ass日本风韵熟妇pics男人扒开女人屁屁桶到爽|扒开胸露出奶头亲吻视频|邻居少妇的诱惑|人人妻在线播放|日日摸夜夜摸狠狠摸婷婷|制服 丝袜 人妻|激情熟妇中文字幕|看黄色欧美特一级|日本av人妻系列|高潮对白av,丰满岳妇乱熟妇之荡,日本丰满熟妇乱又伦,日韩欧美一区二区三区在线

摘要:灌區(qū)是我國(guó)糧食安全和現(xiàn)代農(nóng)業(yè)發(fā)展的基礎(chǔ)保障,，同時(shí)也是區(qū)域經(jīng)濟(jì)發(fā)展和生態(tài)環(huán)境保護(hù)的重要基石,。然而西北地區(qū)獨(dú)特的氣候、地貌及社會(huì)經(jīng)濟(jì)狀況導(dǎo)致了灌區(qū)生產(chǎn)能力和生態(tài)服務(wù)功能難以滿足現(xiàn)代生態(tài)農(nóng)業(yè)發(fā)展的需求,。通過(guò)系統(tǒng)分析西北灌溉農(nóng)業(yè)發(fā)展中面臨的水資源過(guò)度開(kāi)發(fā)、土壤鹽堿化嚴(yán)重,、生態(tài)環(huán)境功能低下等方面的問(wèn)題,，闡述了西北現(xiàn)代生態(tài)灌區(qū)的內(nèi)涵與特征，并基于農(nóng)業(yè)生產(chǎn)“功能水分”來(lái)源,，將西北灌區(qū)劃分成了灌溉依賴(lài)型灌區(qū),、灌溉主導(dǎo)型灌區(qū)、灌溉補(bǔ)充型灌區(qū)和灌溉提質(zhì)型灌區(qū)4類(lèi),。以灌區(qū)農(nóng)業(yè)生產(chǎn)系統(tǒng),、物能輸配系統(tǒng)、生態(tài)環(huán)境系統(tǒng)為建設(shè)對(duì)象，提出了灌區(qū)生態(tài)服務(wù)功能優(yōu)化配置,、灌區(qū)農(nóng)田物能調(diào)控和灌區(qū)生態(tài)系統(tǒng)安全評(píng)估三大核心理論,，構(gòu)建了灌區(qū)系統(tǒng)控污與景觀價(jià)值提升技術(shù)、灌排系統(tǒng)管控技術(shù),、作物生境要素綜合調(diào)控技術(shù)三大關(guān)鍵技術(shù),，從而形成了西北現(xiàn)代生態(tài)灌區(qū)理論與技術(shù)保障體系，為我國(guó)西北灌溉農(nóng)業(yè)高質(zhì)量可持續(xù)發(fā)展提供理論與技術(shù)指導(dǎo),。

摘要:為了更好地應(yīng)用離散元法研究燕麥和箭筈豌豆種子的混播過(guò)程,，提高種子離散元模型的準(zhǔn)確性,，結(jié)合實(shí)際試驗(yàn)和仿真試驗(yàn)對(duì)仿真參數(shù)進(jìn)行了標(biāo)定。通過(guò)抽樣分別測(cè)量了燕麥和箭筈豌豆種子的本征參數(shù),，并建立了種子離散元模型,。采用碰撞試驗(yàn)、斜面滑動(dòng)試驗(yàn)和斜面滾動(dòng)試驗(yàn),，分別對(duì)燕麥種子和箭筈豌豆種子與ABS塑料板間的碰撞恢復(fù)系數(shù),、靜摩擦因數(shù)及滾動(dòng)摩擦因數(shù)進(jìn)行了標(biāo)定，得到燕麥和箭筈豌豆種子與ABS塑料板間的碰撞恢復(fù)系數(shù)分別為0.441,、0.435,，靜摩擦因數(shù)分別為0.506、0.454,，滾動(dòng)摩擦因數(shù)分別為0.059,、0.047?；诙逊e試驗(yàn),，利用最陡爬坡試驗(yàn)和二次回歸正交旋轉(zhuǎn)組合試驗(yàn)方法，以混合種子堆積角的EDEM仿真值與實(shí)際值的相對(duì)誤差為指標(biāo),，確定種間碰撞恢復(fù)系數(shù),、靜摩擦因數(shù)、滾動(dòng)摩擦因數(shù)分別為0.320,、0.327,、0.042。利用螺旋排種裝置對(duì)標(biāo)定結(jié)果進(jìn)行了驗(yàn)證,，得到仿真試驗(yàn)與實(shí)際試驗(yàn)的混合種子質(zhì)量流率平均相對(duì)誤差為1.76%,，燕麥和箭筈豌豆種子的排種質(zhì)量比平均相對(duì)誤差為2.03%，驗(yàn)證了仿真試驗(yàn)的可靠性,，標(biāo)定的結(jié)果可用于燕麥和箭筈豌豆種子混播過(guò)程的離散元仿真試驗(yàn),。

摘要:油茶作為中國(guó)特有的木本油料作物,，在空間上具有復(fù)雜的分枝結(jié)構(gòu)，不同品種樹(shù)體的形態(tài)結(jié)構(gòu)和力學(xué)性能差異明顯,。為了研究油茶樹(shù)在冠層振動(dòng)采摘油茶果過(guò)程中能量傳遞規(guī)律以及獲得最佳激振參數(shù),，本文建立5自由度油茶樹(shù)的質(zhì)量-彈性-阻尼動(dòng)力學(xué)模型并測(cè)量和計(jì)算等效參數(shù)；以不同激振參數(shù)為輸入,，通過(guò)Matlab軟件對(duì)動(dòng)力學(xué)模型進(jìn)行仿真,，并設(shè)計(jì)二次旋轉(zhuǎn)正交組合試驗(yàn)，仿真結(jié)果表明,，油茶樹(shù)各級(jí)枝之間能量傳遞過(guò)程中損失嚴(yán)重,，從激振力所作用的枝條傳遞到路徑末枝時(shí)能量剩余不到20%；且油茶樹(shù)各級(jí)枝的動(dòng)能峰值出現(xiàn)的時(shí)間具有滯后性,，越靠近激振點(diǎn)的動(dòng)能峰值出現(xiàn)越早,。由于油茶樹(shù)各級(jí)枝間能量傳遞損失嚴(yán)重，將一棵樹(shù)進(jìn)行2~3次振動(dòng)采摘,。利用Design-Expert 11.0.4軟件的優(yōu)化模塊對(duì)激振參數(shù)進(jìn)行優(yōu)化求解,，以一部分側(cè)枝動(dòng)能最大，主干動(dòng)能最小為目標(biāo)函數(shù)時(shí),，最佳振動(dòng)參數(shù)組合為振動(dòng)時(shí)間7.14s,、振動(dòng)頻率7.18Hz、振幅52.41mm,；通過(guò)田間試驗(yàn)對(duì)油茶樹(shù)能量傳遞規(guī)律進(jìn)一步研究發(fā)現(xiàn),，能量沿著樹(shù)枝內(nèi)部傳遞時(shí)與各級(jí)枝之間的傳遞規(guī)律相同，即動(dòng)能與傳遞距離成反比,，傳遞的距離越遠(yuǎn)動(dòng)能越小,。并對(duì)仿真結(jié)果進(jìn)行驗(yàn)證：田間試驗(yàn)結(jié)果與仿真結(jié)果的相對(duì)誤差在10%以?xún)?nèi)，說(shuō)明該動(dòng)力學(xué)模型具有較高的可靠性,；振動(dòng)采摘部分的油茶果實(shí)和花苞平均脫落率分別為90.53%,、14.39%，采摘效果較好,，證明了從能量傳遞角度對(duì)激振參數(shù)優(yōu)化的可行性,。本文建立的動(dòng)力學(xué)模型和預(yù)測(cè)的最佳振動(dòng)參數(shù)組合可以為油茶果機(jī)械化采摘作業(yè)的工作參數(shù)設(shè)置提供參考。

摘要:針對(duì)畜禽糞肥含水率差異大等因素導(dǎo)致其離散元仿真參數(shù)標(biāo)定方法通用性和實(shí)用性不強(qiáng)等問(wèn)題,，以堆積角為響應(yīng)值對(duì)不同含水率的羊糞進(jìn)行試驗(yàn)研究,。通過(guò)圓筒提升法建立了含水率-堆積角模型，模型相關(guān)系數(shù)0.9999,?；谘蚣S粒度分布以Hertz-Mindlin with JKR為粘結(jié)模型建立4種不同粒徑的EDEM顆粒模型；通過(guò)Plackett-Burman試驗(yàn),、爬坡試驗(yàn)和Box-Behnken試驗(yàn)從10項(xiàng)參數(shù)中篩選出JKR表面能,、顆粒間滾動(dòng)摩擦因數(shù)和靜摩擦因數(shù)3項(xiàng)顯著性參數(shù)，并建立了堆積角-離散元參數(shù)模型,，模型P值小于0.0001,，相對(duì)誤差小于等于2.42%；基于含水率-堆積角模型和堆積角-離散元參數(shù)模型推導(dǎo)構(gòu)建了含水率-離散元參數(shù)模型,，以抽板法進(jìn)行工程性驗(yàn)證,，相對(duì)誤差小于等于5.37%。表明通過(guò)含水率即可直接預(yù)測(cè)羊糞離散元參數(shù),，研究為施肥機(jī)械-羊糞仿真中離散元參數(shù)確定提供了通用,、可靠的方法。

摘要:針對(duì)黃淮海地區(qū)玉米免耕播種作業(yè)時(shí)，過(guò)量小麥秸稈殘茬堵塞開(kāi)溝器的問(wèn)題,，提出一種以撥離殘茬和淺旋根茬形式實(shí)現(xiàn)苗床清整的斜置式防堵裝置,。通過(guò)理論分析對(duì)防堵裝置結(jié)構(gòu)參數(shù)進(jìn)行設(shè)計(jì)，確定了各參數(shù)的范圍和相互關(guān)系,，并根據(jù)裝置結(jié)構(gòu)對(duì)耕刀撥茬入土和脫茬離土的過(guò)程進(jìn)行受力分析,，確定了影響工作性能的因素。運(yùn)用離散元方法模擬防堵裝置在田間作業(yè)過(guò)程,，以秸稈清除率,、土壤擾動(dòng)系數(shù)和功耗為評(píng)價(jià)指標(biāo)，對(duì)裝置傾角,、轉(zhuǎn)速和前進(jìn)速度進(jìn)行回歸分析和顯著性檢驗(yàn),，確定了各因素對(duì)評(píng)價(jià)指標(biāo)的影響及主次順序,。通過(guò)對(duì)回歸模型進(jìn)行多目標(biāo)函數(shù)優(yōu)化求解，得到最優(yōu)參數(shù)組合為：轉(zhuǎn)速400r/min,、前進(jìn)速度6km/h,、傾角18.5°，此時(shí)秸稈清除率為74.5%,、土壤擾動(dòng)系數(shù)為34.7%,、功耗為1.36kW。以?xún)?yōu)化得到的參數(shù)對(duì)裝置進(jìn)行土槽試驗(yàn),，試驗(yàn)結(jié)果表明：轉(zhuǎn)速為400r/min、前進(jìn)速度6km/h,、傾角18.5°時(shí),，秸稈清除率為92.5%、土壤擾動(dòng)系數(shù)為29.6%,、功耗為1.51kW,，試驗(yàn)結(jié)果與仿真試驗(yàn)優(yōu)化結(jié)果相吻合，滿足設(shè)計(jì)要求,。

