40、1.58、0.16、0.07、0.86個(gè)百分點(diǎn)。此外，改進(jìn)的M-YOLO v7-SCSN+F模型內(nèi)存占用量與YOLO v8n和RT-DETR-R50檢測(cè)模型對(duì)比減少16.47、13.30MB。本文提出的檢測(cè)模型對(duì)成熟期香梨具有很好的目標(biāo)檢測(cè)效果，為背景顏色相近小目標(biāo)檢測(cè)提供參考，可為香梨自動(dòng)化采摘提供有效的技術(shù)支持。

摘要:為了實(shí)現(xiàn)在復(fù)雜非結(jié)構(gòu)環(huán)境下對(duì)木薯葉4種主要病害的高精度檢測(cè)，提出一種基于選擇性注意力機(jī)制的木薯葉病害神經(jīng)網(wǎng)絡(luò)檢測(cè)改進(jìn)算法MAISNet (Multiattention IBN Squareplus neural network)。以V2-ResNet-101為基礎(chǔ)網(wǎng)絡(luò)，先使用多重注意力算法優(yōu)化加權(quán)系數(shù)，調(diào)整特征通道的語(yǔ)義表達(dá)，在特征圖中初步構(gòu)建顯著性特征；然后在殘差單元之后采用實(shí)例批歸一化方法來(lái)抑制特征表達(dá)中的協(xié)變量偏移，在特征圖中構(gòu)建出顯著性語(yǔ)義特征，實(shí)現(xiàn)高質(zhì)量語(yǔ)義特征表達(dá)；最后在殘差分支中采用Squareplus激活函數(shù)替代ReLU激活函數(shù)，保持語(yǔ)義特征在負(fù)數(shù)域的數(shù)值分布，減少特征擬合過(guò)程中的截?cái)嗾`差。對(duì)比試驗(yàn)結(jié)果顯示，經(jīng)過(guò)上述改進(jìn)后構(gòu)建出的MAISNet-101神經(jīng)網(wǎng)絡(luò)，對(duì)4種常見(jiàn)木薯葉病害檢測(cè)的平均準(zhǔn)確率達(dá)到95.39%，明顯優(yōu)于目前主流算法EfficientNet-B5和RepVGG-B3g4等。網(wǎng)絡(luò)提取特征的可視化分析結(jié)果表明，高質(zhì)量木薯葉病害顯著性語(yǔ)義特征，是提高木薯葉病害檢測(cè)準(zhǔn)確率的關(guān)鍵。所提出的MAISNet神經(jīng)網(wǎng)絡(luò)模型可以完成實(shí)際場(chǎng)景下木薯葉病害高精度檢測(cè)。

摘要:針對(duì)小麥腥黑穗病輕度患病籽粒易與健康籽?；煜斯ぷR(shí)別難度大的問(wèn)題，將校正光譜序列融合技術(shù)與深度學(xué)習(xí)模型相結(jié)合，實(shí)現(xiàn)小麥腥黑穗病籽?？焖佟⒕珳?zhǔn)分類。以健康、輕度患病、重度患病各300粒小麥籽粒的高光譜數(shù)據(jù)為樣本，通過(guò)多元散射校正算法(MSC)和標(biāo)準(zhǔn)正態(tài)變換算法(SNV)對(duì)原始光譜進(jìn)行預(yù)處理，并利用二維相關(guān)光譜法(2D-COS)分析SNV與MSC算法處理后的光譜之間的互補(bǔ)性。使用校正光譜序列融合技術(shù)將原始光譜、SNV預(yù)處理光譜與MSC預(yù)處理光譜三者進(jìn)行融合得到序列融合光譜，以充分利用不同光譜預(yù)處理數(shù)據(jù)間的互補(bǔ)信息。最終，利用序列融合光譜數(shù)據(jù)建立基于ResNet 50算法的小麥腥黑病分類模型。試驗(yàn)結(jié)果表明，序列融合光譜ResNet 50模型總體準(zhǔn)確率最高為93.89%，F(xiàn)1值為93.87%，分類性能優(yōu)于單一預(yù)處理光譜建立的ResNet 50模型。為進(jìn)一步評(píng)估模型分類效果，使用序列融合光譜分別建立偏最小二乘判別分析(PLS-DA)、支持向量機(jī)(SVM)以及集成學(xué)習(xí)算法模型隨機(jī)森林(RF)與極端梯度提升樹(shù)(XGBoost)模型，并進(jìn)行對(duì)比，結(jié)果顯示：SVM、PLS-DA、RF與XGBoost總體準(zhǔn)確率分別為81.67%、84.44%、89.44%與90.55%，F(xiàn)1值分別為81.59%、84.04%、89.49%與90.59%，ResNet 50總體準(zhǔn)確率與F1值優(yōu)于傳統(tǒng)光譜分析模型。因此，本研究表明校正光譜序列融合技術(shù)結(jié)合深度學(xué)習(xí)模型，能夠?qū)崿F(xiàn)對(duì)不同患病程度腥黑穗病籽粒的有效分類。

