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

Abstract:

在全球農(nóng)業(yè)產(chǎn)業(yè)轉(zhuǎn)型升級背景下，果蔬農(nóng)產(chǎn)品產(chǎn)地處理技術(shù)面臨著效率提升與品質(zhì)管控的雙重挑戰(zhàn)。以人工智能、物聯(lián)網(wǎng)和大數(shù)據(jù)為核心驅(qū)動的智能化解決方案，正深度重構(gòu)產(chǎn)地處理全鏈條的技術(shù)范式。本文通過系統(tǒng)梳理果蔬農(nóng)產(chǎn)品產(chǎn)地處理過程中的采收、分選、預(yù)冷、保鮮儲藏、包裝和產(chǎn)地運輸?shù)汝P(guān)鍵環(huán)節(jié)，深入分析了智能化技術(shù)在各環(huán)節(jié)的主要應(yīng)用。重點回顧了智能分等分選技術(shù)、預(yù)冷與保鮮包裝技術(shù)以及產(chǎn)地溯源技術(shù)的研究進展，綜述了相關(guān)技術(shù)在國內(nèi)外的應(yīng)用現(xiàn)狀，并展望了果蔬農(nóng)產(chǎn)品產(chǎn)地處理過程中關(guān)鍵技術(shù)的發(fā)展趨勢，提出智能化、數(shù)字化與綠色化技術(shù)的深度融合將成為推動行業(yè)革新的重要動力。

Abstract:

在線感知技術(shù)包括一系列傳感器模式、成像技術(shù)和智能數(shù)據(jù)處理算法等，已成為確保農(nóng)產(chǎn)品質(zhì)量、安全和適銷性的關(guān)鍵工具。本文對該領(lǐng)域的最新研究進展進行了全面總結(jié)，重點關(guān)注在線感知系統(tǒng)在農(nóng)產(chǎn)品品質(zhì)中的應(yīng)用，并系統(tǒng)分析了在線感知技術(shù)，包括機器視覺、高光譜成像、近紅外光譜、熒光傳感、3D深度傳感、算法及數(shù)據(jù)分析等。討論傳感器硬件演變、機器學(xué)習(xí)和深度學(xué)習(xí)算法開發(fā)，以及用于實時質(zhì)量控制的多模態(tài)數(shù)據(jù)集成。介紹了不同類別的具體應(yīng)用示例，如水果和蔬菜分揀、谷物質(zhì)量監(jiān)測以及肉類和乳制品的評估。指出了未來趨勢及新興技術(shù)在革新農(nóng)業(yè)質(zhì)量感知技術(shù)方面的潛力。綜上所述，在線感知技術(shù)在提升質(zhì)量評估準確性與效率的同時，有助于減少浪費、保障安全合規(guī)，促進農(nóng)業(yè)可持續(xù)發(fā)展。

Abstract:

食品安全追溯體系的廣泛應(yīng)用，一方面能夠降低監(jiān)管部門信息獲取成本，提升監(jiān)管效率，另一方面也能倒逼企業(yè)提高安全意識，主動進行風(fēng)險控制。然而，由于不同食品監(jiān)管部門技術(shù)和管理的原因，食品供應(yīng)鏈中的監(jiān)管數(shù)據(jù)分散、各監(jiān)管域之間缺乏信任、數(shù)據(jù)難共享。針對上述問題，利用區(qū)塊鏈技術(shù)在身份驗證和權(quán)限管理方面的去中心化、不可篡改等優(yōu)勢，提出了一種面向食品供應(yīng)鏈的跨信任域監(jiān)管數(shù)據(jù)共享方法。首先通過引入Schnorr簽名算法實現(xiàn)跨域身份認證，其次在基于屬性的訪問控制（Attribute-based access control，ABAC）基礎(chǔ)上加入屬性映射機制，實現(xiàn)食品供應(yīng)鏈追溯監(jiān)管數(shù)據(jù)的動態(tài)細粒度訪問控制，最后基于Hyperledger Fabric開發(fā)食品供應(yīng)鏈跨域安全傳輸原型系統(tǒng)，并進行了性能測試。結(jié)果表明，當(dāng)交易負載數(shù)為300條時，跨域監(jiān)管數(shù)據(jù)共享方法中的策略寫入最小時延為0.56s，最大吞吐量為113個/s；當(dāng)交易負載數(shù)為600條時，策略決策最小時延為0.01s，最大吞吐量為414個/s。本研究提出的食品供應(yīng)鏈跨域監(jiān)管數(shù)據(jù)共享方法性能良好，為實現(xiàn)食品供應(yīng)鏈監(jiān)管數(shù)據(jù)跨域共享提供新的方法和思路。

Abstract:

區(qū)塊鏈追溯在保障農(nóng)產(chǎn)品安全、協(xié)調(diào)各環(huán)節(jié)生產(chǎn)等方面發(fā)揮著關(guān)鍵作用。針對果蔬區(qū)塊鏈追溯中隱私數(shù)據(jù)共享和安全保護需求，提出了一種基于內(nèi)容提取簽名的隱私數(shù)據(jù)可信共享方法。首先，分析果蔬供應(yīng)鏈各環(huán)節(jié)數(shù)據(jù)設(shè)計溯源數(shù)據(jù)分類方式。其次，將內(nèi)容提取簽名（CES）與基于密文策略屬性加密（CP-ABE）技術(shù)相結(jié)合，利用CES技術(shù)隱藏追溯信息中的敏感數(shù)據(jù)，實現(xiàn)追溯數(shù)據(jù)靈活、安全的共享，通過CP-ABE技術(shù)對不同角色實施不同的訪問控制策略實現(xiàn)對數(shù)據(jù)的加密和隱私保護。基于以太坊搭建區(qū)塊鏈進行仿真實驗，系統(tǒng)測試結(jié)果顯示，在擴散性測試中密文平均變化率為90.2%，相關(guān)性實驗中密文平均變化率達到75.7%，顯示出良好的安全性能。當(dāng)明文子消息數(shù)量分別為10、20條時，平均驗證時間為0.102、0.159ms，相較于傳統(tǒng)方案提升80.1%、84.3%。驗證時間不隨子消息數(shù)量的增加而線性增長。在存儲效率方面，子消息數(shù)量為5、10條時所需存儲空間分別減少70.6%、85.3%。本方法在保障果蔬供應(yīng)鏈數(shù)據(jù)隱私的同時，實現(xiàn)了高效可信的數(shù)據(jù)共享機制，為提升農(nóng)產(chǎn)品安全監(jiān)管水平提供了有益的技術(shù)參考與實踐基礎(chǔ)。