摘要:針對(duì)小麥氣送式集排器供種裝置充種環(huán)節(jié)種子流動(dòng)性差,，導(dǎo)致充種及供種不穩(wěn)定的問(wèn)題,，設(shè)計(jì)了一種具有等寬多邊形槽齒輪的小麥供種裝置。闡述了供種裝置的工作原理,，確定了等寬多邊形槽齒輪的主要結(jié)構(gòu)參數(shù),。利用EDEM仿真對(duì)比分析了不同結(jié)構(gòu)型式槽齒輪對(duì)種群擾動(dòng)能力、充種及供種性能的影響,，結(jié)果表明，當(dāng)供種軸轉(zhuǎn)速為20r/min時(shí)，在仿真的1~10s內(nèi)隨等寬多邊形槽齒輪邊數(shù)的增加,，種群平均動(dòng)能均值逐漸減小,，對(duì)種群平均擾動(dòng)能力依次減弱，但相鄰平均動(dòng)能峰值間隔時(shí)間縮短，擾動(dòng)種群的頻率增加；等寬三邊形、等寬五邊形,、等寬七邊形,、等寬九邊形槽齒輪擾動(dòng)下種群平均動(dòng)能均值比圓形槽齒輪分別高371.32%,、209.23%,、91.02%、53.37%,；以充種合格率（（2±1）粒/孔）和漏充率（0粒/孔）為指標(biāo),，等寬七邊形槽齒輪充種合格率為93.98%、漏充率為2.78%,，供種粒數(shù)與供種時(shí)間具有較高的線性度,，充種和供種性能較優(yōu)。臺(tái)架試驗(yàn)驗(yàn)證了等寬七邊形槽齒輪式供種裝置的供種性能及對(duì)排種性能的影響,，結(jié)果表明,，當(dāng)轉(zhuǎn)速為10~60r/min時(shí)，供種速率穩(wěn)定性變異系數(shù)不高于2.14%,，供種時(shí)破損率不高于0.20%,，總排量穩(wěn)定性變異系數(shù)不高于2.15%，排種時(shí)破損率不高于0.23%,，滿足小麥種子穩(wěn)定供種要求,。

摘要:目前能適應(yīng)設(shè)施大棚種植條件的小型播種機(jī)多采用窩眼輪式排種器,，播種精度低，播種質(zhì)量無(wú)法實(shí)時(shí)監(jiān)測(cè),。小型氣力式播種機(jī)需要配置氣力式排種器和風(fēng)機(jī),，存在動(dòng)力系統(tǒng)設(shè)計(jì)困難、排種穩(wěn)定性差,、整機(jī)結(jié)構(gòu)復(fù)雜,、笨重等設(shè)計(jì)難題。本文基于設(shè)計(jì)的氣吸式排種器,，設(shè)計(jì)了叉形分種器,，實(shí)現(xiàn)窄行距精密播種作業(yè)；確定油電混合動(dòng)力系統(tǒng),，排種器和風(fēng)機(jī)采用電驅(qū)方式,，排種穩(wěn)定性得到了提高。設(shè)計(jì)了基于旋轉(zhuǎn)編碼器測(cè)速的電驅(qū)式胡蘿卜播種機(jī)控制系統(tǒng),，該系統(tǒng)以PLC為主控制器,，根據(jù)旋轉(zhuǎn)編碼器采集的前進(jìn)速度信息實(shí)時(shí)調(diào)節(jié)排種器轉(zhuǎn)速，實(shí)現(xiàn)排種轉(zhuǎn)速與播種機(jī)前進(jìn)速度實(shí)時(shí)匹配,?；趯?duì)射式矩陣光纖傳感器，開(kāi)發(fā)了播種質(zhì)量監(jiān)測(cè)系統(tǒng),，解決了小粒徑種子的監(jiān)測(cè)問(wèn)題,。通過(guò)試驗(yàn)表明，續(xù)航時(shí)間為10h,，計(jì)數(shù)相對(duì)誤差小于等于4.6%,，型孔堵塞時(shí)能發(fā)出警報(bào)提醒；播種株距合格率大于93.7%、漏播率小于等于3.9%,、重播率小于2.4%,，漏播率檢測(cè)誤差小于8.4%，試驗(yàn)結(jié)果符合國(guó)家相關(guān)標(biāo)準(zhǔn)要求及胡蘿卜種植農(nóng)藝要求,。

摘要:小型多旋翼植保無(wú)人機(jī)存在農(nóng)藥飄移,、霧滴沉積不均等問(wèn)題,，為此本文結(jié)合RANS方程、SST k-ω湍流模型和SIMPLE算法,，對(duì)耦合六旋翼植保無(wú)人機(jī)下洗氣流場(chǎng)和噴霧霧滴的兩相流場(chǎng)進(jìn)行數(shù)值模擬計(jì)算,，探析環(huán)境風(fēng)速對(duì)無(wú)人機(jī)下洗氣流和農(nóng)藥?kù)F滴沉積的影響。機(jī)身下方空間點(diǎn)風(fēng)速試驗(yàn)和模擬值相對(duì)誤差在15%以?xún)?nèi),，驗(yàn)證了數(shù)值模型的準(zhǔn)確性,。數(shù)值模擬結(jié)果表明：植保無(wú)人機(jī)飛行作業(yè)時(shí)，來(lái)流造成無(wú)人機(jī)下洗風(fēng)場(chǎng)出現(xiàn)漩渦,，來(lái)流速度對(duì)機(jī)身正下方流場(chǎng)的影響大于其對(duì)旋翼正下方流場(chǎng)的影響,；側(cè)風(fēng)造成無(wú)人機(jī)下洗風(fēng)場(chǎng)出現(xiàn)較大漩渦，下洗風(fēng)場(chǎng)穩(wěn)定性降低,；兩側(cè)旋翼正下方對(duì)稱(chēng)布置噴嘴提高了霧滴沉積均勻性,，來(lái)流造成霧滴卷積，霧滴飄移量隨著來(lái)流速度提高而增大,。綜合各因素,，無(wú)人機(jī)噴嘴應(yīng)在旋翼下方對(duì)稱(chēng)布置，在小型六旋翼植保無(wú)人機(jī)實(shí)際作業(yè)時(shí),，無(wú)人機(jī)作業(yè)方向需要與外界環(huán)境風(fēng)向保持平行，同時(shí)在晴朗環(huán)境下施藥作業(yè),，從而降低霧滴飄移,，提高農(nóng)藥利用率。

摘要:針對(duì)蠶豆種子三軸尺寸差異大、清種難、易重播的問(wèn)題,，設(shè)計(jì)了一種鏈勺翻轉(zhuǎn)清種式蠶豆精密排種器,。對(duì)排種器關(guān)鍵部件參數(shù)進(jìn)行設(shè)計(jì)，通過(guò)理論分析建立了種子在清種區(qū)的動(dòng)力學(xué)模型,；利用DEM-MBD耦合方法進(jìn)一步分析了彈簧張緊力,、種層高度、作業(yè)速度,、清種區(qū)排種鏈傾角和充種區(qū)排種鏈傾角對(duì)排種性能的影響,，校核了彈簧剛度，確定了彈簧張緊力為50N,，種層高度為75mm,。以充種區(qū)排種鏈傾角、清種區(qū)排種鏈傾角和作業(yè)速度為試驗(yàn)因素,，合格指數(shù),、重播指數(shù)、漏播指數(shù)為試驗(yàn)指標(biāo),，采用二次回歸正交旋轉(zhuǎn)組合試驗(yàn)方法進(jìn)行臺(tái)架試驗(yàn),；試驗(yàn)結(jié)果表明，最優(yōu)參數(shù)組合為：作業(yè)速度4.25km/h,、清種區(qū)排種鏈傾角-2.9°,、充種區(qū)排種鏈傾角74°；對(duì)上述組合參數(shù)進(jìn)行排種性能試驗(yàn)驗(yàn)證,，得到此時(shí)合格指數(shù)為93.83%,，重播指數(shù)為5.67%，漏播指數(shù)為0.50%,，滿足蠶豆播種要求,。

摘要:針對(duì)丘陵山地胡麻聯(lián)合收獲機(jī)空間布局有限,，且收獲后胡麻脫出物性狀差異小、混雜程度大,、清選困難等問(wèn)題,，為提高丘陵山地胡麻聯(lián)合收獲機(jī)清選效率，探究丘陵山地胡麻聯(lián)合收獲機(jī)復(fù)式清選系統(tǒng)工作機(jī)理,，本文以丘陵山地胡麻聯(lián)合收獲機(jī)初選+精選復(fù)式清選系統(tǒng)工作模式為研究對(duì)象,，分別建立初選系統(tǒng)、精選系統(tǒng)CFD模型和胡麻脫出物DEM模型，采用CFD-DEM聯(lián)合仿真技術(shù),，研究丘陵山地胡麻聯(lián)合收獲機(jī)復(fù)式清選系統(tǒng)最佳工作參數(shù)和脫出物各組分運(yùn)動(dòng)軌跡及空間形態(tài)變化,，得出丘陵山地胡麻聯(lián)合收獲機(jī)脫出物分離規(guī)律，并進(jìn)行驗(yàn)證試驗(yàn),，校驗(yàn)仿真模型可靠性,。CFD-DEM聯(lián)合仿真結(jié)果表明，當(dāng)初選系統(tǒng)入口風(fēng)速為12.4m/s,、精選系統(tǒng)離心風(fēng)扇轉(zhuǎn)速為1.154r/min時(shí),，機(jī)具清選效果最佳，其中初選系統(tǒng)胡麻籽粒損失率為0.3%,，短莖稈排出率71.43%,，穎殼排出率69.34%，輕雜排出率65.34%,，含雜率39.01%,；精選系統(tǒng)胡麻籽粒損失率為0，短莖稈排出率40%,，穎殼排出率75%,，輕雜排出率100%，含雜率2.56%,；初選系統(tǒng)中脫出物進(jìn)入氣流場(chǎng)初始瞬時(shí)發(fā)生速度,、位移變化依次為輕雜、穎殼,、胡麻籽粒,、短莖稈，精選系統(tǒng)中脫出物進(jìn)入氣流場(chǎng)初始瞬時(shí)發(fā)生速度,、位移變化依次為穎殼,、輕雜、短莖稈,、胡麻籽粒,。田間試驗(yàn)結(jié)果表明，當(dāng)胡麻籽粒含水率為5.34%時(shí),，作業(yè)機(jī)具最佳作業(yè)狀態(tài)下含雜率為3.61%,、總損失率1.98%，作業(yè)期間整機(jī)運(yùn)行平穩(wěn),，作業(yè)指標(biāo)符合胡麻機(jī)械化收獲標(biāo)準(zhǔn)。試驗(yàn)結(jié)果與仿真結(jié)果高度吻合,，驗(yàn)證了模型的可靠性,。

摘要:針對(duì)油葵聯(lián)合收獲作業(yè)過(guò)程中存在籽粒含雜率及損失率偏高的問(wèn)題,，測(cè)定油葵脫粒后脫出物的尺寸特征和懸浮特性,，通過(guò)機(jī)構(gòu)的運(yùn)動(dòng)學(xué)分析與物料的受力分析，確定了油葵聯(lián)合收獲機(jī)清選裝置主要結(jié)構(gòu)參數(shù)與工作參數(shù),。以風(fēng)機(jī)轉(zhuǎn)速,、振動(dòng)頻率和分風(fēng)板傾角為影響因素，油葵籽粒含雜率和籽粒損失率為評(píng)價(jià)指標(biāo),，開(kāi)展工作參數(shù)優(yōu)化試驗(yàn),，單因素試驗(yàn)結(jié)果表明，清選裝置較優(yōu)工作區(qū)間為：風(fēng)機(jī)轉(zhuǎn)速1100~1300r/min,、振動(dòng)頻率3~5Hz,、分風(fēng)板傾角20°~40°；設(shè)計(jì)Box-Behnken試驗(yàn),，建立了響應(yīng)面回歸模型,，并進(jìn)行參數(shù)優(yōu)化，結(jié)果表明：各試驗(yàn)因素對(duì)含雜率和損失率影響顯著性大小順序均為風(fēng)機(jī)轉(zhuǎn)速,、振動(dòng)頻率,、分風(fēng)板傾角；當(dāng)風(fēng)機(jī)轉(zhuǎn)速1200r/min,、振動(dòng)頻率4Hz,、分風(fēng)板傾角27°時(shí)，試驗(yàn)結(jié)果表明平均油葵籽粒含雜率為4.25%,，平均籽粒損失率為1.82%,，滿足油葵聯(lián)合收獲機(jī)清選的國(guó)家標(biāo)準(zhǔn)要求。