摘要:針對(duì)煙草領(lǐng)域中問(wèn)句意圖識(shí)別存在的特征稀疏、術(shù)語(yǔ)繁多和捕捉文本內(nèi)部的語(yǔ)義關(guān)聯(lián)困難等問(wèn)題,提出了一種基于SBERT-Attention-LDA(Sentence-bidirectional encoder representational from transformers-Attention mechanism-Latent dirichlet allocation)與ML-LSTM(Multi layers-Long short term memory)特征融合的問(wèn)句意圖識(shí)別方法。該方法首先基于SBERT預(yù)訓(xùn)練模型和Attention機(jī)制對(duì)煙草問(wèn)句進(jìn)行動(dòng)態(tài)編碼,轉(zhuǎn)換為富含語(yǔ)義信息的特征向量,同時(shí)利用LDA模型建模出問(wèn)句的主題向量,捕捉問(wèn)句中的主題信息;然后通過(guò)更改后的模型級(jí)特征融合方法ML-LSTM獲得具有更為完整、準(zhǔn)確問(wèn)句語(yǔ)義的聯(lián)合特征表示;再使用3通道的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)提取問(wèn)句混合語(yǔ)義表示中隱藏特征,輸入到全連接層和Softmax函數(shù)中實(shí)現(xiàn)對(duì)問(wèn)句意圖的分類?；跓煵菪袠I(yè)權(quán)威網(wǎng)站上獲取的數(shù)據(jù)集開(kāi)展了實(shí)驗(yàn)驗(yàn)證,實(shí)驗(yàn)結(jié)果表明,所提方法相比其他幾種深度學(xué)習(xí)結(jié)合注意力機(jī)制的方法精確率、召回率和F1值上有顯著提升,與BERT和ERNIE(Enhanced representation through knowledge integration and embedding)-CNN模型相比提升明顯,F1值分別提升2.07、2.88個(gè)百分點(diǎn)。

摘要:奶牛的動(dòng)作行為（進(jìn)食、躺臥、站立、行走和甩尾）直接或間接地反映了奶牛的健康及生理狀況,是奶牛疾病監(jiān)測(cè)及感知奶牛異常的關(guān)鍵，為準(zhǔn)確高效地對(duì)奶牛行為進(jìn)行識(shí)別，提出了一種融合時(shí)間和空間注意信息的多分支并行的CAFNet（ConvNeXt-ACM-FAM）奶牛行為識(shí)別模型，該模型在卷積網(wǎng)絡(luò)ConvNeXt的基礎(chǔ)上融合非對(duì)稱多分支卷積模塊（ACM）和特征注意力模塊（FAM）。首先，利用ACM劃分通道分支提取特征并保留一部分原始特征，防止信息過(guò)度丟失。其次，F(xiàn)AM對(duì)不同通道的特征進(jìn)行融合并引入SimAM注意力機(jī)制，不增加網(wǎng)絡(luò)參數(shù)的同時(shí)增強(qiáng)重要特征的有效提取。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)進(jìn)食、躺臥、站立、行走和甩尾行為識(shí)別準(zhǔn)確率分別為95.50%、93.72%、90.26%、86.43%、89.39%，平均準(zhǔn)確率為91.06%，參數(shù)量相較于原模型減少了1.5×106，浮點(diǎn)運(yùn)算量減少了3×108，相較于其他模型，本文模型識(shí)別平均準(zhǔn)確率平均提升8.63個(gè)百分點(diǎn)。本文研究成果可為奶牛疾病監(jiān)測(cè)及預(yù)防提供技術(shù)支持。

摘要:隨著我國(guó)畜牧業(yè)的快速發(fā)展，牛只養(yǎng)殖由分散性養(yǎng)殖逐漸向精準(zhǔn)化養(yǎng)殖轉(zhuǎn)變。針對(duì)分散養(yǎng)殖中農(nóng)戶無(wú)法對(duì)每頭牛只健康狀況給予足夠關(guān)注的問(wèn)題，通過(guò)分析牛只行為模式結(jié)合視覺(jué)方向特征，設(shè)計(jì)了綜合管理方法來(lái)準(zhǔn)確識(shí)別和跟蹤牛只行為。首先，采用改進(jìn)YOLO v8算法對(duì)牛只進(jìn)行目標(biāo)監(jiān)測(cè)，其中，在Backbone和Neck端使用C2f-faster結(jié)構(gòu)，增強(qiáng)模型特征提取能力；引入上采樣算子CARAFE，拓寬感受視野進(jìn)行數(shù)據(jù)特征融合；針對(duì)牛只幼仔檢測(cè)加入BiFormer注意力機(jī)制，以識(shí)別牛只小面積特征；更換動(dòng)態(tài)目標(biāo)檢測(cè)頭DyHead，融合尺度、空間和任務(wù)感知；然后，使用Focal SIoU函數(shù)，解決正負(fù)樣本分配不均衡和CIoU局限性的問(wèn)題。最后，將YOLO v8檢測(cè)到的行為類別信息引入BoTSORT算法中，實(shí)現(xiàn)在復(fù)雜場(chǎng)景下牛只多目標(biāo)行為識(shí)別跟蹤。實(shí)驗(yàn)結(jié)果表明，提出的FBCD-YOLO v8n（FasterNet、BiFormer、CARAFE、DyHead）模型在牛只行為數(shù)據(jù)集上，相比較YOLO v5n、YOLO v7tiny和原YOLO v8n模型的mAP@0.5分別提升3.4、3.1、2.4個(gè)百分點(diǎn)，尤其牛只回舔行為識(shí)別平均精度提高7.4個(gè)百分點(diǎn)。跟蹤方面，BoTSORT算法的MOTA為96.1%，MOTP為78.6%，IDF1為98.0%，HOTA為78.9%；與ByteTrack、StrongSORT算法比，MOTA和IDF1顯著提升，跟蹤效果良好。研究表明，在牛舍養(yǎng)殖環(huán)境下，本研究構(gòu)建的多目標(biāo)牛只行為識(shí)別跟蹤系統(tǒng)，可有效幫助農(nóng)戶監(jiān)測(cè)牛只行為，為牛只的自動(dòng)化精準(zhǔn)養(yǎng)殖提供技術(shù)支持。

