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

Abstract:

農(nóng)業(yè)環(huán)境中農(nóng)業(yè)裝備時常發(fā)生行駛滑動現(xiàn)象且具有明顯不確定性，滑動現(xiàn)象使行駛機構(gòu)處于不可控狀態(tài)，從而影響作業(yè)精度，嚴重阻礙了種植、中耕管理和收獲等需要精準作業(yè)環(huán)節(jié)的農(nóng)業(yè)裝備信息化及智能化發(fā)展。本文從滑動原理、滑動辨識及行駛滑動控制方面，分別對滑動力學特性、滑動辨識方法和考慮滑動的路徑跟蹤控制的國內(nèi)外研究現(xiàn)狀進行綜述。滑動原理方面，著重闡述了針對不同行駛機構(gòu)的結(jié)構(gòu)特點和行駛地面環(huán)境建立的多種行駛機構(gòu)與地面的系統(tǒng)模型?；瑒颖孀R方面，分別對基于數(shù)學模型和基于數(shù)據(jù)驅(qū)動兩類方法進行分析，揭示各方法優(yōu)勢與局限性。行駛滑動控制方面，重點歸納了應(yīng)用于農(nóng)業(yè)裝備的路徑跟蹤控制方法，指出了目前行駛滑動控制研究方法局限性。最后，指出行駛滑動辨識研究對于農(nóng)業(yè)裝備自動化發(fā)展具有重要意義，未來農(nóng)業(yè)裝備行駛滑動研究可以從滑動力學理論模型、滑動實時辨識方法、行駛滑動控制方法等方面開展深入研究。

Abstract:

花生收獲季節(jié)性強，人工作業(yè)勞動強度高，效率低，收獲損失大，花生生產(chǎn)需要依靠成熟的機械化收獲技術(shù)。中國的花生收獲機械化水平在花生機械化生產(chǎn)環(huán)節(jié)中處于較低水平，嚴重制約了中國花生機械化水平的整體提高。本文在闡述花生收獲作業(yè)模式為聯(lián)合收獲作業(yè)模式、兩段式收獲作業(yè)模式和三段式收獲作業(yè)模式的基礎(chǔ)上，對中國花生機械化收獲的挖掘裝置和摘果裝置進行了系統(tǒng)歸納總結(jié)，并闡述了輸送鏈式花生收獲機、條鋪式花生收獲機、挖掘翻秧花生收獲機、半喂入和全喂入式花生聯(lián)合收獲機的性能和特點。同時，分析了美國花生機械化收獲技術(shù)，并對印度花生收獲機進行了簡述。最后，在總結(jié)花生機械化收獲裝備特點的基礎(chǔ)上，分析了中國花生收獲機械存在的問題，并對未來發(fā)展趨勢進行了展望。指出花生機械化收獲裝備將進入以智能化、精細化、高效化為主導(dǎo)的新階段。

Abstract:

針對谷子播種時在導(dǎo)種管內(nèi)彈跳嚴重，導(dǎo)致谷子落地后成穴性差的問題，設(shè)計了一種谷子穴播機勺鏈式導(dǎo)種裝置。其工作原理為通過約束種子運移軌跡提高其落地后成穴性，對關(guān)鍵零部件進行了設(shè)計，對納種與投種過程進行了運動分析，確定了影響導(dǎo)種性能的重要因素。為獲得最佳參數(shù)組合，分別以圓形勺、方形勺、方形平嘴勺3種種勺型式和ABS、橡膠、亞克力3種材料為因素進行單因素試驗，試驗結(jié)果表明方形平嘴勺和橡膠材料效果最佳。在此基礎(chǔ)上，以納種角度、納種高度和鏈輪轉(zhuǎn)速為納種試驗因素，以納種合格率為評價指標；以投種高度、投種角度和鏈輪轉(zhuǎn)速為投種試驗因素，以穴徑合格率、穴粒數(shù)合格率及穴距變異系數(shù)為投種評價指標，通過EDEM離散元仿真軟件分別進行納種過程與投種過程的三因素五水平二次正交旋轉(zhuǎn)組合仿真試驗。納種過程最佳參數(shù)組合為：納種角度45.95°、納種高度74.05mm、鏈輪轉(zhuǎn)速1.76r/s；投種過程最佳參數(shù)組合為：投種角度53.51°、投種高度25.96mm、鏈輪轉(zhuǎn)速1.98r/s。為進一步驗證導(dǎo)種裝置性能，在最佳參數(shù)組合下進行臺架驗證試驗與對比試驗，驗證試驗中納種合格率為95.53%、穴徑合格率為93.29%、穴粒數(shù)合格率為94.73%、穴距變異系數(shù)為7.46%，臺架驗證試驗結(jié)果與仿真試驗結(jié)果基本一致，相對差值均小于5%；對比試驗結(jié)果表明，安裝勺鏈式導(dǎo)種裝置的播種效果明顯優(yōu)于安裝導(dǎo)種管的播種效果，穴徑合格率、穴粒數(shù)合格率、穴距變異系數(shù)最大可提高2.75、3.43、3.25個百分點。

Abstract:

為進一步提高鋪膜精量播種機的作業(yè)效率，解決道路通行不便、田間地頭轉(zhuǎn)向困難的問題，改進設(shè)計了一種可平行折疊的寬幅鋪膜精量播種機，一次作業(yè)可完成種床整形、開溝鋪膜鋪帶、播種、覆土等工序。闡述了播種機整機結(jié)構(gòu)及工作原理，對仿形機構(gòu)、寬幅機架、舉升裝置和液壓系統(tǒng)等關(guān)鍵部件進行設(shè)計分析，確定了各部件的最佳尺寸及影響升降過程平穩(wěn)性的關(guān)鍵因素；通過ADAMS軟件對整機展開與升降過程進行剛?cè)狁詈戏治觯玫秸归_過程中寬幅機架最大受力點位置以及滑軌梁的變形曲線。為驗證折疊式棉花寬幅鋪膜播種機的作業(yè)性能，對其鋪膜、鋪帶、播種性能進行田間試驗，試驗結(jié)果表明，采光面寬度合格率為92.1%，單粒率為96.4%，膜下播種深度合格率為95.7%，穴距合格率為96.3%，滴灌帶縱向拉伸率為0.73%，滿足行業(yè)標準及農(nóng)藝要求。

Abstract:

為實現(xiàn)機械化一體式水稻缽苗膜上移栽要求，提出非圓齒輪-連桿組合式行星輪系移栽機構(gòu)，用一套機構(gòu)實現(xiàn)取苗、送苗、破膜挖穴和栽植4個工序協(xié)同配合作業(yè)，滿足水稻缽苗膜上移栽所需的軌跡與姿態(tài)要求。對移栽機構(gòu)進行理論分析并建立運動學模型，結(jié)合優(yōu)化目標，基于Matlab GUI平臺開發(fā)了數(shù)字可視化優(yōu)化設(shè)計軟件，通過人機交互獲得1組滿足移栽要求的機構(gòu)參數(shù)。根據(jù)優(yōu)化參數(shù)對機構(gòu)開展結(jié)構(gòu)設(shè)計與三維建模，通過ADAMS軟件完成了虛擬樣機仿真驗證。研制了水稻缽苗膜上移栽機構(gòu)物理樣機與多功能試驗測試臺架，開展了移栽機構(gòu)在空轉(zhuǎn)和帶苗狀態(tài)下運動學特性和工作性能試驗，結(jié)果表明，理論軌跡、虛擬樣機仿真軌跡和物理樣機臺架試驗軌跡在誤差允許范圍內(nèi)保持一致，驗證了移栽機構(gòu)設(shè)計的一致性與正確性，性能試驗結(jié)果：取苗成功率為94%，移栽成功率為92.36%，栽植株距變異系數(shù)為2.67%，滿足移栽作業(yè)要求，驗證了水稻缽苗膜上移栽機構(gòu)設(shè)計的合理性與可行性。

Abstract:

針對目前工廠化育秧育苗田間鋪盤自動化程度低、成本高等問題，設(shè)計了一種全自動雙邊軌道式田間鋪盤裝置，并配備苗床異常凸起視覺檢測模塊。首先對鋪盤結(jié)構(gòu)工作原理進行分析，之后對鋪盤裝置滿載作業(yè)狀況進行結(jié)構(gòu)設(shè)計、受力分析和仿真分析。為了防止苗床異常凸起導(dǎo)致鋪盤時秧盤傾斜，影響煉苗成活率，提出了一種基于CBAM-YOLO v5n的苗床異常凸起目標識別算法，改進后的YOLO v5n算法添加了注意力機制，對苗床異常凸起目標檢測準確率、召回率和平均精度均值分別為98.1%、91.7%和94.9%，相對于原模型分別提高1.2、1.7、0.9個百分點。對設(shè)計的鋪盤樣機進行了正交試驗，試驗結(jié)果表明，當鋪盤高度為90mm、鋪盤機構(gòu)轉(zhuǎn)速為550r/min、鋪盤箱平移速度為0.14m/s時，鋪盤成功率最高為96.4%，植入機器視覺模塊后，鋪盤成功率可達99.3%。設(shè)計的鋪盤裝置可有效降低人工鋪盤勞動強度，降低鋪盤勞動成本。

Abstract:

針對目前農(nóng)業(yè)機器人在全局路徑規(guī)劃過程中存在規(guī)劃效率低、規(guī)劃路徑折線段多、折線角度大、作業(yè)不穩(wěn)定等問題，以果園履帶機器人為運動學模型，提出一種基于改進A*算法+低階多段貝塞爾曲線拼接（Low-order multi-segment Bezier curve splicing，LM-BZS）算法的路徑規(guī)劃方法。首先，根據(jù)先驗地圖獲取果園環(huán)境信息，將果樹和障礙物視作不可通行區(qū)域，并結(jié)合機器人本體尺寸，對不可通行區(qū)域進行膨脹擬合處理；然后，利用改進A*算法搜索路徑，對初步生成路徑進行樹行節(jié)點調(diào)整；最后，采用LM-BZS算法對調(diào)整后的路徑點進行優(yōu)化處理，生成符合果園履帶機器人作業(yè)要求的行駛路徑。仿真試驗結(jié)果表明，相較于傳統(tǒng)A*算法，本文所提出的改進算法在無障礙和有障礙環(huán)境中，路徑規(guī)劃時間分別減少76.75%、86.40%，節(jié)點評估數(shù)量分別減少36.68%、39.37%；經(jīng)LM-BZS算法優(yōu)化所得路徑在無障礙環(huán)境中，相較于傳統(tǒng)A*算法和高階貝塞爾算法，平均曲率分別降低45.81%、18.94%；在有障礙環(huán)境中平均曲率分別降低56.98%、27.81%。場地試驗結(jié)果表明，果園履帶機器人在對本文算法生成路徑進行跟蹤行駛時，在無障礙和有障礙環(huán)境中，最大橫向誤差分別為0.428、0.491m，平均橫向誤差分別為0.232、0.276m，平均航向偏差分別為11.06°、13.76°，符合果園履帶機器人自主行駛條件。

Abstract:

針對我國雙低油菜“油蔬兩用”多功能開發(fā)與利用過程中，油菜薹人工收獲效率低、成本高且機械化收獲技術(shù)與裝備缺乏等問題，提出了集低茬雙動切割、柔性夾持輸送、拋送鋪放、橫向輸送、集箱等環(huán)節(jié)的油菜薹機械化對行收獲工藝方案，并在分析油菜薹種植農(nóng)藝與機械化收獲要求的基礎(chǔ)上，設(shè)計了油菜薹對行自走式收獲機。闡述了整機結(jié)構(gòu)與工作原理，開展了切割裝置、夾持輸送裝置、橫向輸送裝置等關(guān)鍵部件結(jié)構(gòu)設(shè)計與理論分析，結(jié)合油菜薹沿輸送路徑遷移的幾何與運動學條件確定了收獲機主要結(jié)構(gòu)參數(shù)與工作參數(shù)。田間試驗結(jié)果表明，當?shù)稒C速比系數(shù)為0.8、夾持輸送速度為0.37m/s、橫向輸送速度為0.5m/s時，收獲作業(yè)過程中無漏割，夾持輸送成功率為93.69%、作業(yè)損傷率為7.4%、作業(yè)生產(chǎn)率達0.17hm2/h，收獲機各關(guān)鍵部件運行較穩(wěn)定，可一次性實現(xiàn)切割、夾持輸送、橫向輸送、集箱等工序，各項性能指標滿足油菜薹機械化收獲作業(yè)要求。

Abstract:

針對瓶栽鹿茸菇工廠化采收裝備缺失的問題，提出了一種“輸-定-切-夾”采收工藝，并設(shè)計了相應(yīng)的自動采收裝置，闡述了裝置總體結(jié)構(gòu)及工作原理，確定了整機作業(yè)流程。通過對栽培筐輸送過程運動學與力學分析，確定了導(dǎo)流條安裝角及輸送輥筒參數(shù)；基于ANSYS LS-DYNA對切割過程進行了仿真分析，以切割速度、進給速度、帶鋸條前角及齒距為試驗因素，以切割反作用力為響應(yīng)指標，通過響應(yīng)面法進行了切割性能建模和優(yōu)化。結(jié)合物理試驗確定了最優(yōu)參數(shù)組合：切割速度為6.49m/min、進給速度為0.12m/min、前角為25°、齒距為7mm；采用ABAQUS軟件對柔性手指彎曲過程進行了仿真，結(jié)合物理試驗確定了柔性手指最優(yōu)結(jié)構(gòu)參數(shù)為：氣腔厚度2mm、氣腔7個、氣壓25kPa、限制層厚度3mm。整機試驗表明，裝置運行平穩(wěn)，采收作業(yè)效果良好，平均采凈率、平均損失率和平均損傷率分別為98.18%、3.66%和2.75%，滿足瓶栽鹿茸菇實際采收要求。

Abstract:

針對傳統(tǒng)三七莖葉采收機切割刀片在滑切減阻、刀片刃口鋒利性等方面存在明顯不足，以切葉蟻上顎結(jié)構(gòu)特征為仿生原型，運用逆向工程技術(shù)，提取切葉蟻上顎輪廓曲線，分別基于切葉蟻的切齒齒頂尖銳端和上顎輪廓曲線設(shè)計了A、B兩種不同的仿生切割刀片；開展了EDEM仿真與臺架對比試驗，仿真試驗結(jié)果表明，仿生刀片A、B相較于傳統(tǒng)刀片的平均最大剪切力分別降低7.74%和3.07%；臺架試驗結(jié)果表明，仿生刀片A、B相較于傳統(tǒng)刀片的平均最大剪切力分別降低8.84%和2.53%，并且仿生刀片A、B在提高三七莖稈橫切面平整度方面效果顯著；3種刀片仿真試驗與臺架試驗所測得的最大剪切力誤差均不大于3.64%，仿真試驗結(jié)果與實際試驗結(jié)果基本一致。以刀型、切割傾角、切割速度為試驗因素，開展正交試驗，確定了較優(yōu)參數(shù)組合為仿生刀片A、切割傾角0°、切割速度400mm/min?；谳^優(yōu)參數(shù)組合開展田間試驗，結(jié)果顯示其對三七莖葉采收平均完整率為97.37%，較傳統(tǒng)刀片提升2.01個百分點，平均漏割率為2.64%，較傳統(tǒng)刀片降低1.46個百分點，表明以切葉蟻上顎切齒齒頂尖銳端為特征點設(shè)計的仿生刀片能夠有效提升三七采收機作業(yè)性能。

Abstract:

傳統(tǒng)臥旋式清秸裝置動土量較大，且濕黏土壤拋起時易黏附在機器上，導(dǎo)致作業(yè)質(zhì)量下降、油耗增加，影響裝置作業(yè)穩(wěn)定性，針對這一問題，設(shè)計一種立旋式定角度清秸機，通過結(jié)構(gòu)設(shè)計與分析實現(xiàn)清秸刀齒恒定角度作業(yè)，避免秸稈二次帶回種床，通過對清秸刀齒切土跡距分析確定裝置關(guān)鍵結(jié)構(gòu)參數(shù)，應(yīng)用三因素三水平正交試驗方法，以作業(yè)速度、跡距系數(shù)和入土深度為試驗因素，清秸率和單位面積作業(yè)功耗為試驗評價指標，對影響清秸機作業(yè)性能的相關(guān)參數(shù)進行試驗與優(yōu)化。試驗結(jié)果表明，當參數(shù)組合為作業(yè)速度4~8km/h、跡距系數(shù)2和入土深度10mm時，清秸率不小于89.7%、單位面積作業(yè)功耗不大于1.84W·h/m2，整個作業(yè)過程均未發(fā)生土壤黏附現(xiàn)象。研究結(jié)果可突破濕黏土壤環(huán)境下播種裝備作業(yè)局限，為稻麥輪作全程機械化提供技術(shù)支撐。