摘要:針對(duì)玉米籽粒收獲機(jī)低損脫粒智能控制系統(tǒng)開(kāi)發(fā)受場(chǎng)地和季節(jié)影響較大的問(wèn)題，設(shè)計(jì)了一套低損脫粒智能控制系統(tǒng)半實(shí)物仿真平臺(tái),。該仿真平臺(tái)由仿真平臺(tái)控制器,、操作面板、演示面板,、扶手箱,、顯示器和上位機(jī)組成,。分析了玉米籽粒收獲機(jī)低損脫粒智能控制系統(tǒng)的組成和收獲控制器的測(cè)試需求，建立了玉米籽粒收獲機(jī)關(guān)鍵作業(yè)參數(shù)調(diào)節(jié)過(guò)程的數(shù)學(xué)模型,，基于STM32F407型單片機(jī)搭建了硬件在環(huán)仿真測(cè)試系統(tǒng),，并完成了試驗(yàn)臺(tái)設(shè)計(jì)。進(jìn)行了仿真平臺(tái)和玉米籽粒收獲機(jī)在空載條件下的作業(yè)參數(shù)調(diào)節(jié)開(kāi)環(huán)對(duì)照試驗(yàn),，其中,，滾筒轉(zhuǎn)速仿真誤差的數(shù)學(xué)期望為0.126r/min，標(biāo)準(zhǔn)差為0.776r/min,；作業(yè)速度仿真誤差的數(shù)學(xué)期望為-0.022km/h,，標(biāo)準(zhǔn)差為0.094km/h；凹板間隙仿真誤差的數(shù)學(xué)期望為0.041mm,，標(biāo)準(zhǔn)差為0.147mm,，驗(yàn)證了仿真平臺(tái)對(duì)執(zhí)行機(jī)構(gòu)調(diào)節(jié)過(guò)程模擬的有效性。進(jìn)行了信號(hào)模擬測(cè)試和收獲控制器自動(dòng)控制策略仿真測(cè)試,，結(jié)果證明了仿真平臺(tái)可用于玉米籽粒收獲機(jī)智能控制系統(tǒng)的開(kāi)發(fā)和控制策略的測(cè)試,，提高了系統(tǒng)開(kāi)發(fā)效率，縮短了開(kāi)發(fā)周期,。

摘要:為提高食葵機(jī)械化收獲水平,，解決人工分段收獲成本高,、勞動(dòng)強(qiáng)度大等問(wèn)題，基于人工取盤(pán)原理設(shè)計(jì)一種食葵取盤(pán)裝置,，其主要工作部件為傾斜輸送鏈?zhǔn)饺”P(pán)機(jī)構(gòu),，模擬人工取盤(pán)時(shí)沿豎直方向拔起葵盤(pán)的動(dòng)作，實(shí)現(xiàn)葵盤(pán)采收,。依據(jù)部件作業(yè)過(guò)程與動(dòng)力學(xué)分析確定了前翻轉(zhuǎn)控制凸輪推角,、后翻轉(zhuǎn)控制凸輪推角、托盤(pán)桿尺寸及旋轉(zhuǎn)位置,、推桿角度等關(guān)鍵設(shè)計(jì)參數(shù),，并獲取了作業(yè)性能影響因素及其取值范圍。以機(jī)具前進(jìn)速度,、推桿角度,、插盤(pán)高度為取盤(pán)性能影響因子，以取盤(pán)總損失率為響應(yīng)值進(jìn)行三因素三水平正交試驗(yàn),，并進(jìn)行了最優(yōu)參數(shù)組合重復(fù)試驗(yàn),。結(jié)果表明,，取盤(pán)過(guò)程中各因素對(duì)取盤(pán)總損失率顯著性順序依次為推桿角度、前進(jìn)速度和插盤(pán)高度,，最優(yōu)參數(shù)組合為前進(jìn)速度0.4m/s、推桿角度20°,、插盤(pán)高度1000mm,，在此參數(shù)組合下測(cè)得取盤(pán)總損失率為1.22%，該食葵取盤(pán)裝置滿足食葵低損失收獲要求,。

摘要:為使多關(guān)節(jié)雙臂并行采摘空間與獼猴桃棚架空間相適應(yīng),，以保證雙臂間采摘區(qū)域連續(xù)無(wú)漏果且采摘面積最大化,，采用理論與試驗(yàn)相結(jié)合的方法對(duì)雙臂并行采摘平臺(tái)進(jìn)行設(shè)計(jì)。首先,，結(jié)合機(jī)械手工作空間和棚架空間等效模型,，分析確定了雙臂空間布局方案；然后,，通過(guò)對(duì)雙臂并行采摘效率進(jìn)行理論分析確定優(yōu)化設(shè)計(jì)變量,，以采摘面積最大和公共區(qū)域占比最小為指標(biāo)建立目標(biāo)優(yōu)化函數(shù)，利用粒子群算法求解得最優(yōu)雙臂相對(duì)安裝位置870mm,、最優(yōu)雙臂安裝高度1020mm和移動(dòng)平臺(tái)最大間歇式前進(jìn)步距450mm,；在此基礎(chǔ)上，建立了雙臂開(kāi)鏈運(yùn)動(dòng)模型及其位置層約束關(guān)系,；最后,，為驗(yàn)證采摘空間適應(yīng)性及整機(jī)作業(yè)性能，搭建雙臂并行采摘平臺(tái)樣機(jī)并進(jìn)行了果實(shí)定位誤差試驗(yàn)和雙臂并行采摘試驗(yàn),。結(jié)果表明：果實(shí)平均水平和深度定位誤差分別為5.0mm和8.3mm,，基本滿足獼猴桃采摘要求，平均果實(shí)位置遍歷成功率為92.09%,，雙臂能夠遍歷除奇異點(diǎn)外所要求的目標(biāo)果實(shí)點(diǎn),，平均果實(shí)采摘成功率為82.10%，平均單果采摘時(shí)間為5.86s,，通過(guò)位姿調(diào)整雙臂在共享空間可以改善運(yùn)動(dòng)沖突問(wèn)題,，驗(yàn)證了獼猴桃雙臂并行采摘平臺(tái)的作業(yè)可行性。

摘要:為探明不同翼端間隙條件下水翼端部間隙區(qū)湍流特征及間隙湍流損失機(jī)理，以NACA0009型鈍尾緣水翼為研究對(duì)象,，采用基于SST k-ω湍流模型的超大渦模擬方法,，分析了間隙寬度τ（分別為0.1c和0.02c）和翼端倒圓半徑r（分別為0，0.5%c和1%c）對(duì)間隙區(qū)渦系結(jié)構(gòu),、湍流雷諾應(yīng)力,、湍動(dòng)能和湍流損失的影響。結(jié)果表明,，不同間隙條件下,，間隙流動(dòng)的雷諾應(yīng)力分布與間隙渦系分布趨于一致，以法向正應(yīng)力〈v′v′〉和展向正應(yīng)力〈w′w′〉為主,。大間隙下（τ=0.1c）,，湍動(dòng)能和雷諾應(yīng)力主要分布在間隙分離渦區(qū)域，速度梯度〈v〉/z和雷諾應(yīng)力〈w′w′〉主導(dǎo)間隙分離渦區(qū)域的湍動(dòng)能生成,，隨翼端倒圓半徑增加,，間隙湍流損失因間隙區(qū)雷諾應(yīng)力的顯著減小而降低,；小間隙下（τ=0.02c）,，間隙端壁邊界層在間隙泄漏渦的強(qiáng)卷吸作用下形成誘導(dǎo)渦，間隙區(qū)湍流損失主要產(chǎn)生于間隙泄漏渦和誘導(dǎo)渦區(qū)域內(nèi),，隨翼端倒圓半徑增大而增大,，其原因是主導(dǎo)誘導(dǎo)渦湍動(dòng)能生成的雷諾應(yīng)力〈v′v′〉與速度梯度〈v〉/y和主導(dǎo)間隙泄漏渦湍動(dòng)能生成的〈v′w′〉與(〈v〉/z+〈w〉/y)均隨翼端倒圓半徑增加而增大。

摘要:在揚(yáng)程幾乎為零的平原小河道中，傳統(tǒng)水泵存在運(yùn)行效率低,、穩(wěn)定性差,、架設(shè)成本高等問(wèn)題,。為提升平原小河道的水動(dòng)力條件,，提出了利用撲動(dòng)水翼推動(dòng)小河道水體流動(dòng)的方法,。并由此建立了撲動(dòng)水翼的計(jì)算模型，針對(duì)不同撲動(dòng)頻率以及不同來(lái)流速度對(duì)撲動(dòng)水翼推水性能的影響進(jìn)行了數(shù)值模擬研究,。設(shè)計(jì)了撲動(dòng)水翼推水性能試驗(yàn)平臺(tái),，在循環(huán)流道內(nèi)進(jìn)行了試驗(yàn)驗(yàn)證。結(jié)果表明：撲動(dòng)水翼裝置的流量與其撲動(dòng)頻率成正比,，揚(yáng)程與撲動(dòng)頻率的平方成正比,。在固定頻率下，撲動(dòng)水翼的尾渦隨著流速的增加從混沌狀態(tài)逐漸形成雙列反卡門(mén)渦街,，裝置泵水效率逐漸增加，直至最佳效率點(diǎn),；流速繼續(xù)增加,，反卡門(mén)渦街轉(zhuǎn)變?yōu)閱瘟校恃杆傧陆?。此外,，撲?dòng)水翼裝置具有揚(yáng)程低、流量大等優(yōu)點(diǎn),，在平原河流推水上具有優(yōu)勢(shì),。

摘要:為了探究軸流泵裝置反轉(zhuǎn)運(yùn)行條件下的水動(dòng)力特性,，采用試驗(yàn)測(cè)量結(jié)合數(shù)值模擬的方法，對(duì)某配有常規(guī)單向葉輪的軸流泵裝置的反轉(zhuǎn)運(yùn)行特性進(jìn)行了研究,，分析了軸流泵裝置包括反水泵工況,、反向發(fā)電工況的能量特性和內(nèi)流特性。結(jié)果表明,，應(yīng)用單向葉輪的軸流泵裝置進(jìn)行反轉(zhuǎn)抽水的揚(yáng)程和效率均較低,，高效點(diǎn)的揚(yáng)程僅為常規(guī)泵工況高效點(diǎn)揚(yáng)程的0.38倍，高效點(diǎn)的效率僅為常規(guī)泵工況的0.55倍,。反水泵工況下的壓力脈動(dòng)信號(hào)成分較為復(fù)雜,，泵裝置出水流道的流態(tài)較差，不同流量工況下的葉片非工作面均存在較大范圍的回流區(qū),。反向發(fā)電工況下,，最高效率點(diǎn)向大流量偏移，出現(xiàn)在Qd=1.63流量工況,，高效區(qū)的范圍明顯增大,，達(dá)到了泵工況的1.53倍,，在大流量工況下仍能維持較高水平的水力效率。反向發(fā)電工況下水泵葉片非工作面的極限流線較為平順,，葉片工作面的壓力梯度分布較為均勻,。研究成果為特殊利用條件下的軸流泵裝置的安全穩(wěn)定運(yùn)行提供了參考。

摘要:為了進(jìn)行田塊尺度的冬小麥單產(chǎn)估測(cè)，以陜西省關(guān)中平原為研究區(qū)域,，基于Sentinel-1,、Sentinel-2和Sentinel-3衛(wèi)星數(shù)據(jù)反演葉面積指數(shù)（LAI），并利用增強(qiáng)的深度卷積神經(jīng)網(wǎng)絡(luò)融合模型（EDCSTFN）和增強(qiáng)的時(shí)空自適應(yīng)反射率融合模型（ESTARFM）對(duì)Sentinel-1,、Sentinel-2和Sentinel-3 LAI進(jìn)行時(shí)空融合,，進(jìn)而重建尺度12d的空間分辨率20m LAI并用于冬小麥單產(chǎn)估測(cè)。結(jié)果表明,，基于Sentinel-1后向散射系數(shù)和相干性能夠準(zhǔn)確地反演關(guān)中平原冬小麥種植區(qū)的20m空間分辨率LAI,，決定系數(shù)（R2）在冬小麥主要生育期可達(dá)0.70以上；相比于基于Sentinel-2和Sentinel-3的ESTARFM模型和EDCSTFN模型（EDCSTFN_S3）,，基于Sentinel-1和Sentinel-2的EDCSTFN模型（EDCSTFN_S1）可以明顯提高距離參考影像獲取日期較遠(yuǎn)的日期的LAI時(shí)空融合精度,，ESTARFM、EDCSTFN_S3和EDCSTFN_S1 3個(gè)模型在5月下旬的融合結(jié)果對(duì)應(yīng)的R2分別為0.53,、0.71和0.76,；基于時(shí)空融合LAI的冬小麥估產(chǎn)結(jié)果與冬小麥單產(chǎn)數(shù)據(jù)具有良好的相關(guān)性（R2=0.52，P<0.01）,，估產(chǎn)結(jié)果的均方根誤差為358.25kg/hm2,，歸一化均方根誤差為19%，平均相對(duì)誤差為7.34%,，并顯示了豐富的田塊尺度冬小麥單產(chǎn)分布細(xì)節(jié)特征,，展現(xiàn)了進(jìn)行田塊尺度冬小麥精確估產(chǎn)的潛力。