摘要:水稻灌溉水量、氮肥和種植面積的高效管理有助于提升農(nóng)業(yè)經(jīng)濟(jì)效益，提高資源利用效率和改善生態(tài)環(huán)境。以黑龍江省13個(gè)市（區(qū)）為研究區(qū)域，利用Meta分析量化不同灌溉方式和施氮量對(duì)水稻產(chǎn)量和溫室氣體（CO2、CH4、N2O）排放的影響，并建立水肥生產(chǎn)函數(shù)。在此基礎(chǔ)上，以經(jīng)濟(jì)效益、溫室氣體排放量、水肥利用效率為目標(biāo)函數(shù)構(gòu)建多目標(biāo)優(yōu)化模型，以優(yōu)化分配各地區(qū)的水肥資源，調(diào)整水稻種植面積。優(yōu)化結(jié)果表明：控制灌溉和施加氮肥不同程度影響產(chǎn)量和溫室氣體排放，優(yōu)化后水稻種植面積減少3.76%，水利用效率提高18.4%，灌溉水量均值為4513.54m3/hm2，氮肥施用量減少11%，氮肥利用效率提高32%，氮肥施用量均值為100kg/hm2;經(jīng)濟(jì)效益增加8.1%，溫室氣體排放降低10.6%。本模型可以量化表征區(qū)域尺度基于控制灌溉的水肥施用與產(chǎn)量及溫室氣體排放的響應(yīng)關(guān)系，協(xié)同優(yōu)化稻田水土肥資源最佳配比，平衡經(jīng)濟(jì)、溫室氣體排放和資源利用效率，有助于黑龍江省水稻不同目標(biāo)間的水肥資源優(yōu)化和種植面積調(diào)整，促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展，可為水稻水土肥資源優(yōu)化與管理提供參考。

摘要:為探求溫室番茄節(jié)水減排優(yōu)產(chǎn)的灌溉模式，以番茄（金鵬8號(hào)）為研究對(duì)象，設(shè)置I1和I2（對(duì)應(yīng)作物-皿系數(shù)kcp為0.8和1.0）2個(gè)灌水水平，F(xiàn)1和F2（對(duì)應(yīng)施氮量180kg/hm2和240kg/hm2）2個(gè)施氮水平，A1、A2和CK（1倍和2倍文丘里加氣量，不加氣CK作為對(duì)照處理）3個(gè)加氣水平，采用3因素完全隨機(jī)設(shè)計(jì)，共10個(gè)處理，每個(gè)處理重復(fù)3次，采用靜態(tài)暗箱-氣相色譜法對(duì)番茄全生育期溫室氣體排放進(jìn)行監(jiān)測(cè)分析，探究土壤CO2、N2O、CH4排放與番茄產(chǎn)量的變化規(guī)律；分析灌水水平、施氮水平和加氣水平對(duì)溫室番茄產(chǎn)量和溫室氣體排放的影響，綜合全球凈增溫潛勢(shì)（Net global warming potential, NGWP）和溫室氣體排放強(qiáng)度（Greenhouse gas intensity, GHGI），提出以節(jié)水減排高產(chǎn)為目標(biāo)的溫室番茄水肥氣一體化滴灌管理模式。結(jié)果表明：灌溉水平和施氮水平增大均會(huì)增加土壤CO2、N2O排放通量，I2處理較I1處理平均增加24.8%（P<0.05）與14.8%（P>0.05），F(xiàn)2處理比F1處理平均增加8.6%（P>0.05）與34.9%（P<0.05）；加氣灌溉對(duì)土壤CO2、N2O排放通量有顯著影響，與CK處理相比，A1和A2處理分別平均增加5.5%、10.0%（P>0.05）和20.9%、62.9%（P<0.05）。番茄全生育期內(nèi)土壤CH4排放通量呈現(xiàn)土壤為CH4的匯，灌水水平增大會(huì)增加土壤CH4排放通量，而施氮水平增加則會(huì)減小CH4排放通量，I2處理比I1處理平均增加27.8%（P<0.05），F(xiàn)2處理比F1處理平均減少25.5%（P<0.05）；加氣、施氮和灌水會(huì)顯著增加番茄產(chǎn)量（P<0.05）。綜合考慮經(jīng)濟(jì)因素和生態(tài)因素，A1F2I1處理效益最佳，即加氣水平A1、施氮水平F2、灌水水平I1的組合策略可以兼顧節(jié)水優(yōu)產(chǎn)減排要求，為西北地區(qū)溫室番茄較優(yōu)灌溉模式。