Abstract:

為解決海南省香蕉秸稈粉碎機作業(yè)過程中粉碎效果差和拋撒不均勻等問題，設(shè)計了一款具有良好秸稈粉碎性能的仿生鋸齒粉碎尖刀還田機。將仿生學原理應(yīng)用到粉碎刀片設(shè)計中，仿藍鯊牙齒鋸齒輪廓設(shè)計了一款仿生鋸齒粉碎尖刀，通過仿真驗證了仿生鋸齒尖刀對香蕉秸稈的切割能力，并設(shè)計了仿生鋸齒尖刀與傳統(tǒng)粉碎刀混合使用，制定了試驗方案并進行整機仿真與田間試驗。利用Fluent軟件研究了香蕉秸稈粉碎還田機作業(yè)過程中粉碎刀軸轉(zhuǎn)速、粉碎室離地高度和粉碎刀刀尖與機殼距離等參數(shù)對粉碎室內(nèi)不同位置的壓力場、速度場的影響。仿真結(jié)果表明，當?shù)遁S轉(zhuǎn)速為2000r/min時，粉碎室喂入特性最佳；粉碎室離地高度越大，秸稈喂入特性越好，但過高或過低的離地高度會導(dǎo)致粉碎室內(nèi)秸稈流動性降低；增加粉碎刀刀尖與機殼間隙會導(dǎo)致秸稈拋撒情況產(chǎn)生不良影響。仿真試驗和田間試驗結(jié)果表明，仿生鋸齒尖刀與傳統(tǒng)粉碎刀混合使用，可在保證秸稈撿拾能力同時，提高整機粉碎合格率和拋撒均勻度。

Abstract:

由于傳統(tǒng)淡水魚池塘養(yǎng)殖存在廢物過量堆積、水體污染嚴重等問題，以及中國對水產(chǎn)品需求的增加，工廠化循環(huán)水養(yǎng)殖、集裝箱、圈養(yǎng)模式等高質(zhì)量、高產(chǎn)量、集約化的新型淡水魚養(yǎng)殖模式逐漸得到應(yīng)用。針對新型淡水魚養(yǎng)殖模式存在投飼勞動強度大、自動化程度低等問題，設(shè)計了一款氣送式自動投飼系統(tǒng)，實現(xiàn)了定向、定時和定量投飼功能。設(shè)計了特定的四通裝置和三通裝置以保證飼料的定向輸送；基于計算流體力學和離散單元法（Computational fluid dynamics-Discrete element method，CFD-DEM）耦合技術(shù)，初步確定了滿足投飼要求的投飼速度并由此確定了風機型號；開發(fā)了以Arduino Mega 2560單片機為核心處理器的投飼控制系統(tǒng)，通過時鐘模塊實時獲取當前時間信息，通過稱量傳感器實時獲取料倉內(nèi)物料質(zhì)量信息，通過藍牙傳輸預(yù)計投飼區(qū)域、投飼時間和投飼質(zhì)量，從而實現(xiàn)定向定時定量投飼；最后試制樣機并進行了性能試驗，兩種工況下投飼的實際投飼距離與仿真結(jié)果誤差分別為5.74%和9.54%，定向、定時和定量投飼可以準確實現(xiàn)，控制系統(tǒng)響應(yīng)時間小于1s，定量投飼最大誤差為5.37%。研究結(jié)果表明，自動投飼系統(tǒng)結(jié)構(gòu)可靠、控制系統(tǒng)精度較高，滿足自動投飼要求。

Abstract:

針對目前旱地蔬菜缽苗移栽機大多適用于大株距（大于260mm）移栽且投接苗與栽植位置作業(yè)高度差大、移栽性能不佳等問題，本文提出一種高接低栽式差速變姿態(tài)行星輪系栽植機構(gòu)。根據(jù)中小株距蔬菜缽苗移栽農(nóng)藝指導(dǎo)與機構(gòu)設(shè)計要求，解析雙行星架差速行星輪系栽植機構(gòu)工作原理并建立其運動學理論模型；結(jié)合所提出優(yōu)化目標構(gòu)建目標函數(shù)，開發(fā)了基于Matlab GUI的栽植機構(gòu)計算機輔助分析優(yōu)化設(shè)計軟件，通過人機交互方式獲得1組較優(yōu)的機構(gòu)設(shè)計參數(shù)組合。通過三維建模與裝配以及ADAMS軟件虛擬仿真，初步驗證了機構(gòu)正確性與合理性。開展栽植機構(gòu)物理樣機試制與試驗臺架系統(tǒng)開發(fā)研究，通過空轉(zhuǎn)試驗測試，驗證了栽植機構(gòu)實際作業(yè)軌跡、姿態(tài)與虛擬仿真及理論設(shè)計的一致性；開展栽植機構(gòu)接苗與栽植性能試驗，試驗結(jié)果表明，栽植機構(gòu)在接苗與栽植各項試驗指標均較為優(yōu)秀，能夠滿足栽植機構(gòu)預(yù)期設(shè)計要求與旱地移栽機械標準，驗證了該機構(gòu)的可行性與實用性。

Abstract:

全貫流泵是一種新型的機電-水泵一體式貫流泵，然而其在運行時存在定轉(zhuǎn)子間隙回流，擾亂了葉輪內(nèi)的流場分布，導(dǎo)致泵裝置產(chǎn)生能量損失、壓力波動和噪聲等問題，影響泵站的正常運行。通過數(shù)值模擬和模型試驗研究全貫流泵裝置定轉(zhuǎn)子間隙流的水力特性，結(jié)合Doehlert Matrix設(shè)計-響應(yīng)面優(yōu)化法對其定轉(zhuǎn)子進、出流間隙結(jié)構(gòu)進行優(yōu)化設(shè)計，揭示全貫流泵裝置定轉(zhuǎn)子進、出流間隙結(jié)構(gòu)對泵裝置性能的影響機理，并得到最終優(yōu)化的折角式定轉(zhuǎn)子進、出流間隙結(jié)構(gòu)方案為：外側(cè)延伸段長度t1為4.921r，外側(cè)收縮段長度x1為0.624r，內(nèi)側(cè)延伸段長度t2為3.655r，內(nèi)側(cè)收縮段長度x2為1.6r（r為定轉(zhuǎn)子間隙寬度），使得全貫流泵裝置揚程和效率分別提升約10.3%和5.2%。

Abstract:

作物遙感識別主要基于監(jiān)督分類方法，對樣本的數(shù)量、分布要求較高，而農(nóng)作物樣本目視解譯困難。為提高已采集樣本的利用率，同時降低精細分類中對樣本的依賴，本文將遷移學習與非監(jiān)督分類方法相結(jié)合，在源域內(nèi)構(gòu)建特征工程，包括：BLUE、GREEN、RED、EDGE1、EDGE2、EDGE3、NIR、SWIR 8個原始光譜波段，以及NDVI、EVI、RVI、GNDVI、TVI、DVI、MSAVI、GCVI、RNDVI、NDRE、RRI1、RRI2、MSRRE、CLRE、IRECI、LSWI、GCI、SIPI 18個植被指數(shù)，提取出最能表征制種玉米與大田玉米冠層光譜差異，且在不同的源域內(nèi)制種玉米之間差異最小的特征，將其作為先驗知識用于目標域的分類任務(wù)中，再基于K-means進行制種玉米識別和制圖。結(jié)果表明，在眾多特征中，近紅外原始波段表現(xiàn)出最強的優(yōu)勢，且在制種玉米母本去雄期后表征效果最好。計算此時間段內(nèi)NIR的線性回歸斜率作為特征，相較于直接基于NIR原始波段特征分類精度有所提升。利用K-means方法對2019年、2020年石河子市和奎屯市的制種玉米分類，2個目標域制種玉米2019年F1值分別為74.35%和64.97%，2020年F1值分別為72.50%和75.69%。本方法通過提取先驗知識，引入非監(jiān)督分類器，有效提高了樣本利用率。通過提取波段回歸斜率作為特征為原始波段的特征增強提供了思路，同時也為無樣本場景下農(nóng)作物精細分類繪圖提供了方法。

Abstract:

作物精準遙感制圖對于農(nóng)業(yè)資源調(diào)查與管理具有重要意義。深度學習為實現(xiàn)精準高效作物制圖提供了技術(shù)支持。為了緩解深度學習對標記樣本的依賴，本文提出了一種改進AdvSemiSeg的半監(jiān)督遙感影像作物制圖方法。所提方法引入STMF-DeepLabv3+作為對抗學習中的生成網(wǎng)絡(luò)，通過Swin Transformer（ST）和多尺度特征融合（Multi-scale fusion，MF）模塊提高生成網(wǎng)絡(luò)特征編碼能力和語義表達能力，改善遙感影像作物分割效果；此外，在判別網(wǎng)絡(luò)中引入通道注意力（Efficient channel attention，ECA）模塊，對不同通道特征圖的表征信息進行自適應(yīng)學習，增強判別網(wǎng)絡(luò)對不同通道特征的感知能力。模型訓練過程中，判別網(wǎng)絡(luò)為生成網(wǎng)絡(luò)提供高質(zhì)量的偽標簽和對抗損失，有效提高生成網(wǎng)絡(luò)的泛化能力。采用所提方法與幾種先進的半監(jiān)督語義分割方法對內(nèi)蒙古河套灌區(qū)遙感影像種植信息進行提取，本文方法性能最優(yōu)。

Abstract:

精準且高效地估算區(qū)域內(nèi)的玉米葉面積指數(shù)（LAI），對于田間管理決策、地物產(chǎn)量預(yù)測以及實施精準農(nóng)業(yè)具有至關(guān)重要的意義。針對多尺度、大范圍遙感反演中存在的尺度效應(yīng)、精度低、普適性差等問題，本文以張掖市民樂縣青貯玉米實驗田為研究區(qū)，選取青貯玉米為研究對象，基于Landsat-8高光譜和Modis多光譜遙感影像，并結(jié)合地面實測數(shù)據(jù)。通過對PROSAIL模型的輸入?yún)?shù)進行局部和全局敏感性分析，構(gòu)建出青貯玉米在多個生育期內(nèi)的冠層反射率-LAI的查找表和最小尋優(yōu)代價函數(shù)的反演策略，確定研究區(qū)域的最佳LAI反演模型，并利用青貯玉米不同生育期內(nèi)的實測值完成了反演結(jié)果的精度驗證及線性擬合。結(jié)果表明：LAI反演結(jié)果總體較好，擬合精度較高，與實測值之間有較強的相關(guān)性，拔節(jié)期、抽雄期、成熟期最優(yōu)決定系數(shù)R2分別為0.85、0.91、0.90；均方根誤差（RMSE）分別為0.35、0.58、0.51。因此，基于多源高光譜遙感數(shù)據(jù)結(jié)合PROSAIL模型的反演策略可為作物參數(shù)反演提供新的科學依據(jù)和方法。

Abstract:

為實現(xiàn)春玉米長勢的快速監(jiān)測，實時掌握田間作物的生長狀況，本文以新疆維吾爾自治區(qū)克拉瑪依地區(qū)種植的春玉米作為研究對象，利用無人機多光譜影像對春玉米進行長勢監(jiān)測。基于地面采集的春玉米葉片葉綠素含量、葉面積指數(shù)、地上部生物量和株高等數(shù)據(jù)，結(jié)合熵權(quán)法（EWM）和模糊綜合評價法（FCE）建立綜合長勢指標CGMIEWM和CGMIFCE。通過無人機遙感影像數(shù)據(jù)構(gòu)建光譜指數(shù)，并利用皮爾遜相關(guān)性分析法和方差膨脹因子確定模型最佳輸入變量。采用偏最小二乘法（PLS）、隨機森林回歸（RF）及粒子群算法（PSO）優(yōu)化RF模型建立春玉米長勢反演模型，結(jié)合模型精度評價指標，最終確定春玉米空間影像長勢分布圖。結(jié)果表明，以CGMIEWM和CGMIFCE構(gòu)建綜合長勢指標的相關(guān)性均高于單一長勢指標的相關(guān)性；利用CGMIFCE長勢指標結(jié)合PSO-RF模型反演春玉米長勢的效果最優(yōu)，其決定系數(shù)（R2）為0.823，均方根誤差（RMSE）為0.084%，相對分析誤差（RPD）為2.345；研究區(qū)春玉米長勢集中在生長正常（ZZ）等級，說明全區(qū)春玉米長勢較為穩(wěn)定。研究結(jié)果可為春玉米的田間管理提供科學依據(jù)。

Abstract:

在中低分辨率遙感衛(wèi)星影像上，植被識別受數(shù)據(jù)獲取條件和不同生長期等因素的影響，會存在端元光譜變異現(xiàn)象，導(dǎo)致植被解混誤差較大。提出了一種顧及端元光譜變異性的最佳距離遺傳算法(IIDGA)，通過自動特征選擇方法減小端元類內(nèi)差異，增大類間差異，構(gòu)建適用于中等分辨率影像的植被解混最優(yōu)特征空間，提高Landsat影像的植被識別精度。通過比較傳統(tǒng)波段組合、光譜和紋理特征全集與IIDGA優(yōu)選特征的線性解混模型效果，驗證了最優(yōu)特征選擇的重要性。結(jié)果顯示，特征選擇有助于提升解混精度（IIDGA的均方根誤差最低，為0.180）；同時，通過比較基于IID指數(shù)的Filter算法、基于標準GA的Wrapper算法和IIDGA在最優(yōu)特征自動選取方面的性能，證實了IIDGA在平衡精度與效率方面的優(yōu)勢。

Abstract:

針對自然環(huán)境下水稻病害識別準確度易受復(fù)雜背景干擾、病害類間差異小難以準確識別等問題，以提高水稻病害識別精度并進行模型的有效輕量化為前提，提出了一種水稻病害識別網(wǎng)絡(luò)模型(RiceDiseaseNet, RDN-YOLO)。以YOLO v5為基本框架，在主干網(wǎng)絡(luò)的特征提取階段嵌入跨階段部分網(wǎng)絡(luò)融合模塊(C2f)，增強模型對病害特征的感知能力，并引入空間深度轉(zhuǎn)換卷積(SPDConv)，擴展模型的感受野，進一步提升模型對小病斑特征提取能力；在頸部網(wǎng)絡(luò)嵌入SPDConv結(jié)構(gòu)，并利用輕量級卷積GsConv替換部分標準卷積，提高頸部網(wǎng)絡(luò)對病害部位的定位和類別信息預(yù)測的準確性及推理速度；以穗瘟病、葉瘟病、胡麻斑病、稻曲病和白枯病5種常見水稻病害為研究對象，在自然環(huán)境下采集水稻病害圖像，制作水稻病害數(shù)據(jù)集，進行模型訓練與測試。實驗結(jié)果表明，本文模型病害檢測精確率高達94.2%，平均精度均值達93.5%，模型參數(shù)量為8.1MB；與YOLO v5、Faster R-CNN、YOLO v7、YOLO v8模型相比，模型參數(shù)量略大于YOLO v5，但平均精度均值最高約高12.2個百分點，在一定程度上減輕模型復(fù)雜度的同時獲得良好的水稻病害識別效果。

Abstract:

元素含量無損檢測技術(shù)可以為植物生長發(fā)育的環(huán)境精準調(diào)控提供關(guān)鍵實時數(shù)據(jù)。以西瓜苗為例，提出了一種基于圖譜特征融合的氮磷鉀含量深度學習檢測方法。首先，使用高光譜儀拍攝西瓜苗葉片的高光譜圖像，使用連續(xù)流動化學分析儀測定葉片的3種元素含量。然后，采用基線偏移校正（BOC）疊加高斯平滑濾波（GF）的光譜預(yù)處理方法和隨機森林算法（RF）建立預(yù)測模型，基于競爭性自適應(yīng)重加權(quán)采樣（CARS）和連續(xù)投影算法（SPA） 2種算法初步篩選出特征波長，再綜合考慮波長數(shù)和建模精度設(shè)計了一種最優(yōu)波長評價方法，將波長數(shù)進一步減少到3~4個。最后，提取使用U-Net網(wǎng)絡(luò)分割的彩色圖像顏色和紋理特征，和光譜反射率特征一起作為輸入，基于自注意力機制-雙向長短時記憶（Self-Attention-BiLSTM）網(wǎng)絡(luò)構(gòu)建了3種元素含量的預(yù)測模型。實驗結(jié)果表明，氮磷鉀含量預(yù)測的R2分別為0.961、0.954、0.958，RMSE分別為0.294%、0.262%、0.196%，實現(xiàn)了很好的建模效果。使用該模型對另2個品種西瓜進行測試，R2超過0.899、RMSE小于0.498%，表明該模型具有很好的泛化性。該高光譜建模方法使用少量波長光譜即實現(xiàn)了高精度檢測，在精度和效率上達成了很好的平衡，為后續(xù)便攜式高光譜檢測裝備開發(fā)奠定了理論基礎(chǔ)。