摘要:為運(yùn)用圖像顏色特征估測(cè)作物的葉綠素含量,，以自然環(huán)境下的小麥冠層圖像為研究對(duì)象，提出一種基于熵權(quán)法的顏色特征選擇方法，并應(yīng)用機(jī)器學(xué)習(xí)方法建立小麥冠層葉綠素含量估測(cè)模型,。熵權(quán)法通過(guò)信息熵來(lái)衡量顏色特征指標(biāo)權(quán)重,，實(shí)現(xiàn)冠層圖像特征排序，機(jī)器學(xué)習(xí)方法選用多元線性回歸（Multiple linear regression, MLR）,、嶺回歸（Ridge regression, RR）和支持向量回歸模型（Support vector regression, SVR）估測(cè)小麥冠層葉綠素含量,。試驗(yàn)結(jié)果表明，與皮爾遜相關(guān)系數(shù)法和主成分分析法選取的特征集進(jìn)行對(duì)比,，熵權(quán)法得到a*,、R-G-B、R-G,、（a*+b*）/L,、a*/b*、(R-G)/(R+G+B),、(R-B)/(R+B),、H/S、(R-G)/(R+G)等9個(gè)特征組成的特征集,，可以利用較少的特征指標(biāo)達(dá)到最優(yōu)的預(yù)測(cè)效果。在選取相同特征指標(biāo)參數(shù)的情況下,，SVR的預(yù)測(cè)能力優(yōu)于其它模型,，其R2和RMSE的平均值分別為0.80、1.89,，相比于MLR和RR模型R2分別提升2.8%,、1.1%，RMSE分別下降0.13和0.05,。將基于熵權(quán)法建立的SVR模型應(yīng)用到2021年采集的小麥冠層圖像數(shù)據(jù),，結(jié)果表明模型具有很好的穩(wěn)定性。

摘要:物候是植被生理生態(tài)過(guò)程與環(huán)境變化相互作用的體現(xiàn),，時(shí)間序列遙感數(shù)據(jù)的使用有助于揭示水稻物候特征,。基于水稻物候特征建立一個(gè)可靠的水稻面積監(jiān)測(cè)體系,，及時(shí),、準(zhǔn)確地監(jiān)測(cè)水稻種植面積，對(duì)于糧食安全十分重要,。本研究以中等分辨率成像光譜儀（Moderate resolution imaging spectroradiometer, MODIS）為數(shù)據(jù)源,，選擇增強(qiáng)型植被指數(shù)（Enhanced vegetation index, EVI），重構(gòu)2019年和2020年EVI時(shí)間序列，提取水稻物候信息,，并選擇季節(jié)積分和生長(zhǎng)季振幅兩個(gè)指標(biāo),，結(jié)合2019年單點(diǎn)EVI時(shí)間序列和水稻種植面積的統(tǒng)計(jì)數(shù)據(jù)，確定江蘇省13個(gè)地級(jí)市水稻的季節(jié)積分和生長(zhǎng)季振幅的閾值,，并根據(jù)得到的閾值,，提取2020年江蘇省水稻種植面積。利用2020年水稻種植面積的統(tǒng)計(jì)數(shù)據(jù)和美國(guó)陸地衛(wèi)星-8攜帶的陸地成像儀（Landsat8 operational land image, Landsat8 OLI）影像,，對(duì)提取結(jié)果進(jìn)行了精度驗(yàn)證,。結(jié)果表明，水稻提取的總體精度為92.55%,，Kappa系數(shù)為0.8463,，水稻的制圖精度為92.90%，用戶精度為89.09%,，與統(tǒng)計(jì)數(shù)據(jù)的一致性為93.90%,，提取精度較高，在技術(shù)上具有可行性,。該方法為大區(qū)域提取農(nóng)作物種植面積提供了參考,。

摘要:利用2006—2020年MODIS NDVI數(shù)據(jù)和2010年及2015年的國(guó)內(nèi)生產(chǎn)總值(GDP)、人口(POP),、土地覆蓋(Land Cover)空間分布數(shù)據(jù),，分析了安徽省NDVI的時(shí)空變化規(guī)律及人類(lèi)活動(dòng)對(duì)NDVI空間變異的影響。結(jié)果表明：2006—2020年安徽省NDVI在0.535~0.568之間波動(dòng),，總體呈改善趨勢(shì),，累積增長(zhǎng)率為6.23%；季節(jié)上年增長(zhǎng)率由大到小依次為秋季(0.0042a-1),、冬季(0.0036a-1),、夏季(0.0031a-1)和春季(0.0029a-1)。15年來(lái),，安徽省NDVI明顯改善和輕微改善的區(qū)域面積占全省NDVI面積的69.17%,，改善區(qū)域主要分布在長(zhǎng)江以南地區(qū)；季節(jié)上,，春季和冬季對(duì)NDVI改善的貢獻(xiàn)最大,。安徽省NDVI呈現(xiàn)持續(xù)性改善的區(qū)域占42.36%，呈現(xiàn)持續(xù)性退化的區(qū)域占17.23%,，退化區(qū)域主要分布在省會(huì)城市及其周邊經(jīng)濟(jì)發(fā)展較快城市,。2010年GDP,、POP、Land Cover對(duì)NDVI的空間變異分布解釋力均在27%以上,，2015年解釋力均在15%以上,，可見(jiàn)，GDP,、POP,、Land Cover對(duì)NDVI的空間分布均存在顯著的影響。安徽省2006—2020年NDVI在時(shí)間和空間上均呈不斷改善趨勢(shì),，表明安徽省的綠色發(fā)展正在穩(wěn)步推進(jìn),。

摘要:倒伏是影響小麥產(chǎn)量和質(zhì)量的重要因素之一,，及時(shí)準(zhǔn)確獲取倒伏信息有利于小麥良種選育中的倒伏損失鑒定。本文以小麥灌漿期和成熟期兩個(gè)生長(zhǎng)階段的可見(jiàn)光無(wú)人機(jī)遙感影像為依據(jù),，構(gòu)建多生長(zhǎng)階段小麥倒伏數(shù)據(jù)集，通過(guò)在DeepLab v3+模型中添加不同的注意力模塊進(jìn)行比較分析,，提出一種基于多頭自注意力（MHSA）的DeepLab v3+小麥倒伏檢測(cè)模型。試驗(yàn)結(jié)果表明,，提出的MHSA+DeepLab v3+模型的平均像素精度(Mean pixel accuracy, mPA)和均交并比(Mean intersection over union, mIoU),，灌漿期分別為93.09%和87.54%,，成熟期分別為93.36%和87.49%。與代表性的SegNet,、PSPNet和DeepLab v3+模型相比,，在灌漿期mPA提高了25.45、7.54,、1.82個(gè)百分點(diǎn)和mIoU提高了36.15,、11.37、2.49個(gè)百分點(diǎn),，在成熟期mPA提高了15.05、6.32、0.74個(gè)百分點(diǎn),，mIoU提高了23.36,、9.82、0.95個(gè)百分點(diǎn),。其次,，相比于CBAM和SimAM兩種注意力模塊，在灌漿期及成熟期基于多頭自注意力的DeepLab v3+表現(xiàn)均為最優(yōu),，在灌漿期其mPA和mIoU分別提高了1.6,、2.07個(gè)百分點(diǎn)和1.7、2.45個(gè)百分點(diǎn),，成熟期提高了0.27、0.11個(gè)百分點(diǎn)和0.26,、0.15個(gè)百分點(diǎn)。研究表明提出的改進(jìn)的DeepLab v3+模型能夠有效地捕獲灌漿期和成熟期的無(wú)人機(jī)小麥遙感圖像中的倒伏特征,，準(zhǔn)確識(shí)別不同生育期的倒伏區(qū)域，具有良好的適用性,，為利用無(wú)人機(jī)遙感技術(shù)鑒定小麥倒伏災(zāi)害等級(jí)和良種選育等提供了參考,。

摘要:準(zhǔn)確快速獲取植被覆蓋條件下農(nóng)田土壤鹽分信息,，為土壤鹽漬化治理提供依據(jù)。利用無(wú)人機(jī)遙感平臺(tái),，獲取2019年7,、8、9月內(nèi)蒙古河套灌區(qū)沙壕渠灌域試驗(yàn)地的多光譜遙感圖像以及取樣點(diǎn)0~10cm,、10~20cm,、20~40cm、40~60cm深度處土壤含鹽量,，通過(guò)多光譜遙感圖像計(jì)算得到光譜指數(shù)，選擇歸一化植被指數(shù)（NDVI-2）代入像元二分模型計(jì)算植被覆蓋度,，并劃分為T(mén)1（裸土）,、T2（低植被覆蓋度）、T3（中植被覆蓋度）,、T4（高植被覆蓋度）4個(gè)覆蓋度等級(jí)；同時(shí),，對(duì)光譜指數(shù)進(jìn)行全子集變量篩選,，并利用偏最小二乘回歸算法和極限學(xué)習(xí)機(jī)算法，構(gòu)建不同覆蓋度下各深度土壤含鹽量反演模型,。研究結(jié)果表明,，裸土和高植被覆蓋度下的反演模型精度高于低植被覆蓋度和中植被覆蓋度下的反演模型精度,；對(duì)比PLSR和ELM 2種SSC反演模型精度，ELM模型的反演精度比PLSR模型高,；覆蓋度T1,、T2,、T3和T4的最佳反演深度分別為0~10cm、10~20cm,、20~40cm、20~40cm,。研究結(jié)果為無(wú)人機(jī)多光譜遙感監(jiān)測(cè)農(nóng)田土壤鹽漬化提供了思路,。

摘要:針對(duì)高光譜遙感土壤重金屬含量估算研究中光譜特征信息弱,、模型反演魯棒性差的問(wèn)題,，提出構(gòu)建污染源-匯空間特征量化污染物擴(kuò)散與匯聚空間影響因子,，融合光譜特征建立基于極端隨機(jī)樹(shù)（Extremely randomized trees,，ERT）的土壤重金屬含量估算模型。以濟(jì)源市耕地土壤為研究區(qū),，布設(shè)采集土壤樣本249個(gè),，分析了光譜特征,、地形特征和污染源空間特征在土壤重金屬鉛（Pb）、鉻（Cd）含量反演中的有效性及影響機(jī)理,，采用置換重要性指數(shù)優(yōu)選多源特征,，通過(guò)與多種回歸模型對(duì)比，評(píng)價(jià)ERT模型的預(yù)測(cè)精度,。研究表明,，變換后的土壤光譜特征構(gòu)建ERT模型引入地形特征和污染源空間特征后精度提升顯著，尤其是污染源空間特征優(yōu)勢(shì)更為明顯,，Pb的ERT模型均方根誤差由43.185mg/kg下降到22.301mg/kg,下降了48.36%,。Cd的ERT模型均方根誤差由0.738mg/kg下降到0.371mg/kg，下降了49.73%,，充分說(shuō)明引入污染擴(kuò)散空間特征的有效性,。與其他回歸模型對(duì)比，ERT估算模型在各項(xiàng)指標(biāo)評(píng)價(jià)中優(yōu)勢(shì)明顯,，其中Pb的ERT模型的測(cè)試集R2達(dá)0.964,，Cd的ERT模型R2為0.923。