摘要:為探究鄱陽(yáng)湖平原區(qū)洪澇時(shí)期不同泥沙含量下受淹脅迫對(duì)雙季稻生長(zhǎng)及產(chǎn)量的影響，采用大田試驗(yàn)與室內(nèi)分析相結(jié)合的方法，設(shè)置淹2/3株高和全淹2種受淹深度，S1（0kg/m3）、S2（0.5kg/m3）、S3（1.0kg/m3）3種泥沙含量，對(duì)淹水后6、9d早稻和中稻的生長(zhǎng)指標(biāo)和水稻產(chǎn)量進(jìn)行了觀測(cè)研究。結(jié)果表明：適度受淹刺激水稻伸長(zhǎng)，節(jié)間不斷分化，葉片伸長(zhǎng)、增寬。早稻抽穗開(kāi)花期受淹株高、節(jié)間長(zhǎng)增加9.35%、12.75%，2/3淹下葉面積增加11.00%。但脅迫過(guò)大抑制水稻生長(zhǎng)，中稻全淹下株高和分蘗數(shù)減小33.49%、29.28%，葉面積減小30.94%，此時(shí)中稻難以伸出水面，導(dǎo)致功能葉片附沙嚴(yán)重，泥沙含量增大進(jìn)一步抑制了水稻生長(zhǎng)。受淹導(dǎo)致早稻和中稻穗干物質(zhì)量平均減小32.35%、58.72%（P<0.05）。結(jié)實(shí)率和千粒質(zhì)量減小是早稻抽穗開(kāi)花期受淹后產(chǎn)量下降的主要原因，此時(shí)泥沙含量和淹水時(shí)間的影響并不明顯。中稻全淹下泥沙導(dǎo)致減產(chǎn)加劇，S2、S3下減產(chǎn)率比S1下顯著增加31.63%、52.20%（P<0.05），此時(shí)產(chǎn)量下降是穗長(zhǎng)、有效穗數(shù)、穗粒數(shù)、結(jié)實(shí)率、千粒質(zhì)量綜合作用的結(jié)果。研究結(jié)果可為鄱陽(yáng)湖平原區(qū)洪澇災(zāi)害治理和糧食安全保障提供理論和技術(shù)支撐。

摘要:探明散射輻射變化對(duì)稻田生態(tài)系統(tǒng)總初級(jí)生產(chǎn)力（Gross primary productivity, GPP）的影響可為稻田碳匯能力評(píng)估和產(chǎn)量估算提供參考。本研究以鄱陽(yáng)湖平原雙季稻田為研究對(duì)象，利用渦度相關(guān)（Eddy covariance, EC）系統(tǒng)對(duì)稻田CO2通量進(jìn)行了連續(xù)兩年（2017—2018年）的定位觀測(cè)，選取水稻生育中期數(shù)據(jù)，按照散射輻射比例（Diffuse fraction, DF）進(jìn)行分段，分析了散射輻射對(duì)稻田GPP的影響，探明并量化了不同DF條件下散射輻射與其他氣象因素對(duì)稻田GPP的影響機(jī)制。結(jié)果表明：不同類型輻射對(duì)GPP的影響存在差異，GPP隨著直接光合有效輻射（Direct photosynthetically active radiation, PAR-dir）的增加先迅速增長(zhǎng)，隨后達(dá)到飽和；在不同DF條件下，早晚稻GPP隨著散射光合有效輻射（Diffuse photosynthetically active radiation, PAR-dif）的變化趨勢(shì)存在差異，當(dāng)DF為0.1～0.4時(shí)，早稻GPP隨PAR-dif無(wú)明顯變化趨勢(shì)，晚稻GPP隨PAR-dif呈上升趨勢(shì)（決定系數(shù)R2為0.23），當(dāng)DF為0.4～0.7時(shí)，早晚稻GPP隨PAR-dif呈下降趨勢(shì)（R2為0.38、0.02），當(dāng)DF為0.7～1.0時(shí)，早晚稻GPP隨PAR-dif呈明顯上升趨勢(shì)（R2為0.32、0.89），可見(jiàn)PAR-dif是影響水稻GPP的重要因素。早晚稻GPP與DF呈二次曲線關(guān)系（R2為0.45、0.67），早晚稻光能利用效率（Light use efficiency, LUE）則與DF呈顯著的線性正相關(guān)關(guān)系（R2為0.68、0.82），早晚稻最優(yōu)DF為0.48和0.40。DF變化同時(shí)引起氣溫（Air temperature, Ta）和飽和水汽壓差（Water vapor pressure deficit, VPD）的變化，進(jìn)而對(duì)水稻GPP產(chǎn)生協(xié)同影響。氣象因素與水稻GPP的通徑分析結(jié)果表明：不同DF條件下，氣象因素對(duì)水稻GPP的影響存在明顯差異?？傮w而言，Ta和VPD升高分別對(duì)水稻GPP起促進(jìn)和抑制作用，當(dāng)DF為0.1～0.4、0.4～0.7和0.7～1.0時(shí)，影響早稻GPP的主要?dú)庀笠蛩貫門a、PAR-dir和PAR-dif，影響晚稻GPP的主要?dú)庀笠蛩貏t為PAR-dif、PAR-dir和PAR-dif。

摘要:為揭示不同施肥措施和土壤類型對(duì)我國(guó)西北地區(qū)典型農(nóng)田土壤氮素礦化特征的影響，通過(guò)室內(nèi)恒溫好氣培養(yǎng)法，分別研究不施肥（CK）、單施尿素（U）、單施有機(jī)肥（M）和尿素配施有機(jī)肥（U+M）施肥模式對(duì)土壤氮素礦化動(dòng)態(tài)過(guò)程的影響，并對(duì)土壤累積礦化氮量進(jìn)行一級(jí)動(dòng)力學(xué)方程擬合及相關(guān)性分析。結(jié)果表明，施肥和土壤類型均顯著影響土壤銨態(tài)氮含量、硝態(tài)氮含量和累積礦化氮量，且兩者之間存在顯著的交互作用。不同類型土壤累積礦化氮量和礦化速率由大到小依次為塿土、黃綿土、黃河灌淤土、灰棕漠土。與CK處理相比，不同施肥處理顯著增加土壤累積礦化氮量、礦化速率常數(shù)（k）和礦化勢(shì)（N0），處理間差異顯著（P<0.05）。單施尿素和尿素配施有機(jī)肥處理的累積礦化氮量和礦化速率分別較CK處理增加2.83~6.71倍和3.83~7.70倍。相關(guān)分析表明，土壤累積礦化氮量與土壤有機(jī)質(zhì)含量和全氮含量呈顯著正相關(guān)關(guān)系。研究結(jié)果表明，有機(jī)無(wú)機(jī)肥配施處理可顯著促進(jìn)西北地區(qū)不同土壤類型氮素礦化，提高氮素有效性和供氮能力，有利于保持土壤礦質(zhì)氮含量，對(duì)農(nóng)田氮素高效利用有重要作用。