Abstract:

玉米籽粒破碎率和含雜率是評價玉米收獲質(zhì)量的關(guān)鍵指標。針對當前玉米籽粒直收機缺少適用于復(fù)雜田間作業(yè)環(huán)境的收獲質(zhì)量在線檢測方法的問題，提出一種適用于小目標、多數(shù)量檢測目標的玉米籽粒破碎率、含雜率輕量化檢測方法。首先，根據(jù)圖像中完整籽粒、破碎籽粒、玉米芯和玉米葉個體數(shù)量與個體質(zhì)量的關(guān)系建立數(shù)量-質(zhì)量回歸模型，提出了籽粒破碎率和含雜率評估方法。其次，針對籽粒及雜質(zhì)大小相近，檢測物數(shù)量多，檢測物面積小的特點，提出一種改進的FSLYOLO v8n算法。算法通過FasterBlock模塊和無參數(shù)注意力機制SimAM改進主干網(wǎng)絡(luò)結(jié)構(gòu)，并通過使用共享卷積結(jié)合Scale模塊對檢測頭進行改進。此外，使用SlidLoss函數(shù)替代YOLO v8n的原類別分類損失函數(shù)。FSLYOLO v8n模型的mAP@50為97.46%、幀速率為186.4f/s，與YOLO v8n相比提高6.35%和45f/s，且網(wǎng)絡(luò)參數(shù)量、浮點運算量分別壓縮到Y(jié)OLO v8n的66.50%、64.63%，模型內(nèi)存占用量僅為4.0MB，其性能優(yōu)于目前常用的輕量化模型。臺架試驗結(jié)果表明，提出的檢測方法能夠精準檢測玉米籽粒破碎和含雜情況，檢測準確率高達95.33%和96.15%。將改進后的模型部署在Jetson TX2開發(fā)板上，配合檢測裝置安裝到玉米聯(lián)合收獲機上開展田間試驗，結(jié)果表明，模型能夠精準區(qū)分籽粒和雜質(zhì)，滿足田間工作需求。

Abstract:

自然光照下陰影會降低采摘機器人視覺系統(tǒng)對蘋果目標的準確感知能力，導(dǎo)致采摘效率低。本研究采用EnlightenGAN算法進行圖像增強，以實現(xiàn)陰影的去除和蘋果目標檢測精度的提升。首先通過圖像光照歸一化處理得到自正則化注意力圖，達到圖像陰影檢測的目的，再采用注意力引導(dǎo)的U-Net作為生成器骨干網(wǎng)絡(luò)得到增強后的圖像，然后通過全局-局部判別器來比對圖像信息，最終在生成器和判別器的對抗中達到圖像質(zhì)量增強的效果。為了進一步檢驗該方法的陰影去除效果，分別采用EnlightenGAN、Zero_DCE、Adaptive_GAMMA、RUAS等算法在MinneApple公共數(shù)據(jù)集上進行試驗驗證。結(jié)果表明，EnlightenGAN算法均方誤差較Zero_DCE、Adaptive_GAMMA、RUAS算法分別降低19.21%、59.47%、67.42%，峰值信噪比增加6.26%、34.55%、47.27%，結(jié)構(gòu)相似度提高2.99%、23.21%、68.29%。同時，在對果園拍攝的蘋果圖像進行標注后，將其送入YOLO v5m目標檢測網(wǎng)絡(luò)進行蘋果檢測訓練。并對EnlightenGAN算法增強前后的蘋果圖像進行了測試，圖像增強前后檢測精確率分別為97.38%、98.37%，召回率分別為74.74%、91.37%，F(xiàn)1值分別為84%、94%，精確率、召回率和F1值分別提升1.02%、22.25%、11.90%。為證明模型有效性，對不同數(shù)據(jù)集進行了試驗，結(jié)果表明EnlightenGAN算法增強后的目標檢測精確率、召回率和F1值較無增強算法及Zero_DCE、Adaptive_GAMMA、RUAS算法有顯著提升。由此可知，將EnlightenGAN算法應(yīng)用于蘋果采摘機器人的視覺系統(tǒng)，可以有效克服果園圖像光照不均以及存在陰影的影響，提升果實目標檢測性能。該研究可為自然條件下復(fù)雜光照環(huán)境中的果實檢測提供借鑒。

Abstract:

針對自然環(huán)境下柑橘果實機械化采收作業(yè)環(huán)境復(fù)雜和果實狀態(tài)多樣等情況，提出了一種多通道信息融合網(wǎng)絡(luò)——YOLO v5-citrus，以解決柑橘果實識別精準度低、果實分類模糊和定位精準度低等難題。將不同的柑橘目標通過不同遮擋條件分為“可采摘”和“難采摘”兩類，這種分類策略可指導(dǎo)機器人在真實果園中順序摘取，提高采摘效率并減少機器人本體和末端執(zhí)行器損壞率。YOLO v5-citrus中，在頸部網(wǎng)絡(luò)插入多通道信息融合模塊，對柑橘的深淺特征信息進行處理，提高柑橘采摘狀態(tài)識別精度，同時修改頸部網(wǎng)絡(luò)拼接方法，針對目標柑橘大小進行識別，訓練后在識別部分嵌入聚類算法模塊，將訓練部分識別模糊的柑橘目標進行最后區(qū)分。識別后進行深度圖像和彩色圖像的像素對齊，并通過坐標系轉(zhuǎn)換獲取柑橘目標三維坐標。在使用多種增強技術(shù)處理的數(shù)據(jù)集中，YOLO v5-citrus比原始YOLO v5在平均精度均值和精確率上分別提高2.8個百分點與3.7個百分點，表現(xiàn)出更優(yōu)異的泛化能力。與YOLO v7和YOLO v8等其他主流網(wǎng)絡(luò)架構(gòu)相比較，保持了更高的檢測精度和更快的檢測速度。通過真實果園的檢測與定位試驗，得到柑橘目標的三維坐標識別定位系統(tǒng)的定位誤差為(1.97mm,0.36mm,9.63mm)，滿足末端執(zhí)行器的抓取條件。試驗結(jié)果表明，該模型具有較強的魯棒性，滿足復(fù)雜環(huán)境下柑橘狀態(tài)識別要求，可為柑橘園機械采收設(shè)備提供技術(shù)支持。

Abstract:

為了提高百香果檢測精度，并將深度學習模型部署在移動平臺上，實現(xiàn)快速實時推理，本文提出一種基于改進YOLO v8s的輕量化百香果檢測模型（YOLO v8s-GD）。使用聚集和分發(fā)機制(GD)替換頸部特征融合網(wǎng)絡(luò)，提高模型對百香果圖像特征信息跨層融合能力和模型泛化能力；通過基于層自適應(yīng)幅度的剪枝(LAMP)修剪模型，損失一定精度換取減小模型體積，減少模型參數(shù)量，以實現(xiàn)在嵌入式設(shè)備上快速檢測；運用知識蒸餾學習策略彌補因剪枝而損失的檢測精度，提高模型檢測性能。實驗結(jié)果表明，對于自然環(huán)境下采集的百香果數(shù)據(jù)集，改進后模型參數(shù)量和內(nèi)存占用量相比原YOLO v8s基線模型分別降低63.88%和62.10%，精確率(Precision)和平均精度(AP)相較于原模型分別提高0.9、2.3個百分點，優(yōu)于其他對比模型。在Jetson Nano和Jetson Tx2嵌入式設(shè)備上實時檢測幀率(FPS)分別為5.78、19.38f/s，為原模型的1.93、1.24倍。因此，本文提出的改進后模型能夠有效檢測復(fù)雜環(huán)境下百香果目標，為實際場景中百香果自動采摘等移動端檢測設(shè)備部署和應(yīng)用提供理論和技術(shù)支持。

Abstract:

構(gòu)建大規(guī)模茶芽目標檢測數(shù)據(jù)集是一項耗時且繁瑣的任務(wù)，為了降低數(shù)據(jù)集構(gòu)建成本，探索少量標注樣本的算法尤為必要。本文提出了YSVD-Tea (YOLO singular value decomposition for tea bud detection)算法，通過將預(yù)訓練模型中的基礎(chǔ)卷積替換為3個連續(xù)的矩陣結(jié)構(gòu)，實現(xiàn)了對YOLOX算法結(jié)構(gòu)的重構(gòu)。通過維度變化和奇異值分解操作，將預(yù)訓練權(quán)重轉(zhuǎn)換為與重構(gòu)算法結(jié)構(gòu)相對應(yīng)的權(quán)重，從而將需要進行遷移學習的權(quán)重和需要保留的權(quán)重分離開，實現(xiàn)保留預(yù)訓練模型先驗信息的目的。在3種不同數(shù)量的數(shù)據(jù)集上分別進行了訓練和驗證。在最小數(shù)量的1/3數(shù)據(jù)集上，YSVD-Tea算法相較于改進前的YOLOX算法，mAP提高20.3個百分點。對比測試集與訓練集的性能指標，YSVD-Tea算法在測試集與訓練集的mAP差距僅為21.9%，明顯小于YOLOX的40.6%和Faster R-CNN的55.4%。在數(shù)量最大的數(shù)據(jù)集上，YOLOX算法精確率、召回率、F1值、mAP分別為86.4%、87.0%、86.7%和88.3%，相較于對比算法均最高。YSVD-Tea在保證良好性能的同時，能夠更好地適應(yīng)少量標注樣本的茶芽目標檢測任務(wù)。

Abstract:

針對籠養(yǎng)條件下蛋雞核心溫度測量工作效率低下的問題，提出了一種利用紅外熱圖像結(jié)合深度學習的蛋雞核心溫度檢測方法。首先通過采集172只蛋雞的10994幅紅外熱圖像制作數(shù)據(jù)集，利用目標檢測網(wǎng)絡(luò)YOLO v8s提取作為感興趣區(qū)域（Region of interest, ROI）的雞臉圖像；再利用改進的深度卷積神經(jīng)網(wǎng)絡(luò)對提取的蛋雞ROI圖像以及實時采集的蛋雞泄殖腔溫度進行回歸預(yù)測。實驗顯示，目標檢測算法的檢測準確率達到99.38%，平均精度均值達到99.9%，召回率達到99.87%，3項評價指標均高于YOLO v4s、YOLO v5s、YOLO v7、YOLOX-s目標檢測算法；在深度卷積神經(jīng)網(wǎng)絡(luò)算法上，同時將MobileNetV3、GhostNet、ShuffleNetV2、RegNet、ConvNeXt、Res2Net以及MobileVIT共7種分類模型修改為回歸模型，利用蛋雞ROI圖像進行訓練，其中，Res2Net模型對蛋雞核心體溫估測擬合效果最好，在測試集上估測的決定系數(shù)R2為0.9565、調(diào)整后決定系數(shù)R2adj為0.95631，均高于其他回歸模型；為進一步提高預(yù)測精度，在Res2Net50回歸模型的Bottle2block結(jié)構(gòu)之后分別插入SE(Squeeze-and-excitation)模塊、CBAM(Convolutional block attention module)模塊、CA(Coordinate attention)模塊、ECA(Efficient channel attention)模塊，其中利用CA模塊改進后的算法在測試集上的R2為0.97364、R2adj為0.97352，均高于其他改進方法；利用目標檢測網(wǎng)絡(luò)和回歸網(wǎng)絡(luò)搭建蛋雞核心體溫估測模型，對9只蛋雞進行體溫估測試驗，結(jié)果顯示ROI均能完整找出，且估測體溫平均絕對誤差(Mean absolute error, MAE)為0.153℃。因此，本研究提出的目標檢測+深度神經(jīng)網(wǎng)絡(luò)模型為紅外熱圖像下蛋雞核心溫度預(yù)測提供了較好的自動化檢測方法。

Abstract:

羊只實例分割是實現(xiàn)羊只識別和跟蹤、行為分析和管理、疾病監(jiān)測等任務(wù)的重要前提。針對規(guī)?；驁鰪?fù)雜養(yǎng)殖環(huán)境中，羊只個體存在遮擋、光線昏暗、個體顏色與背景相似等情況所導(dǎo)致的羊只實例錯檢、漏檢問題，提出了一種基于改進YOLO v8n-seg的羊只實例分割方法。以YOLO v8n-seg網(wǎng)絡(luò)作為基礎(chǔ)模型進行羊只個體分割任務(wù)，首先，引入Large separable kernel attention模塊以增強模型對實例重要特征信息的捕捉能力，提高特征的代表性及模型的魯棒性；其次，采用超實時語義分割模型DWR-Seg中的Dilation-wise residual模塊替換C2f中的Bottleneck模塊，以優(yōu)化模型對網(wǎng)絡(luò)高層特征的提取能力，擴展模型感受野，增強上下文語義之間的聯(lián)系，生成帶有豐富特征信息的新特征圖；最后，引用Dilated reparam block模塊對C2f進行二次改進，多次融合從網(wǎng)絡(luò)高層提取到的特征信息，增強模型對特征的理解能力。試驗結(jié)果表明，改進后的YOLO v8n-LDD-seg對羊只實例的平均分割精度mAP50達到92.08%，mAP50:90達到66.54%，相較于YOLO v8n-seg，分別提升3.06、3.96個百分點。YOLO v8n-LDD-seg有效提高了羊只個體檢測精度，提升了羊只實例分割效果，為復(fù)雜養(yǎng)殖環(huán)境下羊只實例檢測和分割提供了技術(shù)支持。

Abstract:

針對現(xiàn)有水稻育種問答系統(tǒng)存在數(shù)據(jù)管理水平低、知識粒度大，水稻育種領(lǐng)域缺乏用于命名實體識別的標注數(shù)據(jù)、人工標注成本高等問題，提出了一種基于文本數(shù)據(jù)增強的方法來識別水稻育種問句的命名實體，通過構(gòu)建水稻育種知識圖譜，對水稻育種問句中的大類命名實體進行分類，從而增強實體邊界，降低知識粒度。針對水稻育種數(shù)據(jù)標注成本高導(dǎo)致命名實體識別性能不佳的難點，通過在BERT-BILSTM-CRF模型中引入數(shù)據(jù)增強層，提出了DA-BERT-BILSTM-CRF模型。實驗以標注的水稻育種問句為訓練數(shù)據(jù)，將所提出的模型與其他基線模型進行比較。結(jié)果表明，本文方法在水稻育種問句中命名實體識別的單類別識別任務(wù)和整體識別任務(wù)上均優(yōu)于其他方法，其中單類別識別精確率達到94.26%，F(xiàn)1值達到93.32%；整體識別精確率達到93.86%，F(xiàn)1值達到93.34%。

Abstract:

土壤體積含水率監(jiān)測對提高農(nóng)業(yè)生產(chǎn)效率和制定合理土壤管理措施具有重要意義。超寬帶雷達由于其高距離分辨率、強穿透能力在農(nóng)業(yè)土壤動態(tài)信息實時監(jiān)測中得到廣泛應(yīng)用。但以往對超寬帶雷達信號的處理主要關(guān)注時域特征，忽略了同樣具有豐富信息的頻域特征，使得回波信號在土壤體積含水率反演過程中無法得到充分利用，限制了土壤體積含水率的反演精度。本文基于超寬帶雷達獲取的土壤回波信號，對其進行預(yù)處理并提取與土壤體積含水率有關(guān)的回波信號，對該信號采用短時傅里葉變換（Short-time Fourier transform, STFT），分析與土壤體積含水率有關(guān)的回波信號隨時序變化的時頻譜特征，進而結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network, CNN）建立土壤體積含水率分級以及回歸預(yù)測模型。實驗結(jié)果表明，基于添加高斯白噪聲后的數(shù)據(jù)，對于土壤體積含水率的分級，將時頻特征和CNN模型相結(jié)合時，分級總體精度和Kappa系數(shù)分別為98.69%和0.9849，相較于10個時域特征與植被指數(shù)NDVI（Normalized difference vegetation index）建立的支持向量機模型（Support vector machine, SVM），分級總體精度提升21.78個百分點，Kappa系數(shù)提高0.2515。對于土壤體積含水率的回歸預(yù)測，將時頻特征和CNNR（Convolutional neural network regression）模型相結(jié)合時，預(yù)測結(jié)果與真實值之間的決定系數(shù)（R2）為0.9872，均方根誤差（RMSE）為0.0048cm3/cm3，相對分析誤差（RPD）為6.2738，相較于10個時域特征結(jié)合植被指數(shù)NDVI建立的CNNR模型，R2提升0.2316，RMSE降低1.3377cm3/cm3，RPD提高4.2714。綜上，在土壤體積含水率分級和回歸預(yù)測方面，本文所提方法較傳統(tǒng)信號檢測處理方法具有明顯優(yōu)勢。