摘要:為了探明作物葉片像素提取的內(nèi)在機(jī)理，設(shè)計(jì)適用于高光譜和多光譜影像的自動(dòng)葉片提取方法,，以實(shí)測(cè)高光譜和模擬多光譜影像為基礎(chǔ),，通過(guò)特征轉(zhuǎn)換、圖像分割,、邊緣檢測(cè),、基于梯度的斷點(diǎn)連接4個(gè)步驟，最終實(shí)現(xiàn)了作物葉片的快速,、準(zhǔn)確,、自動(dòng)化提取。結(jié)果表明,，EVI對(duì)作物葉片增強(qiáng)效果最好,，NDVI次之，基于紅邊的植被指數(shù)效果最差,。在葉片提取過(guò)程中,，本方法所涉及的5個(gè)精度評(píng)價(jià)指標(biāo)平均值均在0.94以上,，分布于0.9478~0.9896，葉片提取精度極高,。該方法相較于大津法（OTSU）,、標(biāo)記分水嶺（Marker-watershed）等經(jīng)典方法具有明顯的優(yōu)勢(shì)，其提取精度分別提高了29%~98%,，與全卷積神經(jīng)網(wǎng)絡(luò)（FCN）或隨機(jī)森林（RF）基本相當(dāng),。通過(guò)運(yùn)用特征轉(zhuǎn)化，局部自適應(yīng)閾值分割和邊緣檢測(cè)相結(jié)合,，可以實(shí)現(xiàn)基于高光譜,、多光譜影像的葉片像素快速、準(zhǔn)確,、自動(dòng)化提?。辉摲椒杀苊夥爆嵉臉颖緲?biāo)記,，且對(duì)高光譜和多光譜影像的空間分辨率及尺寸要求較低,，其提取結(jié)果可直接作為深度學(xué)習(xí)的標(biāo)記樣本或葉片尺度的表型參數(shù)反演的基礎(chǔ)數(shù)據(jù)，具有推廣價(jià)值,。

摘要:針對(duì)現(xiàn)有遙感估產(chǎn)方法未對(duì)通道間依賴(lài)關(guān)系建模和無(wú)法整合影像外其他特征的問(wèn)題,，以寧夏枸杞估產(chǎn)為例,，提出了一種基于CNN-S-GPR的高光譜影像年際作物估產(chǎn)模型。首先,，運(yùn)用直方圖降維,、歸一化、時(shí)間序列融合和維度轉(zhuǎn)換4種特征工程方法構(gòu)建枸杞估產(chǎn)數(shù)據(jù)集,，實(shí)現(xiàn)多波段,、多時(shí)相影像融合；然后,，采用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取數(shù)據(jù)集特征,，簡(jiǎn)化特征提取操作；接著,，融合通道注意力機(jī)制,，以表征不同通道間的重要程度；最后,，引入高斯過(guò)程回歸,，整合影像特征及空間位置特征,，進(jìn)一步提高估產(chǎn)準(zhǔn)確性,。實(shí)驗(yàn)結(jié)果表明,，與其他估產(chǎn)模型相比，該模型平均相對(duì)誤差和均方根誤差下降了0.44~0.95個(gè)百分點(diǎn)和52.48~82.65t,，且決定系數(shù)達(dá)到0.91,。結(jié)合寧夏16個(gè)縣的枸杞年際產(chǎn)量實(shí)現(xiàn)了復(fù)雜擬合，對(duì)全區(qū)農(nóng)業(yè)規(guī)劃布局及可持續(xù)發(fā)展具有參考價(jià)值,。

摘要:國(guó)土空間開(kāi)發(fā)與生態(tài)環(huán)境間是相互關(guān)聯(lián)及協(xié)調(diào)促進(jìn)的關(guān)系，探究其耦合協(xié)調(diào)度及空間關(guān)聯(lián)格局對(duì)地區(qū)實(shí)現(xiàn)高質(zhì)量發(fā)展和生態(tài)文明建設(shè)意義重大,。本文采用熵值法和指標(biāo)體系評(píng)價(jià)法分別測(cè)算了2008—2018年河南省地級(jí)市的國(guó)土空間開(kāi)發(fā)程度及生態(tài)環(huán)境水平,，在此基礎(chǔ)上，運(yùn)用耦合協(xié)調(diào)度模型和空間自相關(guān)分析評(píng)價(jià)了兩者耦合協(xié)調(diào)度及空間關(guān)聯(lián)的時(shí)空分異特征,。研究表明,，2008—2018年河南省各地市國(guó)土空間開(kāi)發(fā)水平整體穩(wěn)中有進(jìn)，生態(tài)環(huán)境水平呈緩慢縮減并提升的態(tài)勢(shì),。河南省國(guó)土空間開(kāi)發(fā)與生態(tài)環(huán)境的耦合協(xié)調(diào)度主要處于瀕臨失調(diào)與勉強(qiáng)協(xié)調(diào)階段,，并隨時(shí)間推移呈增強(qiáng)趨勢(shì)，空間分布差異明顯,，整體呈現(xiàn)“中東部協(xié)調(diào)過(guò)渡,，中部和西北部協(xié)調(diào)提升”的特征。全局空間自相關(guān)表明國(guó)土空間開(kāi)發(fā)及生態(tài)環(huán)境水平均存在顯著正相關(guān)性,；兩者耦合協(xié)調(diào)度歷年呈正相關(guān)性,，且具有明顯集聚特征，HH型多以“組團(tuán)”形式出現(xiàn),，LL型由“散布”式向“組團(tuán)”式轉(zhuǎn)變,，LH型多散布在LL型周邊；空間上看,，中部和西部地區(qū)耦合協(xié)調(diào)度較高,，區(qū)域間多形成HH集聚區(qū)，東部和南部地區(qū)耦合協(xié)調(diào)不足,，多形成LL集聚區(qū),。

摘要:耕地系統(tǒng)安全評(píng)價(jià)是改善區(qū)域耕地系統(tǒng)安全狀態(tài)和保障糧食生產(chǎn)安全的重要舉措,。以長(zhǎng)株潭地區(qū)為研究區(qū)，從耕地?cái)?shù)量,、質(zhì)量和生態(tài)三者系統(tǒng)性保護(hù)的視角,，構(gòu)建耕地系統(tǒng)安全評(píng)價(jià)指標(biāo)體系，采用量子遺傳算法改進(jìn)的投影尋蹤模型,，定量分析耕地系統(tǒng)安全的時(shí)空演變特征,，識(shí)別關(guān)鍵因子,。結(jié)果表明:研究區(qū)各子系統(tǒng)投影值呈“交錯(cuò)遞減”狀態(tài),，耕地系統(tǒng)安全綜合投影值波動(dòng)式降低,，由2009年的1.2521減少到2019年的1.2517,；2019年,，長(zhǎng)株潭地區(qū)耕地系統(tǒng)安全表現(xiàn)為由中心城區(qū)向四周城郊區(qū)輻射式提升的空間分異特征,；針對(duì)不同耕地系統(tǒng)安全等級(jí)區(qū),，因地制宜提出了調(diào)控措施,，有利于提升區(qū)域耕地系統(tǒng)安全狀態(tài)；耕地總面積,、人均耕地面積,、耕地墾殖率、單位耕地面積地膜負(fù)荷和污水集中處理率是影響該地區(qū)耕地系統(tǒng)安全的關(guān)鍵因子,，需積極從保護(hù)耕地?cái)?shù)量和提高耕地利用管理水平方面維持和改善當(dāng)?shù)馗叵到y(tǒng)安全狀態(tài),。本研究可為長(zhǎng)株潭地區(qū)耕地保護(hù)及社會(huì)經(jīng)濟(jì)高質(zhì)量發(fā)展提供理論支撐。

摘要:為提高土壤鹽分分布圖繪制精度或降低野外采樣和室內(nèi)分析成本,，優(yōu)化土壤采樣點(diǎn)布局,，本文以回歸克里格法估計(jì)方差（RKV）最小和普通克里格估計(jì)方差（OKV）最小為目標(biāo)函數(shù)，運(yùn)用空間模擬退火（SSA）算法對(duì)土壤鹽分采樣點(diǎn)布局進(jìn)行優(yōu)化,，其中回歸克里格法（RK）中的協(xié)變量選擇與土壤鹽分分布關(guān)系密切且容易獲取的環(huán)境變量,；通過(guò)最鄰近距離分布函數(shù)（G函數(shù)）、間隔距離分布函數(shù)（F函數(shù)）和K-S檢驗(yàn)對(duì)優(yōu)化結(jié)果進(jìn)行評(píng)價(jià),。結(jié)果表明：荒地分布在大尺度上（400m×400m）與鹽分相關(guān)性強(qiáng),，而在小尺度上（50m×50m）與鹽分相關(guān)性弱；以荒地分布（與荒地最短距離）作為協(xié)變量,，利用RK法優(yōu)化采樣點(diǎn)布局（采樣數(shù)為55）后得到的研究區(qū)平均RKV為0.0807,，相較平均OKV（0.1143）縮小了29.39%；優(yōu)化后采樣點(diǎn)布局的G函數(shù)曲線和F函數(shù)曲線全部落在95%置信區(qū)間內(nèi),，即F函數(shù)和G函數(shù)均與其理論值無(wú)顯著差異,，采樣點(diǎn)布局良好覆蓋了地理空間；K-S檢驗(yàn)表明,，優(yōu)化后采樣點(diǎn)上與荒地最短距離的分布與其總體分布服從同一概率分布,，即采樣點(diǎn)布局良好覆蓋了屬性空間。本研究可為河套灌區(qū)土壤鹽漬化監(jiān)測(cè)點(diǎn)布局提供參考,。

摘要:為解決農(nóng)業(yè)多機(jī)器人在傳統(tǒng)蘋(píng)果園行間協(xié)同作業(yè)時(shí)的通信節(jié)點(diǎn)最佳部署問(wèn)題，研究了2.4GHz Wi-Fi信號(hào)在傳統(tǒng)蘋(píng)果園（蘋(píng)果成熟期）中的傳播特性,。將信號(hào)發(fā)射、接收節(jié)點(diǎn)分別距地面高度0.45,、0.55,、0.65、0.75m垂直部署,，依據(jù)多機(jī)器人直線型,、小間距V形、大間距V形,、并排型等4種典型編隊(duì)方式將節(jié)點(diǎn)水平部署,，測(cè)量通信信號(hào)在不同高度條件以及上述4種編隊(duì)方式下不同距離處的接收強(qiáng)度。研究結(jié)果表明,，4種編隊(duì)方式中,，以直線型編隊(duì)方式下的信號(hào)衰減最緩慢。因此,，傳統(tǒng)蘋(píng)果園中多機(jī)器人最佳的編隊(duì)方式為直線型,，節(jié)點(diǎn)部署高度最好在果樹(shù)第一側(cè)枝向下0.2m左右處。對(duì)路徑損耗數(shù)據(jù)進(jìn)行回歸分析,，發(fā)現(xiàn)其在每個(gè)無(wú)線通信信號(hào)節(jié)點(diǎn)高度,、每種多機(jī)器人典型編隊(duì)方式下均符合對(duì)數(shù)路徑損耗模型，模型的R2在0.860~0.989之間,。同時(shí),，建立了用于預(yù)測(cè)2.4GHz Wi-Fi信號(hào)在傳統(tǒng)蘋(píng)果園（蘋(píng)果成熟期）中的路徑損耗模型，并同期選擇了其他蘋(píng)果園驗(yàn)證了預(yù)測(cè)模型的準(zhǔn)確性,，R2在0.947~0.967之間,，RMSE在1.489~2.432dBm之間。模型能較好地預(yù)測(cè)Wi-Fi信號(hào)在傳統(tǒng)蘋(píng)果園中的路徑損耗情況,，可為農(nóng)業(yè)多機(jī)器人在傳統(tǒng)蘋(píng)果園中的通信節(jié)點(diǎn)部署提供參考,。