摘要:針對(duì)現(xiàn)行農(nóng)業(yè)水價(jià)標(biāo)準(zhǔn)過(guò)低的問(wèn)題，選取糧食主產(chǎn)區(qū)——黑龍江省為研究區(qū)域，從農(nóng)業(yè)用水全價(jià)值和全成本出發(fā)，利用能值理論分析確定農(nóng)業(yè)用水價(jià)值，采用全成本水價(jià)法確定用水成本，結(jié)合現(xiàn)行水價(jià)制定不同情境下農(nóng)業(yè)水資源定價(jià)方案；運(yùn)用雙對(duì)數(shù)模型建立農(nóng)業(yè)用水需求價(jià)格函數(shù)，揭示水價(jià)提升帶來(lái)的研究區(qū)域節(jié)水潛力，結(jié)合指數(shù)分析法確定農(nóng)戶可承受能力，從而判斷所制定水價(jià)方案的可行性。結(jié)果表明：2020年，農(nóng)業(yè)水資源全價(jià)值為0.594元/m3，地表水與地下水全成本分別為0.180元/m3和0.355元/m3；針對(duì)設(shè)計(jì)的3種階梯水價(jià)調(diào)整方案，利用2005、2010、2015、2020年進(jìn)行實(shí)證分析，過(guò)渡期和長(zhǎng)期水價(jià)方案平均年節(jié)水量分別可達(dá)2.72×109、4.45×109m3，平均年節(jié)水潛力分別為12.74%、19.48%，且一階水價(jià)均在農(nóng)戶可承受能力范圍，確定為可行方案。本文為研究區(qū)農(nóng)業(yè)水價(jià)綜合改革提供了支持，可結(jié)合實(shí)際情況逐步提高農(nóng)業(yè)水價(jià)到合理水平。

摘要:針對(duì)溫室內(nèi)不同時(shí)間、位置的環(huán)境參數(shù)存在變異性，且隨天氣與季節(jié)變化，日光溫室冠層光照強(qiáng)度、空氣溫度和空氣相對(duì)濕度的分布差異性問(wèn)題，構(gòu)建了基于無(wú)線傳感器網(wǎng)絡(luò)的環(huán)境監(jiān)測(cè)系統(tǒng)。環(huán)境感知節(jié)點(diǎn)部署在作物冠層位置，集成了光照強(qiáng)度、空氣溫濕度等傳感器。首先，基于實(shí)時(shí)采集的溫室環(huán)境數(shù)據(jù)，采用反距離加權(quán)算法進(jìn)行插值分析，得到環(huán)境參數(shù)的離散曲面；其次，通過(guò)基于質(zhì)心坐標(biāo)的K-means聚類算法，得到了溫室內(nèi)連通及非連通區(qū)域的代表性特征點(diǎn)；最后，采用半變異函數(shù)與變異系數(shù)方法對(duì)溫室環(huán)境的空間變異性與時(shí)間變異性進(jìn)行分析。實(shí)驗(yàn)結(jié)果表明，夏季日光溫室在下午表現(xiàn)為高溫與高光照，08:00、16:00的光照強(qiáng)度分別為12:00的24.2%、72.9%，08:00的空氣溫度（27.7℃）較12:00、16:00低約6.0℃，對(duì)應(yīng)的空氣濕度（90%）高約30%。晴天最大光照強(qiáng)度分別為陰天、雨天的1.4倍和4.6倍，晴天、陰天最高空氣溫度高于雨天（29.5℃）約6℃，最小空氣相對(duì)濕度遠(yuǎn)低于雨天（84%）。夏季日光溫室晴天與陰天表現(xiàn)為高溫和低濕，雨天表現(xiàn)為高濕和低光照。各環(huán)境參數(shù)中，光照強(qiáng)度的空間變異性最強(qiáng)，變程為10.34m?？諝鉁貪穸鹊目臻g變異性較弱，整體分布均勻。光照強(qiáng)度、空氣溫度和空氣相對(duì)濕度的時(shí)間變異性均為中等變異程度。環(huán)境參數(shù)的特征點(diǎn)及時(shí)空變化規(guī)律有助于日光溫室傳感器的高效部署，為揭示作物與環(huán)境的交互作用提供了基礎(chǔ)。