Abstract:

地表特征與自然災(zāi)害密切相關(guān)，對維護生態(tài)環(huán)境和深入了解地表演化過程及地質(zhì)構(gòu)造特征具有重要作用。通過無人機(Unmanned aerial vehicle, UAV)航測和運動恢復(fù)結(jié)構(gòu)（Structure from motion，SfM）技術(shù)構(gòu)建的高空間分辨率數(shù)字模型，在滇中環(huán)狀構(gòu)造地貌開展地表覆蓋信息和地形特征的分布關(guān)系分析。結(jié)果表明：在裸巖、裸土和植被混合區(qū)域，從定性和定量分析中發(fā)現(xiàn)DeepLabv3+算法相比于RF算法在試驗區(qū)地表覆蓋信息提取中有較好的提取效果。點云經(jīng)濾波得到地面點，選擇交叉驗證中均值誤差和均方根誤差最小的Kriging算法構(gòu)建分辨率0.1m的數(shù)字高程模型 (Digital elevation model, DEM)，解譯一階坡面、二階坡面和復(fù)合坡面的多種地形因子，根據(jù)相關(guān)性分析選取6種地形因子構(gòu)建了綜合地形分析模型（Comprehensive terrain analysis model，CTAM）。經(jīng)過分析地表覆蓋信息中覆蓋面積最大裸土、植被與地形的聯(lián)系，CTAM中每個等級像元數(shù)量與總像元數(shù)量百分比中，Ⅱ級占比最高，為28.87%，Ⅰ、Ⅳ、Ⅴ占比分別為18.39%、13.82%和17.29%。UAV-SfM技術(shù)能有效捕捉環(huán)狀構(gòu)造表面特征，可為該地區(qū)地質(zhì)研究與資源管理提供技術(shù)手段和科學依據(jù)。

Abstract:

為實現(xiàn)土壤肥力和土壤環(huán)境質(zhì)量相結(jié)合的土地質(zhì)量地球化學綜合評價結(jié)果的高精度量化，依據(jù)贛南南康地區(qū)采集的6266組表層土壤樣品測試結(jié)果，構(gòu)建了以As、Hg、Cd、Pb、Cr含量等為基礎(chǔ)的內(nèi)梅羅指數(shù)和以有機質(zhì)（SOM）、P、N、K、Mo、Mn、B、Cu、Zn含量等為基礎(chǔ)的土壤綜合肥力指數(shù)為控制因素的突變理論法土地質(zhì)量地球化學綜合評價方法，將內(nèi)梅羅指數(shù)3.0修訂為3.1，通過突變理論對數(shù)據(jù)進行標準化和歸一化分析，比較原始內(nèi)梅羅指數(shù)和修訂內(nèi)梅羅指數(shù)評價結(jié)果以及本文方法與DZ/T 0295—2016《土地質(zhì)量地球化學評價規(guī)范》方法的土地質(zhì)量地球化學綜合等級劃分結(jié)果。結(jié)果表明：研究區(qū)土壤綜合肥力指數(shù)均值為0.75，總體綜合肥力為Ⅲ等，土壤肥力較低；土壤綜合內(nèi)梅羅指數(shù)均值為0.59，總體尚清潔。采用修訂后的內(nèi)梅羅指數(shù)3.1計算的土壤肥力指數(shù)分界值基本呈等級等間距劃分。與DZ/T 0295—2016《土地質(zhì)量地球化學評價規(guī)范》評價結(jié)果比較，83.57%的結(jié)果等級未發(fā)生變化，近16%等級結(jié)果增加1個等級，主要為1級和2級升為3級和4級，未出現(xiàn)2個及以上等級的變化，評價結(jié)果顯示3級、4級面積占比為94.11%、5.30%。本文方法可用于土地質(zhì)量地球化學綜合等級評價，評價結(jié)果更加數(shù)值化、精細化，評價過程更簡便，是對已有土地質(zhì)量地球化學綜合評價方法的補充，可為土地利用、農(nóng)業(yè)生產(chǎn)和管理提供借鑒和參考。

Abstract:

中紅外光譜數(shù)據(jù)在實現(xiàn)土壤有機碳含量的準確、低成本快速預(yù)測方面具有巨大潛力。為提高光譜數(shù)據(jù)估算模型的普適性，本研究利用光譜特征增強策略，并基于Stacking算法結(jié)合多種機器學習方法構(gòu)建了一種高魯棒性的土壤有機碳含量估算模型。采用多種光譜特征增強方法及其組合對土壤中紅外光譜進行特征增強，篩選最佳策略；通過應(yīng)用Stacking算法結(jié)合多種機器學習方法構(gòu)建集成模型，以提高模型泛化能力；將集成模型估算性能與偏最小二乘回歸模型（PLSR）、梯度提升樹（GBT）和一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）模型進行比較分析。研究結(jié)果表明，最佳光譜特征增強策略可以顯著提高土壤光譜數(shù)據(jù)與土壤有機碳含量的相關(guān)性，最佳Pearson相關(guān)系數(shù)達到 -0.82；相較于PLSR、GBT和1D-CNN等模型，集成模型在各光譜數(shù)據(jù)下均表現(xiàn)出較高的估算精度，特別是在一階導(dǎo)變換結(jié)合多元散射校正的光譜特征增強策略下，集成模型展現(xiàn)出優(yōu)良的估算性能（決定系數(shù)R2=0.92，均方根誤差為1.18g/kg，相對分析誤差為3.52）。本研究方法能夠快速、準確地估算土壤有機碳含量，可為現(xiàn)代農(nóng)業(yè)管理提供科學依據(jù)。

Abstract:

總初級生產(chǎn)力（Gross primary production, GPP）是表征作物在光合作用中吸收大氣CO2的指標，也是作物產(chǎn)量形成的重要起點。本研究以江西省稻田為研究對象，基于日光誘導(dǎo)葉綠素熒光（Sun-induced chlorophyll fluorescence, SIF）遙感數(shù)據(jù)和地面通量觀測數(shù)據(jù)，構(gòu)建了基于SIF的稻田GPP非線性估算模型，進而對江西省2001—2020年稻田GPP進行模擬。結(jié)果表明：相較于MOD17 GPP和GOSIF GPP，基于SIF的非線性模型模擬精度更高，可以更好地捕捉水稻季和非水稻季GPP的季節(jié)變化，但對早稻-晚稻交替期模擬效果較差。2001—2020年江西省稻田多年平均GPP為（2082.8±143.2）g/(m2·a)，空間上呈現(xiàn)北側(cè)低、南側(cè)高的特點，稻田GPP低值主要位于南昌市及其周邊，高值位于贛州市和景德鎮(zhèn)市。2001—2020年江西省稻田GPP總體呈波動上升趨勢，趨勢率為24.3g/(m2·a)，上升趨勢最大的區(qū)域位于江西省南部，上升趨勢最小或存在下降趨勢的區(qū)域主要位于南昌市和九江市，可能與該地區(qū)水稻“雙改單”現(xiàn)象有關(guān)。江西省各市稻田GPP年際變化的主要影響因素為氣溫，貢獻率在28.3%～44.2%之間，太陽輻射對稻田GPP為負貢獻，風速在部分區(qū)域?qū)Φ咎颎PP為正貢獻，降水量和相對濕度對稻田GPP年際變化的影響最弱。研究可為模擬江西省稻田GPP以及評估氣候變化背景下稻田固碳能力和產(chǎn)量估算提供理論依據(jù)。

Abstract:

采用生物強化方法強化水稻秸稈好氧水解過程，并研究綠色木霉及添加量（占總料液質(zhì)量分數(shù)3%、5%、7%和9%）對其發(fā)酵特性的影響。好氧水解階段生物強化時間為24h，隨后在35℃條件下進行厭氧發(fā)酵產(chǎn)甲烷潛力測試試驗。結(jié)果表明，與對照組相比，添加綠色木霉進行生物強化各組的木質(zhì)纖維素降解率、揮發(fā)性脂肪酸（VFAs）產(chǎn)量及產(chǎn)氣率均有不同程度的提高，VFAs均以乙酸為主。利用Modified Gompertz對累積產(chǎn)甲烷量進行擬合，擬合結(jié)果較好，綠色木霉添加量為3%、5%、7%、9%的各預(yù)處理試驗組累積產(chǎn)甲烷量分別為198.28、211.351、228.44、234.78mL/g，比CK對照組產(chǎn)甲烷量分別提高18.89%、26.72%、36.96%、40.76%，添加7%綠色木霉組的綜合效果最好，在此條件下半纖維素、纖維素、木質(zhì)素降解率分別為36.86%、31.57%、7.43%，甲烷產(chǎn)量較CK組提高36.96%。好氧水解過程中優(yōu)勢菌群為厚壁菌門（Firmicutes）、綠彎菌門（Chloroflexi）、變形菌門（Proteobacteria）、擬桿菌門（Bacteroidetes）等，其中厚壁菌門（Firmicutes）相對豐度隨水解時間的延長而減少，綠彎菌門（Chloroflexi）和擬桿菌門（Bacteroidetes）相對豐度增加，表明添加菌劑能夠改變菌群結(jié)構(gòu)，促進好氧水解反應(yīng)的進行。

Abstract:

針對顆粒農(nóng)產(chǎn)品定量加料精度低、自動化程度不高等問題，分析了常見顆粒農(nóng)產(chǎn)品的物理特性，采用了以體積估計質(zhì)量的定量方法，并在控制系統(tǒng)中引入閉環(huán)控制方案，設(shè)計了一種顆粒農(nóng)產(chǎn)品的動態(tài)定量加料設(shè)備。該設(shè)備主要由具有可變?nèi)莘e量杯結(jié)構(gòu)的定量裝置、傳送與分流機構(gòu)以及復(fù)檢稱重秤等部分組成，在闡述機械本體結(jié)構(gòu)和工作原理的基礎(chǔ)上，提出了一種基于歷史離散數(shù)據(jù)擬合預(yù)測誤差的閉環(huán)控制算法，當復(fù)檢工序檢測到加料質(zhì)量與目標質(zhì)量存在差值時，可通過閉環(huán)控制系統(tǒng)補償修正定量加料工序的量杯容積，從而減小定量加料的誤差。實驗結(jié)果表明，該設(shè)備可實現(xiàn)顆粒農(nóng)產(chǎn)品的高精度動態(tài)定量加料，具有抗擾動和自適應(yīng)能力。以大米、黃豆、蕓豆為實驗對象，在旋轉(zhuǎn)盤轉(zhuǎn)速為4r/min的工作條件下，經(jīng)過3組閉環(huán)反饋調(diào)節(jié)，加料質(zhì)量誤差可穩(wěn)定控制在1%以內(nèi)。

Abstract:

針對炒青綠茶精制裝備仿真分析中缺少準確的離散元仿真參數(shù)問題，以炒青綠茶為研究對象，標定炒青綠茶離散元仿真關(guān)鍵參數(shù)。通過斜面法與自由落體法對茶葉-茶葉和茶葉-鋼板之間離散元參數(shù)進行研究，確定靜摩擦因數(shù)、滾動摩擦因數(shù)和碰撞恢復(fù)系數(shù)的取值范圍。通過提升法臺架試驗獲得炒青綠茶實際堆積角，建立炒青綠茶離散元模型，模擬堆積角形成過程。以炒青綠茶實際堆積角為響應(yīng)值，使用Plackett-Burman試驗篩選出對炒青綠茶堆積角有顯著影響的參數(shù)，通過最陡爬坡試驗獲取近似最佳響應(yīng)范圍，最后通過Box-Behnken獲得影響顯著參數(shù)最優(yōu)組合。結(jié)果表明：當剪切模量為2.930MPa、茶葉-茶葉靜摩擦因數(shù)為0.771、茶葉-茶葉滾動摩擦因數(shù)為0.133、茶葉-茶葉碰撞恢復(fù)系數(shù)為0.354時，炒青綠茶仿真堆積角為30.12°，與實際堆積角誤差為1.59%，表明可以采用優(yōu)化標定參數(shù)模擬炒青綠茶外部接觸特征。

Abstract:

交互物體的檢測識別是實現(xiàn)人機交互的一項關(guān)鍵技術(shù)，針對人機交互過程中交互物體檢測范圍受限的問題，本文利用深度歸一化提高深度圖像質(zhì)量，提出了一種基于圖像分割的任意交互物體檢測方法。該方法針對操作人員側(cè)向和正向姿態(tài)，分別采用基于顯著性檢測的圖像處理和人體姿態(tài)引導(dǎo)的區(qū)域生長算法分割目標區(qū)域，錨定目標物體邊框?qū)崿F(xiàn)物體檢測。最后，進行了交互物體檢測實驗及不同深度區(qū)間位置測距和跟隨實驗。實驗結(jié)果表明，所提出的物體檢測方法能夠?qū)崿F(xiàn)任意交互物體檢測，在交互物體檢測方面具有廣泛適用性；較小深度區(qū)間的歸一化能夠使物體位置誤差變小，提高了物體檢測距離精度及機器人跟隨效果。

Abstract:

針對液壓同步控制系統(tǒng)中非對稱缸換向時產(chǎn)生的壓力躍變導(dǎo)致同步控制系統(tǒng)振蕩甚至不穩(wěn)定問題，提出一種基于負載口獨立控制閥控非對稱缸系統(tǒng)的換向壓力躍變消除方法。分析了傳統(tǒng)閥、非對稱閥和負載口獨立控制閥控非對稱缸系統(tǒng)產(chǎn)生壓力躍變的機理。在AMESim中搭建傳統(tǒng)閥與負載口獨立控制閥控非對稱缸系統(tǒng)模型，在不同系統(tǒng)壓力和給定信號下，對比分析了兩種系統(tǒng)液壓缸位置跟隨及換向時兩腔壓力躍變情況。搭建了負載口獨立控制閥控非對稱缸系統(tǒng)實驗臺，驗證了該方法的有效性。仿真與實驗結(jié)果表明，采用負載口獨立控制閥控非對稱缸系統(tǒng)通過模糊自適應(yīng)控制算法可以很好地實現(xiàn)位置跟隨；可以完全消除非對稱缸換向時的壓力躍變，減小系統(tǒng)抖動，使得系統(tǒng)動作更加平穩(wěn)；當液壓缸以方波動作時，換向時壓力沖擊較正弦波動作時大。

Abstract:

Delta并聯(lián)機器人具有速度快、結(jié)構(gòu)簡單、承載力強等優(yōu)點，在缽苗移栽、產(chǎn)品分揀與包裝中應(yīng)用廣泛。針對目前Delta并聯(lián)機器人各結(jié)構(gòu)參數(shù)對運動學性能的影響及系統(tǒng)性結(jié)構(gòu)參數(shù)優(yōu)化設(shè)計缺乏完整理論體系的問題，本文分析可達工作空間雅可比矩陣條件數(shù)分布規(guī)律、結(jié)構(gòu)參數(shù)約束關(guān)系、運動學性能隨結(jié)構(gòu)參數(shù)的變化規(guī)律及相關(guān)性，獲得條件數(shù)分布特性和失真約束條件，在此基礎(chǔ)上得出動靜平臺半徑差和主動臂長度增加和從動桿長度減小能夠使得機構(gòu)性能較優(yōu)。給定設(shè)計工作空間，對原結(jié)構(gòu)進行參數(shù)優(yōu)化設(shè)計，通過建立包絡(luò)懲罰函數(shù)，采用多元非線性擬合與線性加權(quán)組合法得到運動學性能評價函數(shù)，結(jié)合條件數(shù)分布特性和失真約束條件建立優(yōu)化模型，利用遺傳算法進行優(yōu)化。相較于優(yōu)化前，優(yōu)化后可達工作空間體積減小14.26%，設(shè)計工作空間的全局條件數(shù)均值和全局條件數(shù)標準差分別減小31.20%和11.78%，且設(shè)計工作空間各截面條件數(shù)分布規(guī)律驗證了條件數(shù)分布特性的可靠性。