摘要:針對(duì)蘋(píng)果采摘機(jī)器人識(shí)別算法包含復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)和龐大的參數(shù)體量,，嚴(yán)重限制檢測(cè)模型的響應(yīng)速度問(wèn)題，本文基于嵌入式平臺(tái)，以YOLO v4作為基礎(chǔ)框架提出一種輕量化蘋(píng)果實(shí)時(shí)檢測(cè)方法(YOLO v4-CA),。該方法使用MobileNet v3作為特征提取網(wǎng)絡(luò),，并在特征融合網(wǎng)絡(luò)中引入深度可分離卷積，降低網(wǎng)絡(luò)計(jì)算復(fù)雜度,；同時(shí),，為彌補(bǔ)模型簡(jiǎn)化帶來(lái)的精度損失，在網(wǎng)絡(luò)關(guān)鍵位置引入坐標(biāo)注意力機(jī)制,，強(qiáng)化目標(biāo)關(guān)注以提高密集目標(biāo)檢測(cè)以及抗背景干擾能力,。在此基礎(chǔ)上，針對(duì)蘋(píng)果數(shù)據(jù)集樣本量小的問(wèn)題,，提出一種跨域遷移與域內(nèi)遷移相結(jié)合的學(xué)習(xí)策略,，提高模型泛化能力。試驗(yàn)結(jié)果表明,，改進(jìn)后模型的平均檢測(cè)精度為92.23%,，在嵌入式平臺(tái)上的檢測(cè)速度為15.11f/s，約為改進(jìn)前模型的3倍,。相較于SSD300與Faster R-CNN,，平均檢測(cè)精度分別提高0.91、2.02個(gè)百分點(diǎn),，在嵌入式平臺(tái)上的檢測(cè)速度分別約為SSD300和Faster R-CNN的1.75倍和12倍,；相較于兩種輕量級(jí)目標(biāo)檢測(cè)算法DY3TNet與YOLO v5s，平均檢測(cè)精度分別提高7.33,、7.73個(gè)百分點(diǎn),。因此，改進(jìn)后的模型能夠高效實(shí)時(shí)地對(duì)復(fù)雜果園環(huán)境中的蘋(píng)果進(jìn)行檢測(cè),，適宜在嵌入式系統(tǒng)上部署,，可以為蘋(píng)果采摘機(jī)器人的識(shí)別系統(tǒng)提供解決思路。

摘要:針對(duì)傳統(tǒng)蟻群算法在移動(dòng)機(jī)器人路徑規(guī)劃中存在的收斂速度慢,、收斂路徑質(zhì)量低,、死鎖以及動(dòng)態(tài)避障能力差的問(wèn)題，本文提出基于改進(jìn)避障策略和雙優(yōu)化蟻群算法（Double optimization ant colony algorithm,，DOACO）的路徑規(guī)劃方法,。首先，設(shè)計(jì)新的概率轉(zhuǎn)移函數(shù)并對(duì)函數(shù)中的各分量權(quán)重進(jìn)行自適應(yīng)調(diào)整,，以?xún)?yōu)化算法的收斂速度,；然后,，利用碰撞檢測(cè)策略對(duì)路徑進(jìn)行再優(yōu)化，進(jìn)一步提高算法的性能,；最后,，針對(duì)常規(guī)避障策略避障能力差、實(shí)時(shí)性不足等問(wèn)題,，提出避障行為與局部路徑重規(guī)劃相結(jié)合的避障策略,。實(shí)驗(yàn)結(jié)果表明，DOACO算法相對(duì)于傳統(tǒng)的蟻群算法,，不僅能規(guī)劃出更優(yōu)的路徑,，收斂速度也更快，而且新的避障策略也可以有效地應(yīng)對(duì)多種碰撞情況,。

摘要:為了實(shí)現(xiàn)休眠期棗樹(shù)自動(dòng)選擇性剪枝作業(yè)，針對(duì)復(fù)雜樹(shù)形結(jié)構(gòu)修剪枝難以識(shí)別的問(wèn)題,，研究了基于語(yǔ)義分割網(wǎng)絡(luò)實(shí)現(xiàn)自然場(chǎng)景中棗樹(shù)修剪枝識(shí)別與骨架提取,。通過(guò)RGB-D相機(jī)搭建的視覺(jué)系統(tǒng)獲取不同天氣情況下棗樹(shù)的點(diǎn)云信息，根據(jù)距離閾值去除復(fù)雜的棗園背景,，并構(gòu)建棗樹(shù)前景數(shù)據(jù)集,。利用DeepLabV3+和PSPNet 2種深度學(xué)習(xí)模型分割棗樹(shù)枝干同時(shí)獲取其修剪枝的掩膜，并進(jìn)行結(jié)果對(duì)比,。對(duì)修剪枝掩膜進(jìn)行二值化,，依據(jù)二值圖像的面積去除噪聲，對(duì)去噪后的連通域標(biāo)記,，并提取修剪枝骨架,，最終確定修剪枝數(shù)量，建立修剪枝數(shù)量真實(shí)值與預(yù)測(cè)值之間的線性回歸模型,。結(jié)果表明：基于ResNet-50特征提取網(wǎng)絡(luò)的DeepLabV3+模型識(shí)別結(jié)果最好,，平均像素準(zhǔn)確率（mPA）、平均交并比（mIoU）分別為89%和81.85%,，其中棗樹(shù)主干,、修剪枝2個(gè)類(lèi)別的像素準(zhǔn)確率（PA）和交并比（IoU）分別為90.36%、80.98%和80.34%,、66.69%,；在3種典型天氣（晴天、陰天,、夜間）情況下,，晴天棗樹(shù)枝干的mPA（91.97%）略高于陰天（91.81%）和夜間（90.98%）,，同時(shí)，預(yù)測(cè)的修剪枝與真實(shí)值的R2（0.8699）也高于陰天（0.8373）和夜間（0.8120）,，并得到最小的RMSE為1.1618,。

摘要:為了給設(shè)施番茄授粉機(jī)器人授粉提供可靠的定位技術(shù),，提出了一種基于3D視覺(jué)的番茄花朵定位方法。采用RGB-D結(jié)構(gòu)光相機(jī)快速獲取溫室內(nèi)番茄植株的彩色圖和深度圖信息,，通過(guò)YOLO v4 (You only look once)神經(jīng)網(wǎng)絡(luò)對(duì)植株上番茄花束進(jìn)行目標(biāo)檢測(cè),，并提取出授粉花束在圖像中的二維區(qū)域；使用主動(dòng)對(duì)齊方式結(jié)合PCL進(jìn)行彩色圖像和深度圖像的粗對(duì)齊,，利用區(qū)域內(nèi)色系單視角線性遍歷方法對(duì)提取的花束區(qū)域進(jìn)行精配準(zhǔn),，獲得番茄花束的空間高精度點(diǎn)云信息；再使用統(tǒng)計(jì)濾波法剔除點(diǎn)云信息離群點(diǎn)后,，結(jié)合雙向均值法計(jì)算花束3D box的授粉質(zhì)心坐標(biāo),。定位試驗(yàn)結(jié)果表明，該方法在溫室環(huán)境中能成功對(duì)花束進(jìn)行識(shí)別定位,，神經(jīng)網(wǎng)絡(luò)平均檢測(cè)精度達(dá)97.67%,，完成單幅圖像花束提取時(shí)間為14.95ms，算法獲取授粉質(zhì)心坐標(biāo)的平均時(shí)間約為300ms,。后期在溫室內(nèi)驗(yàn)證,，在花束被遮擋小于80%時(shí)，算法能夠?qū)Ψ鸦ǘ溥M(jìn)行精準(zhǔn)定位,，并成功執(zhí)行授粉動(dòng)作,，為番茄授粉機(jī)器人提供了一種新的授粉點(diǎn)定位方法。

摘要:為提高YOLOv4目標(biāo)檢測(cè)算法對(duì)蘋(píng)果葉片小型病斑的檢測(cè)性能，提出了一種PSA（金字塔壓縮注意力）-YOLO算法,。在CSPDarknet53的基礎(chǔ)上融合了Focus結(jié)構(gòu)和PSA機(jī)制,，并采用網(wǎng)絡(luò)深度減小策略，構(gòu)建了參數(shù)量小,、精確度高的PSA-CSPDarknet-1輕量化主干網(wǎng)絡(luò),。其次在網(wǎng)絡(luò)頸部,，搭建了空間金字塔卷積池化模塊，用極小的計(jì)算代價(jià)增強(qiáng)了對(duì)深層特征圖的空間信息提取能力,，并采用α-CIoU損失函數(shù)作為邊界框損失函數(shù),，提高網(wǎng)絡(luò)對(duì)高IoU閾值下目標(biāo)的檢測(cè)精度。根據(jù)實(shí)驗(yàn)結(jié)果,，PSA-YOLO網(wǎng)絡(luò)在蘋(píng)果葉片病斑識(shí)別任務(wù)中的AP50達(dá)到88.2%,。COCO AP@[0.5∶0.05∶0.95]達(dá)到49.8%，比YOLOv4提升3.5個(gè)百分點(diǎn),。網(wǎng)絡(luò)對(duì)于小型病斑的特征提取能力提升幅度更大,，小型病斑檢測(cè)AP比YOLOv4提升3.9個(gè)百分點(diǎn)。在單張NVIDIA GTX TITAN V顯卡上的實(shí)時(shí)檢測(cè)速度達(dá)到69幀/s,，相較于YOLOv4網(wǎng)絡(luò)提升13幀/s,。

摘要:為了提取到更加準(zhǔn)確,、豐富的葉片病斑的顏色特征和空間特征,，解決病害嚴(yán)重程度細(xì)粒度分類(lèi)粗糙,、識(shí)別準(zhǔn)確率低等問(wèn)題，提出一種融合顏色掩膜網(wǎng)絡(luò)和自注意力機(jī)制(Fusion color mask and self-attention network, FCMSAN)的病害識(shí)別方法,。FCMSAN由顏色掩膜網(wǎng)絡(luò)(Color mask network,CMN)和融合通道自適應(yīng)的自注意力網(wǎng)絡(luò)(Channel adaptive self-attention network, CASAN)構(gòu)成,。CMN通過(guò)學(xué)習(xí)葉片病斑顏色區(qū)域信息提高模型提取顏色特征的能力；CASAN能夠提取全局范圍內(nèi)的病斑特征,，同時(shí)加入病斑的位置特征和通道自適應(yīng)特征,，可以精確、全面定位葉片病斑區(qū)域,。最后通過(guò)特征轉(zhuǎn)換融合模塊（Transfer fusion layer,，TFL）將CMN和CASAN進(jìn)行融合。經(jīng)實(shí)驗(yàn)證明,，F(xiàn)CMSAN在61類(lèi)農(nóng)作物病蟲(chóng)害細(xì)粒度識(shí)別中,，Top-1的分類(lèi)準(zhǔn)確率達(dá)到87.97%，平均F1值達(dá)到84.48%,。最后通過(guò)可視化分析,，驗(yàn)證了本文方法在病害識(shí)別中的有效性。

摘要:為改善豬只重疊與遮擋造成的豬只身份編號(hào)（Identity,，ID）頻繁跳變，在YOLO v5s檢測(cè)算法基礎(chǔ)上,，提出了改進(jìn)DeepSORT行為跟蹤算法,。該算法改進(jìn)包括兩方面：一針對(duì)特定場(chǎng)景下豬只數(shù)量穩(wěn)定的特點(diǎn)，改進(jìn)跟蹤算法的軌跡生成與匹配過(guò)程,，降低ID切換次數(shù),，提升跟蹤穩(wěn)定性；二將YOLO v5s檢測(cè)算法中的行為類(lèi)別信息引入跟蹤算法中,，在跟蹤中實(shí)現(xiàn)準(zhǔn)確的豬只行為識(shí)別,。實(shí)驗(yàn)結(jié)果表明，在目標(biāo)檢測(cè)方面,，YOLO v5s的mAP為99.3%,，F(xiàn)1值為98.7%。在重識(shí)別方面,，實(shí)驗(yàn)的Top-1準(zhǔn)確率達(dá)到99.88%,。在跟蹤方面，改進(jìn)DeepSORT算法的MOTA為91.9%,，IDF1為89.2%,，IDS為33；與DeepSORT算法對(duì)比,，MOTA和IDF1分別提升了1.0,、16.9個(gè)百分點(diǎn)，IDS下降了83.8%,。改進(jìn)DeepSORT算法在群養(yǎng)環(huán)境下能夠?qū)崿F(xiàn)穩(wěn)定ID的豬只行為跟蹤,，能夠?yàn)闊o(wú)接觸式的生豬自動(dòng)監(jiān)測(cè)提供技術(shù)支持。