摘要:為了探究秸稈類生物質(zhì)在熱解和氣化過(guò)程中的產(chǎn)氣規(guī)律，以我國(guó)東北地區(qū)典型的玉米秸稈為原料，基于自行建立的管式爐生物質(zhì)熱解氣化實(shí)驗(yàn)裝置，系統(tǒng)研究了玉米秸稈在氮?dú)鈿夥障聼峤夂驮诤鯕夥障職饣^(guò)程中CO、H2、CO2、CH4和CnHm等小分子生物質(zhì)燃?xì)獬煞值尼尫盘匦?，?duì)比分析了不同熱解溫度和氣化溫度對(duì)不同燃?xì)饨M分釋放規(guī)律及其產(chǎn)率的影響。實(shí)驗(yàn)結(jié)果表明：玉米秸稈熱解過(guò)程中最先釋放的小分子氣相產(chǎn)物是CO和CO2；當(dāng)溫度升高時(shí)生物質(zhì)燃?xì)庵兄饾u出現(xiàn)CH4和H2，且隨著熱解溫度升高，CO的產(chǎn)率峰值最先出現(xiàn)且峰值出現(xiàn)在升溫階段，而CO2、CH4和H2的產(chǎn)率峰值幾乎同時(shí)出現(xiàn)在恒溫階段；熱解溫度升高，玉米秸稈熱解產(chǎn)生的CO體積分?jǐn)?shù)幾乎沒(méi)有變化，而CO2的占比則隨著溫度的升高而降低；在400~500℃之間CH4體積分?jǐn)?shù)隨著熱解溫度的升高而增加，在500℃以后，基本穩(wěn)定在13%。在O.2體積分?jǐn)?shù)為8%、N2體積分?jǐn)?shù)為92%的含氧氣氛下，隨著氣化溫度的升高，玉米秸稈氣化產(chǎn)生CO2氣體的體積分?jǐn)?shù)呈先增加后降低的趨勢(shì)，而CO的體積分?jǐn)?shù)隨著溫度的升高而增大，這說(shuō)明高溫氣化條件下更有利于CO的釋放，而低溫條件下有利于CO2的產(chǎn)生。

摘要:在農(nóng)業(yè)生產(chǎn)中，過(guò)量偏施氮肥導(dǎo)致的硝酸鹽富集是次生鹽漬化、酸化等土壤障礙的重要誘因。生物炭因良好的吸附特性逐漸成為緩解鹽漬化的土壤調(diào)理劑，但果菜秸稈生物炭對(duì)硝酸鹽等離子的吸附研究鮮見(jiàn)報(bào)道。以甜椒、番茄和茄子3種果菜秸稈為原料熱解制備生物炭，進(jìn)行硝態(tài)氮吸附試驗(yàn)。通過(guò)掃描電鏡（SEM）和傅里葉近紅外光譜（FTIR）等技術(shù)對(duì)生物炭吸附前、后表面形貌、官能團(tuán)等進(jìn)行表征分析，利用吸附動(dòng)力學(xué)模型和等溫吸附模型等進(jìn)行擬合分析，綜合模型參數(shù)和形貌表征解析果菜秸稈生物炭的吸附性能和機(jī)制。研究結(jié)果表明，3種果菜秸稈生物炭對(duì)硝態(tài)氮均具有一定吸附能力，茄子秸稈生物炭吸附能力最強(qiáng)，最大理論平衡吸附量為114.788mg/g，其次為番茄（29.736mg/g）和甜椒（9.759mg/g）；茄子和甜椒秸稈生物炭吸附性能優(yōu)于玉米、稻殼等大田作物秸稈生物炭，吸附過(guò)程符合準(zhǔn)二級(jí)動(dòng)力學(xué)模型，受化學(xué)鍵吸附、表面吸附和內(nèi)擴(kuò)散吸附過(guò)程的控制，番茄秸稈生物炭吸附過(guò)程符合準(zhǔn)一級(jí)動(dòng)力學(xué)模型，主要為物理吸附；FTIR分析顯示，3種生物炭均含有羥基、甲基、亞甲基、羧基和羰基官能團(tuán)，除此之外，甜椒和茄子秸稈生物炭還含有醚鍵，番茄秸稈生物炭含有醇羥基。因此，3種果菜秸稈生物炭對(duì)硝態(tài)氮均具有吸附能力，茄子秸稈生物炭吸附能力最強(qiáng)，受孔隙填充、官能團(tuán)和絡(luò)合作用等多種理化機(jī)制的影響，具有消減土壤次生鹽漬化的潛力。本研究對(duì)鹽漬化土壤修復(fù)和果菜秸稈資源化利用具有理論意義。

摘要:針對(duì)有機(jī)廢棄物堆肥過(guò)程中物料溶氧效率低導(dǎo)致的堆體起溫速率慢、發(fā)酵不徹底等問(wèn)題，設(shè)計(jì)了一種高效堆肥通風(fēng)攪拌系統(tǒng)，該系統(tǒng)由分段式通風(fēng)系統(tǒng)和組合式攪拌裝置構(gòu)成，通過(guò)對(duì)兩個(gè)主要裝置進(jìn)行理論設(shè)計(jì)和DEM-FEM耦合仿真，〖JP3〗實(shí)現(xiàn)堆肥通風(fēng)和攪拌工藝優(yōu)化。結(jié)果顯示，通風(fēng)系統(tǒng)中的最大應(yīng)力出現(xiàn)在通風(fēng)管上，為13.064MPa，最大形變量為0.038126mm，攪拌裝置中最大應(yīng)力出現(xiàn)在抄板上，為190.31MPa，最大形變量為0.34417mm，符合設(shè)計(jì)要求。在此基礎(chǔ)上，以食物垃圾和梧桐葉為原料，進(jìn)行為期14d的堆肥試驗(yàn)，監(jiān)測(cè)堆肥過(guò)程中關(guān)鍵參數(shù)變化并測(cè)定發(fā)酵產(chǎn)物相關(guān)指標(biāo)，完成通風(fēng)攪拌系統(tǒng)性能驗(yàn)證試驗(yàn)。試驗(yàn)結(jié)果表明：使用該通風(fēng)攪拌系統(tǒng)的滾筒式堆肥反應(yīng)器，其內(nèi)部堆體溫度在3d時(shí)達(dá)到53.34℃，堆肥過(guò)程中堆體最高溫度可達(dá)69.56℃，堆體高溫期（大于50℃）可持續(xù)6d以上；試驗(yàn)結(jié)束后其產(chǎn)物含水率降至27.21%、pH值升至8.4、種子發(fā)芽指數(shù)最高可達(dá)131.4%，符合有機(jī)肥料測(cè)定標(biāo)準(zhǔn)(NY/T 525—2021)，滾筒反應(yīng)器運(yùn)行成本僅65.51元/t。

摘要:隨著區(qū)塊鏈技術(shù)在食品溯源領(lǐng)域的發(fā)展，預(yù)制食品的質(zhì)量安全得到了有效保障。然而，預(yù)制食品上下游生產(chǎn)加工環(huán)節(jié)眾多的產(chǎn)業(yè)特點(diǎn)，使溯源變得困難。在溯源的同時(shí)安全共享食譜、秘方等隱私數(shù)據(jù)，使供應(yīng)鏈更好地協(xié)同生產(chǎn)則十分重要。為解決上述問(wèn)題，提出了一種面向預(yù)制食品溯源的門限代理重加密(Threshold proxy re-encryption)隱私數(shù)據(jù)共享的方法，設(shè)計(jì)了一條預(yù)制食品溯源區(qū)塊鏈和追溯生產(chǎn)批號(hào)關(guān)聯(lián)相關(guān)溯源數(shù)據(jù)，確保數(shù)據(jù)的真實(shí)可信。使用門限代理重加密，預(yù)制食品生產(chǎn)商通過(guò)門限代理重加密將研發(fā)的食譜加密為初加密密文，同時(shí)在本地生成重加密密鑰，將初加密密文與重加密密鑰上傳至預(yù)制食品溯源區(qū)塊鏈中；第三方半誠(chéng)實(shí)服務(wù)商將從區(qū)塊鏈上獲取的重加密材料進(jìn)行重加密生成重加密密文，將重加密密文上傳至區(qū)塊鏈；監(jiān)管部門等數(shù)據(jù)訪問(wèn)者則使用自身私鑰將從區(qū)塊鏈上獲取的重加密密文進(jìn)行重加密解密，實(shí)現(xiàn)隱私數(shù)據(jù)在溯源區(qū)塊鏈上的安全共享。該方法基于Hyperledger Fabric，搭建了一個(gè)預(yù)制食品溯源區(qū)塊鏈原型系統(tǒng)進(jìn)行測(cè)試。測(cè)試結(jié)果表明，所提出的面向預(yù)制食品溯源的隱私數(shù)據(jù)加密共享方法在隱私數(shù)據(jù)共享方面與常用的數(shù)據(jù)加密共享方法相比計(jì)算開(kāi)銷較低。數(shù)據(jù)上鏈、公開(kāi)數(shù)據(jù)查詢、隱私數(shù)據(jù)查詢的平均時(shí)延分別為1.4738、63.9、59.9ms，系統(tǒng)性能良好。實(shí)驗(yàn)結(jié)果表明，提出的方法達(dá)到了供應(yīng)鏈隱私數(shù)據(jù)安全共享的目的，確保了商業(yè)機(jī)密和知識(shí)產(chǎn)權(quán)的安全共享，對(duì)預(yù)制食品行業(yè)發(fā)展和食品安全提升具有參考價(jià)值。

摘要:為提高早酥梨-美樂(lè)低醇復(fù)合果酒的品質(zhì)，以體積比50∶50復(fù)配的早酥梨和美樂(lè)葡萄汁為試材，在酒精發(fā)酵前分別添加0.25g/L的酵母細(xì)胞壁、水溶性β葡聚糖和甘露糖蛋白，接種釀酒酵母和非釀酒酵母進(jìn)行混菌發(fā)酵，采用頂空固相微萃取結(jié)合氣相色譜質(zhì)譜聯(lián)用技術(shù)（HS-SPME-GC-MS）測(cè)定發(fā)酵酒樣的揮發(fā)性香氣化合物，結(jié)合模糊數(shù)學(xué)感官評(píng)價(jià)法分析探討其對(duì)酒體品質(zhì)的影響。結(jié)果表明，3種酵母多糖均對(duì)早酥梨-美樂(lè)低醇復(fù)合果酒酒精發(fā)酵動(dòng)力學(xué)和理化指標(biāo)有一定影響，尤其是添加酵母甘露糖蛋白的復(fù)合果酒與空白對(duì)照組酒樣的CIELab顏色參數(shù)差異顯著。此外，添加酵母甘露糖蛋白可以提高酒樣中萜烯類、酯類、高級(jí)醇類物質(zhì)，尤其是2-甲基丁酸乙酯、丁酸乙酯、乙酸苯乙酯、癸酸乙酯、香茅醇和香葉醇等化合物含量，呈現(xiàn)較為突出的花香、果香屬性；模糊數(shù)學(xué)綜合感官評(píng)價(jià)達(dá)到7.400分。綜上，外源添加酵母甘露糖蛋白能夠有效穩(wěn)定早酥梨-美樂(lè)低醇果酒顏色，改善香氣品質(zhì)。