摘要:大閘蟹是我國(guó)特有的名優(yōu)水產(chǎn)養(yǎng)殖品種,，其質(zhì)量既是確定投喂量的重要依據(jù)，亦是評(píng)判其生長(zhǎng)狀況,、品質(zhì)等級(jí)的重要指標(biāo),。為了準(zhǔn)確估算蟹體質(zhì)量，提出一種基于多維度特征和輕量梯度提升機(jī)(Light gradient boosting machine,，LightGBM)的大閘蟹質(zhì)量估算方法,。首先通過(guò)相機(jī)獲取蟹體圖像,，其次采用圖像處理技術(shù)對(duì)圖像進(jìn)行分割以獲取背甲圖像，然后提取背甲二值圖像的幾何特征構(gòu)成形狀特征(Shape features,，SF),；提取不同顏色空間背甲圖像的各通道分量值構(gòu)成顏色特征(Color features，CF),，并采用標(biāo)定法計(jì)算特征值,；最后采用基于LightGBM的方法預(yù)測(cè)大閘蟹質(zhì)量。本文根據(jù)色澤表征其發(fā)育狀況,，提取背甲顏色特征與形狀特征構(gòu)成多維度特征,，解決單一形狀特征導(dǎo)致預(yù)測(cè)精度不高的問(wèn)題；提取背甲輪廓比值作為形狀特征,，有效降低隨機(jī)調(diào)整相機(jī)高度對(duì)特征值穩(wěn)定性的影響,；在真實(shí)數(shù)據(jù)集上進(jìn)行預(yù)測(cè)，結(jié)果表明平均絕對(duì)誤差(MAE)為2.751g,，均方根誤差(RMSE)為3.680g,，決定系數(shù)R2為0.949。并與SF-LightGBM,、SF3-LightGBM ,、area-OLS、MF-BPNN和MF-SVM質(zhì)量估算方法進(jìn)行對(duì)比,，本文方法的各評(píng)價(jià)指標(biāo)的性能均有較大幅度提升,，能夠較準(zhǔn)確地估算出大閘蟹蟹體質(zhì)量。

摘要:隨著區(qū)塊鏈農(nóng)產(chǎn)品溯源技術(shù)的發(fā)展,，果蔬產(chǎn)品質(zhì)量安全得到保障,。由于我國(guó)果蔬產(chǎn)品溯源跨度大、追溯周期長(zhǎng),、涉及面廣,，并且區(qū)塊鏈網(wǎng)絡(luò)數(shù)據(jù)賬本由全網(wǎng)節(jié)點(diǎn)共同記賬備份，海量溯源數(shù)據(jù)存儲(chǔ)壓力大,，同時(shí)所有數(shù)據(jù)透明共享,，造成供應(yīng)鏈溯源數(shù)據(jù)無(wú)法全部上鏈，引起產(chǎn)品數(shù)據(jù)上下游溯源企業(yè)共享不及時(shí),、追溯數(shù)據(jù)安全性難以得到保障,、監(jiān)管部門(mén)無(wú)法實(shí)時(shí)監(jiān)管全部溯源數(shù)據(jù),，出現(xiàn)農(nóng)產(chǎn)品質(zhì)量安全問(wèn)題時(shí)，責(zé)任無(wú)法定位,、產(chǎn)品難以找到問(wèn)題源頭,。基于上述問(wèn)題,，設(shè)計(jì)基于區(qū)塊鏈多鏈架構(gòu)的果蔬產(chǎn)品溯源框架,，設(shè)計(jì)溯源數(shù)據(jù)存儲(chǔ)模型，并通過(guò)智能合約實(shí)現(xiàn)溯源數(shù)據(jù)分類(lèi)鏈上加密存儲(chǔ),、鏈間授權(quán)訪問(wèn),、基于授權(quán)憑證解密查詢(xún)，保證果蔬全供應(yīng)鏈溯源隱私數(shù)據(jù)密文上鏈,，減緩區(qū)塊鏈存儲(chǔ)壓力,、實(shí)現(xiàn)上下游溯源企業(yè)隱私數(shù)據(jù)無(wú)孤島授權(quán)共享?；诼?lián)盟鏈Hyperledger Fabric通道技術(shù)實(shí)現(xiàn)多鏈溯源系統(tǒng),，經(jīng)過(guò)擴(kuò)散性測(cè)試，由對(duì)稱(chēng)加密與橢圓曲線混合加密的“鏈上加密存證,、鏈間基于授權(quán)憑證共享,、鏈上解密查詢(xún)”智能合約方案，隱私數(shù)據(jù)密文變化率達(dá)95%以上,，密鑰密文變化率達(dá)94%以上,，具備較高的安全性和混淆性；經(jīng)過(guò)性能測(cè)試,，所設(shè)計(jì)并實(shí)現(xiàn)的多鏈架構(gòu)溯源系統(tǒng)公開(kāi)溯源數(shù)據(jù)查詢(xún)平均時(shí)延為56.9ms,，基于授權(quán)憑證的隱私溯源數(shù)據(jù)平均解密查詢(xún)時(shí)延為62.87ms，處理企業(yè)節(jié)點(diǎn)發(fā)起數(shù)據(jù)上鏈請(qǐng)求的平均時(shí)延為2.16s,，能夠滿足果蔬產(chǎn)品追溯實(shí)際的應(yīng)用需求,。

摘要:為有效解決傳統(tǒng)TDR系統(tǒng)在確定土壤濕潤(rùn)鋒位置時(shí)帶寬小,、上升沿時(shí)間長(zhǎng),、分層界面位置測(cè)量誤差大等問(wèn)題，本文在研究TDR阻抗測(cè)量的基礎(chǔ)上,，利用微波頻域,、時(shí)域變換理論提出了一種基于便攜式矢量網(wǎng)絡(luò)分析儀的土壤濕潤(rùn)峰測(cè)量方法。利用ADS仿真分析驗(yàn)證了TDR波形重新建模方法,，證明了不同阻抗交界面檢測(cè)的可靠性,。通過(guò)油水交界面、2層不同含水率土壤干濕交界面、3層不同含水率土壤干濕交界面位置的測(cè)量,，與傳統(tǒng)TDR方法測(cè)得的結(jié)果進(jìn)行對(duì)比,，結(jié)果表明基于便攜式矢量網(wǎng)絡(luò)分析儀建立的微波阻抗反射信號(hào)轉(zhuǎn)換模型在實(shí)際應(yīng)用中具有很好的準(zhǔn)確性，可為土壤分布式含水率的測(cè)定提供理論借鑒,。

摘要:為揭示寒地黑土稻田痕量溫室氣體的排放規(guī)律,，以及稻田痕量溫室氣體排放與水分利用效率（WUE）及氮肥吸收利用率（NUE）間的關(guān)系,，設(shè)置干濕交替灌溉和傳統(tǒng)淹水灌溉2種水分管理模式，以及4個(gè)生物質(zhì)炭施用量水平(0,、2.5,、12.5、25t/hm2),，以傳統(tǒng)淹水灌溉作為對(duì)比,，應(yīng)用15N示蹤技術(shù)，研究水炭運(yùn)籌下寒地黑土稻田甲烷和氧化亞氮排放的季節(jié)變化規(guī)律,，明確稻作水氮利用與甲烷和氧化亞氮排放的關(guān)系,，并計(jì)算溫室氣體的全球增溫潛勢(shì)（GWP）和排放強(qiáng)度（GHGI）。結(jié)果表明：生物質(zhì)炭施用量相同時(shí),，傳統(tǒng)淹水灌溉模式的甲烷排放通量顯著高于干濕交替灌溉模式(P<0.05),，而氧化亞氮排放通量均低于干濕交替灌溉模式。干濕交替灌溉模式的甲烷總排放量顯著低于傳統(tǒng)淹水灌溉模式(P<0.05),，而氧化亞氮總排放量高于傳統(tǒng)淹水灌溉模式,，施加生物質(zhì)炭對(duì)稻田甲烷、氧化亞氮減排效果顯著,；干濕交替灌溉模式下稻田痕量溫室氣體的GWP,、GHGI顯著低于傳統(tǒng)淹水灌溉模式(P<0.05)，施加生物質(zhì)炭可以降低稻田痕量溫室氣體的GWP,、GHGI,。干濕交替灌溉模式的WUE顯著高于傳統(tǒng)淹水灌溉模式（P<0.05），適量施入生物質(zhì)炭可以增加WUE和氮肥整體,、基肥、蘗肥,、穗肥的NUE,。兩種灌溉模式稻田痕量溫室氣體的GWP和GHGI與WUE均呈顯著負(fù)相關(guān)(P<0.05)；兩種灌溉模式稻田痕量溫室氣體的GWP、GHGI與氮肥整體,、基肥,、蘗肥、穗肥的NUE均呈顯著或極顯著負(fù)相關(guān),。

摘要:利用番茄盆栽試驗(yàn)，在土表以下17cm處布設(shè)秸稈隔層,，有效隔斷土壤毛管連續(xù)性,，再結(jié)合灌溉水的淋洗作用，促使土壤鹽分向下運(yùn)移,，盆栽土壤在垂直方向上趨于“上低下高”的非均勻分布狀態(tài),，探究該鹽分狀態(tài)下番茄產(chǎn)量和作物不同生育階段根系及鹽分分布特征間的內(nèi)在聯(lián)系。結(jié)果表明,，在土壤鹽分垂向非均勻分布處理中,，隔層以下土壤中過(guò)高的鹽分含量抑制了番茄根系的生長(zhǎng)與分布，而上層低鹽區(qū)土壤中根系則呈現(xiàn)出補(bǔ)償性生長(zhǎng),。在盆栽土壤鹽分含量一定時(shí),，鹽分垂向非均勻分布處理的根系干物質(zhì)量及果實(shí)產(chǎn)量均顯著高于鹽分均勻分布處理（P<0.05），鹽分“上低下高”的差異性分布緩解了作物整體所受鹽分脅迫,。在參照傳統(tǒng)水分生產(chǎn)函數(shù)Stewart模型和Jensen模型的基礎(chǔ)上,，分別利用表層鹽分因子,、平均鹽分因子及根系加權(quán)平均鹽分因子構(gòu)建作物鹽分生產(chǎn)函數(shù)，經(jīng)函數(shù)精度評(píng)估后發(fā)現(xiàn),，利用根系加權(quán)平均鹽分因子結(jié)合Jensen函數(shù)構(gòu)建的作物分階段生產(chǎn)函數(shù)對(duì)番茄產(chǎn)量的預(yù)測(cè)精度最高,，而不同生育階段中，番茄坐果期土壤含鹽量及根系分布狀況對(duì)最終產(chǎn)量的影響最大,。

摘要:為探索鹽漬化地區(qū)控釋肥水氮耦合效應(yīng)及優(yōu)化組合方案,，提高水氮利用效率，減少硝態(tài)氮流失，2019年和2020年在河套灌區(qū)開(kāi)展了控釋肥施用農(nóng)田不同水氮配比試驗(yàn),，研究了鹽漬化地區(qū)向日葵產(chǎn)量和水氮利用效率對(duì)控釋肥與傳統(tǒng)肥料的響應(yīng)差異,，以及控釋肥不同水氮配比對(duì)向日葵產(chǎn)量和水氮利用效率的影響，構(gòu)建了向日葵經(jīng)濟(jì)效益與水氮交互作用的數(shù)學(xué)回歸模型,，并優(yōu)化了水氮組合方案,。結(jié)果表明：與傳統(tǒng)肥料相比，控釋肥處理產(chǎn)量,、氮肥農(nóng)學(xué)利用率,、氮肥偏生產(chǎn)力和灌溉水生產(chǎn)效率平均增加了13.89%、46.42%,、13.61%和13.62%（P<0.05）,，收獲指數(shù)差異不顯著（P>0.05）?？蒯尫适┯脳l件下,，不同水氮處理交互作用明顯，控水灌溉限制了氮素利用,，充分灌溉條件下向日葵產(chǎn)量,、氮肥農(nóng)學(xué)利用效率和氮肥偏生產(chǎn)力平均增長(zhǎng)了21.87%、80.89%和21.53%,；低氮同樣降低了水分利用效率,，從低氮到中氮，向日葵產(chǎn)量和灌溉水生產(chǎn)效率平均增長(zhǎng)了14.83%和15.35%,，從中氮到高氮平均增長(zhǎng)了3.86%和3.43%,。2年最高產(chǎn)量均為高水高氮處理，分別為3.9435,、3.7887kg/hm2,。控釋肥施用條件下,，灌水量,、施氮量與向日葵經(jīng)濟(jì)效益之間符合二元二次回歸模型，2年預(yù)測(cè)經(jīng)濟(jì)效益與實(shí)際經(jīng)濟(jì)效益決定系數(shù)R2均為0.99,，通過(guò)主因素分析，經(jīng)濟(jì)效益隨施氮量的增加先增加后減小,，通過(guò)模擬尋優(yōu)及綜合各項(xiàng)指標(biāo)分析,，控釋肥充分灌溉條件下中氮水平經(jīng)濟(jì)效益在18000~21000元/hm2之間，是本試驗(yàn)最優(yōu)處理,，在增產(chǎn)的同時(shí)可以減少氮素流失,。研究可為河套灌區(qū)向日葵種植,、減少農(nóng)田面源污染提供技術(shù)參考,。

摘要:為實(shí)現(xiàn)設(shè)施番茄準(zhǔn)確有效施肥管理,，以改良金棚8號(hào)番茄為試驗(yàn)材料，常規(guī)基質(zhì)栽培番茄營(yíng)養(yǎng)液管理方式為對(duì)照（CK）,，將番茄結(jié)果時(shí)期與營(yíng)養(yǎng)液滴灌頻率2因子完全交互耦合,，番茄結(jié)果期劃分為結(jié)果前期（第3穗果坐果~第1穗果成熟）和結(jié)果后期（第1穗果成熟~第5穗果成熟），各結(jié)果期滴灌頻率均設(shè)置1,、3,、5次/d共3個(gè)頻率（供應(yīng)營(yíng)養(yǎng)液總量相同），共10個(gè)處理,，研究不同耦合處理對(duì)番茄不同層果實(shí)品質(zhì)和產(chǎn)量的影響,。利用主成分分析法、逼近理想解排序法,、隸屬函數(shù)分析法,、灰色關(guān)聯(lián)度分析法4種單一綜合評(píng)價(jià)方法對(duì)番茄多層果實(shí)進(jìn)行品質(zhì)-產(chǎn)量單一算法綜合評(píng)價(jià)，對(duì)通過(guò)事前一致性檢驗(yàn)（Kendall-W）的單一綜合評(píng)價(jià)結(jié)果進(jìn)行模糊Borda組合評(píng)價(jià),，確定最優(yōu)營(yíng)養(yǎng)液滴灌頻率方案,。結(jié)果表明，耦合處理能顯著增加番茄產(chǎn)量,，不同層果實(shí)品質(zhì)指標(biāo)最優(yōu)時(shí),，對(duì)應(yīng)的耦合處理不同,。4種單一綜合評(píng)價(jià)方法的排序結(jié)果存在差異，Kendall-W一致性檢驗(yàn)的協(xié)和系數(shù)為0.920,，滿足模糊Borda組合評(píng)價(jià)條件,。主成分分析法與模糊Borda法的排序結(jié)果相關(guān)系數(shù)最高，為0.988,?；谀：鼴orda組合評(píng)價(jià)方法得出,，結(jié)果前期1次/d,、結(jié)果后期3次/d的滴灌頻率可兼顧番茄獲得較高產(chǎn)量和多層果實(shí)品質(zhì)較優(yōu)，為最優(yōu)的營(yíng)養(yǎng)液滴灌管理方案,。本研究結(jié)果為設(shè)施番茄生產(chǎn)營(yíng)養(yǎng)液科學(xué)管理提供依據(jù)。

摘要:針對(duì)北方冬季密閉畜禽舍普遍存在的舍內(nèi)濕度大,、傳統(tǒng)除濕方法成本高的問(wèn)題，設(shè)計(jì)了一種以翅片管換熱器為核心部件的自然冷凝式節(jié)能除濕系統(tǒng),，利用北方冬季寒冷的舍外自然條件使制冷劑充分制冷后循環(huán)引入翅片管換熱器中,，依據(jù)冷凝原理實(shí)現(xiàn)舍內(nèi)高濕氣體冷凝析濕,。該除濕系統(tǒng)實(shí)現(xiàn)舍內(nèi)空氣內(nèi)循環(huán)除濕,，減少直接或間接通風(fēng)除濕造成大量的熱量損失。利用濕空氣理論計(jì)算除濕速率,，通過(guò)在密閉試驗(yàn)艙進(jìn)行試驗(yàn)測(cè)試來(lái)驗(yàn)證換熱除濕系統(tǒng)的工作性能,。結(jié)果表明，翅片管換熱器有效換熱面積,、艙內(nèi)空氣和制冷劑初始溫差,、風(fēng)機(jī)風(fēng)速和制冷液流量對(duì)除濕速率和艙內(nèi)降溫有著正向影響。風(fēng)速為1m/s,、平均初始溫差約為33℃情況下,，在約為36m3的試驗(yàn)艙內(nèi)平均降溫為4.67℃，平均除濕速率約為2.69kg/h,。在有效換熱面積為18m2的換熱器除濕試驗(yàn)中,，空氣與制冷劑的質(zhì)量流率比為0.31、0.63和0.95時(shí),，能效比分別為5.63,、12.25和11.03，表明換熱器存在熱交換能力的上限,，能效比不能隨風(fēng)機(jī)風(fēng)速增大而持續(xù)增加,，可為除濕系統(tǒng)的節(jié)能調(diào)控提供參考。該系統(tǒng)充分利用了東北寒區(qū)冬季舍外自然低溫,，除濕和節(jié)能效果明顯,，可為解決北方冬季畜禽舍除濕和節(jié)能之間矛盾提供有效途徑,。

摘要:針對(duì)農(nóng)產(chǎn)品加工中微波干燥不均和紅外干燥穿透能力有限等技術(shù)問(wèn)題,，研制了微波紅外振動(dòng)床協(xié)同干燥（MIVBD）設(shè)備,。在結(jié)構(gòu)設(shè)計(jì)上,，通過(guò)COMSOL仿真分析諧振腔場(chǎng)強(qiáng)分布的均勻性，并優(yōu)化了微波源饋波口布置,。設(shè)備通過(guò)多孔面板將紅外源與微波諧振腔隔離,，在保證紅外熱量高效輻射的同時(shí)，確保微波,、紅外二者互不干擾,。振動(dòng)系統(tǒng)采用聚苯硫醚等諧振腔內(nèi)部材料和鋼結(jié)構(gòu)外部材料制成，通過(guò)振動(dòng)電機(jī)和橡膠彈簧帶動(dòng)物料振動(dòng),。以高含水率生姜片為典型物料,，對(duì)MIVBD設(shè)備的干燥效率、均勻性和色澤等相關(guān)品質(zhì)進(jìn)行試驗(yàn)研究,，當(dāng)物料溫度超過(guò)上限溫度時(shí)微波和紅外停止工作,，結(jié)果發(fā)現(xiàn)，微波紅外振動(dòng)干燥比微波紅外干燥時(shí)間縮短了14.29%,，微波紅外振動(dòng)干燥時(shí)溫度不均勻系數(shù)最?。?.28%），并且微波紅外振動(dòng)干燥顯著降低了干燥能耗,，改善了相關(guān)品質(zhì),。

摘要:液壓機(jī)械無(wú)級(jí)變速器(HMCVT)通過(guò)換段機(jī)構(gòu)的結(jié)合與分離時(shí)序切換，結(jié)合液壓傳動(dòng)系統(tǒng)的速度調(diào)節(jié),，實(shí)現(xiàn)段間切換,。傳統(tǒng)的段間切換方法短時(shí)間隔或交叉，容易造成動(dòng)力中斷,，影響換段品質(zhì),。基于某重型貨車(chē)裝備的HMCVT,，本文采用換段機(jī)構(gòu)短時(shí)重疊結(jié)合的方法實(shí)現(xiàn)了動(dòng)力連續(xù)換段,，對(duì)動(dòng)力連續(xù)換段過(guò)程的動(dòng)力學(xué)特性進(jìn)行了理論分析,，建立了HMCVT動(dòng)力連續(xù)換段過(guò)程的數(shù)學(xué)模型和仿真模型，對(duì)HMCVT動(dòng)力連續(xù)換段過(guò)程進(jìn)行了仿真與分析,，并在試驗(yàn)臺(tái)上對(duì)理論研究和仿真結(jié)果進(jìn)行了驗(yàn)證,。研究結(jié)果表明，在適當(dāng)排量比調(diào)節(jié)范圍內(nèi),，換段機(jī)構(gòu)段間重疊結(jié)合可實(shí)現(xiàn)動(dòng)力連續(xù)換段,；將動(dòng)力連續(xù)換段過(guò)程階段劃分為同步調(diào)速、重疊結(jié)合,、動(dòng)力切換和快速分離等4個(gè)階段,，在動(dòng)力切換階段，HMCVT的傳動(dòng)比為常值,，由分匯流機(jī)構(gòu)參數(shù)和機(jī)械變速機(jī)構(gòu)參數(shù)決定,，與液壓調(diào)速系統(tǒng)參數(shù)及負(fù)載無(wú)關(guān)；在理論換段點(diǎn)動(dòng)力連續(xù)換段時(shí),，系統(tǒng)輸出轉(zhuǎn)速基本沒(méi)有波動(dòng),；在理論換段點(diǎn)前后進(jìn)行動(dòng)力連續(xù)換段時(shí)，系統(tǒng)輸出轉(zhuǎn)速波動(dòng)較大,，產(chǎn)生較大換段沖擊,，偏離理論換段點(diǎn)越多，波動(dòng)幅度和換段沖擊越大,；均實(shí)現(xiàn)了動(dòng)力傳遞連續(xù)無(wú)中斷,。

摘要:針對(duì)并聯(lián)機(jī)器人在作業(yè)過(guò)程中的位置精確控制及柔順控制問(wèn)題,，提出了基于外力估計(jì)的并聯(lián)機(jī)器人柔順控制策略，實(shí)現(xiàn)并聯(lián)機(jī)器人在作業(yè)過(guò)程中位置和力的高性能動(dòng)態(tài)交互,?；谕饬烙?jì)的柔順控制實(shí)現(xiàn)過(guò)程中，考慮到接觸力傳感器成本較高,，提出一種無(wú)傳感器外力估計(jì)的方法,。首先建立并聯(lián)機(jī)器人以及伺服運(yùn)動(dòng)系統(tǒng)動(dòng)力學(xué)模型，利用所建立的動(dòng)力學(xué)模型和電機(jī)的電流反饋值來(lái)估算外力作用時(shí)機(jī)器人關(guān)節(jié)力的變化,。其次根據(jù)估算的并聯(lián)機(jī)器人關(guān)節(jié)力,，設(shè)計(jì)基于位置的阻抗控制，使并聯(lián)機(jī)器人末端執(zhí)行器與環(huán)境柔性接觸,，確保并聯(lián)機(jī)器人的作業(yè)精準(zhǔn)度與柔順度,。最后選取合適的阻抗控制參數(shù),，對(duì)所提出的柔順控制策略進(jìn)行仿真分析并且在搭建的實(shí)驗(yàn)平臺(tái)上進(jìn)行了實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明所提出的方法可以實(shí)現(xiàn)并聯(lián)機(jī)器人的精確柔順作業(yè),。

摘要:繩驅(qū)動(dòng)空中機(jī)械臂是一種由旋翼飛行器和多自由度機(jī)械臂構(gòu)成的新型機(jī)器人系統(tǒng)。為了增強(qiáng)機(jī)械臂在排污管口水質(zhì)采樣時(shí)的關(guān)節(jié)空間控制性能,，提出了一種結(jié)合快速連續(xù)非奇異終端滑?？刂婆c線性擴(kuò)張狀態(tài)觀測(cè)器的抗干擾控制策略。闡述了繩驅(qū)動(dòng)空中機(jī)械臂的結(jié)構(gòu)設(shè)計(jì),，建立計(jì)及關(guān)節(jié)柔性的動(dòng)力學(xué)模型,。利用線性擴(kuò)張狀態(tài)觀測(cè)器來(lái)估計(jì)與補(bǔ)償系統(tǒng)集總干擾，采用快速連續(xù)非奇異終端滑模面來(lái)保證系統(tǒng)狀態(tài)量的有限時(shí)間收斂和抑制控制力矩的抖振,。通過(guò)李雅普諾夫穩(wěn)定性定理分析了所設(shè)計(jì)控制器的穩(wěn)定性。最后,，通過(guò)可視化仿真和地面汲水試驗(yàn)驗(yàn)證了所提控制器的有效性,，結(jié)果表明，所提控制器的收斂速度,、魯棒性,、準(zhǔn)確性和抗干擾能力優(yōu)于其他兩種控制器，能有效抑制系統(tǒng)抖振,，滿足水質(zhì)采樣的作業(yè)需求,。