摘要:以大豆分離蛋白（SPI）為原料，采用堿性蛋白酶（Alcalase）進(jìn)行酶解（0~180min），通過(guò)凝膠電泳、傅里葉紅外光譜（FT-IR）和內(nèi)源熒光光譜等方法探究酶解產(chǎn)物的結(jié)構(gòu)變化；通過(guò)表面張力、界面蛋白吸附量等指標(biāo)說(shuō)明酶解產(chǎn)物的界面行為，并分析結(jié)構(gòu)變化和界面行為對(duì)泡沫性質(zhì)的影響。經(jīng)酶解后，蛋白中7S和11S典型條帶消失并有新條帶產(chǎn)生（約24ku）；與SPI相比，水解物中α螺旋含量減少，β轉(zhuǎn)角和無(wú)規(guī)則卷曲含量增加；熒光波長(zhǎng)發(fā)生紅移。以上結(jié)果說(shuō)明蛋白結(jié)構(gòu)展開(kāi)，進(jìn)而促進(jìn)蛋白功能性的改變。結(jié)果發(fā)現(xiàn)，酶解90min時(shí)樣品起泡性最好（起泡性指數(shù)143.20%），可能由于此時(shí)水解物平均粒徑最低（208.10nm），溶解度較高（90.44%），表面張力最低，有利于提升水解物在空氣-水界面的吸附速率，但由于酶解作用產(chǎn)生較小的肽段失去了蛋白質(zhì)網(wǎng)絡(luò)結(jié)構(gòu)的能力，因而對(duì)泡沫穩(wěn)定性有負(fù)面的影響。此外，酶解作用大大提高了蛋白抗氧化性。通過(guò)酶解可以有效地改善SPI的起泡性，拓寬了酶解后的SPI作為一種有效的起泡劑在食品中的應(yīng)用范圍。

摘要:發(fā)動(dòng)機(jī)性能變化和牽引阻力波動(dòng)等時(shí)變因素對(duì)大功率動(dòng)力換擋拖拉機(jī)（PST）換擋策略的適應(yīng)性具有巨大威脅。為了構(gòu)建動(dòng)態(tài)精準(zhǔn)模型和應(yīng)對(duì)負(fù)載波動(dòng)，以提高PST換擋策略的適應(yīng)性，提出了一種基于數(shù)字孿生的自適應(yīng)換擋策略。一方面，將發(fā)動(dòng)機(jī)狀態(tài)變化視作內(nèi)部干擾，基于深度確定性策略梯度（DDPG）算法對(duì)虛擬PST發(fā)動(dòng)機(jī)進(jìn)行實(shí)時(shí)校準(zhǔn)，結(jié)合PST機(jī)理模型，實(shí)現(xiàn)對(duì)PST的實(shí)時(shí)動(dòng)態(tài)精準(zhǔn)建模。另一方面，將牽引阻力波動(dòng)視作外部干擾，提出基于深度Q網(wǎng)絡(luò)（DQN）的換擋策略生成方法。在實(shí)時(shí)動(dòng)態(tài)精準(zhǔn)建模和換擋策略自動(dòng)生成兩個(gè)機(jī)制的協(xié)同作用下，實(shí)現(xiàn)換擋策略的自適應(yīng)調(diào)整。最后，開(kāi)展了犁耕工況下的虛擬PST訓(xùn)練仿真及本文方法與模糊自適應(yīng)方法的車速跟蹤對(duì)比試驗(yàn)。結(jié)果表明，發(fā)動(dòng)機(jī)轉(zhuǎn)矩和燃油消耗率跟蹤誤差均值不超過(guò)7.28N·m和1.55g/(kW·h)，實(shí)現(xiàn)了對(duì)物理PST的動(dòng)態(tài)精準(zhǔn)建模。在長(zhǎng)時(shí)間使用之后，發(fā)動(dòng)機(jī)和牽引阻力的變化導(dǎo)致模糊自適應(yīng)方法的換擋點(diǎn)和模糊規(guī)則不再完全適用，換擋表現(xiàn)逐漸變差，而本文方法的換擋表現(xiàn)和車速跟蹤效果全程良好，其車速跟蹤誤差均值、燃油消耗率均值和總換擋次數(shù)分別為0.0125m/s、229.76g/(kW·h)和42，比模糊自適應(yīng)方法分別減小0.91%、11.14%、34.38%，驗(yàn)證了本文方法的適應(yīng)性和優(yōu)越性。

摘要:基于方位特征（POC）方程的并聯(lián)機(jī)構(gòu)設(shè)計(jì)理論與方法，設(shè)計(jì)了一種全部由低副組成、具有位置正解符號(hào)化且部分運(yùn)動(dòng)解耦的兩平移一轉(zhuǎn)動(dòng)（2T1R）并聯(lián)機(jī)構(gòu)，并對(duì)機(jī)構(gòu)的主要拓?fù)涮卣鳎≒OC、自由度、耦合度、運(yùn)動(dòng)解耦性）進(jìn)行分析與計(jì)算；基于拓?fù)涮卣鬟\(yùn)動(dòng)學(xué)建模原理，導(dǎo)出機(jī)構(gòu)符號(hào)式位置正解和反解；同時(shí)，由位置反解分析了機(jī)構(gòu)奇異性，基于符號(hào)式位置正解求解了機(jī)構(gòu)工作空間；根據(jù)基于虛功原理的序單開(kāi)鏈法，對(duì)該機(jī)構(gòu)動(dòng)力學(xué)性能進(jìn)行分析，計(jì)算得施加在3個(gè)驅(qū)動(dòng)副上的驅(qū)動(dòng)力；最后，對(duì)該機(jī)構(gòu)應(yīng)用于無(wú)人機(jī)操作及其安全著陸的動(dòng)作原理進(jìn)行了概念設(shè)計(jì)闡述。