Abstract:

農(nóng)產(chǎn)品供應(yīng)鏈安全事關(guān)國家發(fā)展與社會穩(wěn)定，但其多環(huán)節(jié)、多主體結(jié)構(gòu)使得風(fēng)險信息共享在隱私保護與精準檢測之間面臨重大挑戰(zhàn)。融合區(qū)塊鏈與聯(lián)邦學(xué)習(xí)技術(shù)，構(gòu)建面向農(nóng)產(chǎn)品供應(yīng)鏈的跨域風(fēng)險信息可信共享與檢測模型。首先，提出一種基于分布式聯(lián)邦學(xué)習(xí)的跨域風(fēng)險信息交互框架，實現(xiàn)農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險信息可信流轉(zhuǎn)，然后，構(gòu)建基于孤立森林異常數(shù)據(jù)檢測算法的農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險信息多級檢測模式，最后，設(shè)計風(fēng)險貢獻和信用值評估模型以確保農(nóng)產(chǎn)品供應(yīng)鏈參與方擁有持續(xù)共享核心風(fēng)險數(shù)據(jù)的動力，同時動態(tài)評估和管理農(nóng)產(chǎn)品供應(yīng)鏈節(jié)點的貢獻度和可信度。各項實驗結(jié)果表明，本文所提出的模型能夠顯著提升跨域風(fēng)險信息共享效率與預(yù)測準確性，為農(nóng)產(chǎn)品安全領(lǐng)域提供一種兼顧風(fēng)險信息隱私保護和高效處理的可信共享解決方案。

Abstract:

為了加強水產(chǎn)品冷鏈加工及物流企業(yè)對內(nèi)控數(shù)據(jù)的隱含質(zhì)量安全風(fēng)險管理，實現(xiàn)降本增效，以生食牡蠣HACCP計劃為例，從風(fēng)險指標體系構(gòu)建入手，構(gòu)建了質(zhì)量安全風(fēng)險預(yù)警指標體系，并結(jié)合風(fēng)險預(yù)警監(jiān)控數(shù)據(jù)的多模態(tài)特點，構(gòu)建了融合群專家領(lǐng)域經(jīng)驗知識與深度學(xué)習(xí)算法的質(zhì)量安全風(fēng)險預(yù)警模型。在基于HACCP計劃設(shè)計質(zhì)量安全預(yù)警數(shù)據(jù)采集點并獲得監(jiān)控數(shù)據(jù)的基礎(chǔ)上，采用AHP方法獲得專家的風(fēng)險指標效用值方案，又采用熵權(quán)法優(yōu)選多專家群決策中的效用值方案，進而確定評級數(shù)據(jù)，由監(jiān)控數(shù)據(jù)以及優(yōu)選的專家評級數(shù)據(jù)一起構(gòu)成原始數(shù)據(jù)集。為保證預(yù)警的敏感度，分別采用了合格數(shù)據(jù)集和完整數(shù)據(jù)集作為數(shù)據(jù)集，融合具有捕捉多維數(shù)據(jù)中復(fù)雜關(guān)系能力的LSTM模型與具有處理復(fù)雜分類邊界能力的RBF模型構(gòu)建預(yù)警模型開展仿真實驗，并做LSTM模型、RBF模型以及融合的LSTM-RBF模型在不同數(shù)據(jù)集上的對比分析。實驗結(jié)果表明，融合的LSTM-RBF模型在合格數(shù)據(jù)集和完整數(shù)據(jù)集上都有96%和90%的準確率，而且合格數(shù)據(jù)集上的測試效果明顯更好。

Abstract:

為有效突破傳統(tǒng)時間溫度指示器（Time temperature indicator, TTI）溫度監(jiān)測區(qū)間單一的問題，實現(xiàn)對豬肉在常溫-冷藏-冷凍環(huán)境下品質(zhì)的可視化監(jiān)測，通過單因素和正交試驗調(diào)節(jié)木糖、甘氨酸、磷酸氫二鉀（K2HPO4）濃度配比，制備適用于不同溫度區(qū)間的時間溫度指示器，探究時間溫度指示器顏色及吸光度變化規(guī)律，利用傅里葉紅外光譜和紫外-可見吸收光譜分析TTI內(nèi)在機理，并構(gòu)建動力學(xué)方程驗證恒溫和斷鏈情況下TTI與豬肉的匹配度。結(jié)果表明，當(dāng)木糖、甘氨酸、K2HPO4濃度分別為1.00、2.00、1.00mol/L時TTI顏色變化更為均勻，吸光度更高；隨著TTI存儲時間的增加，光譜總體變化趨勢不大，溶液間相互作用良好；通過阿侖尼烏斯方程得到TTI活化能為79.44kJ/mol，試驗得出豬肉在冷藏或冷凍恒溫流通環(huán)境下各品質(zhì)指標的活化能與TTI活化能接近，說明TTI可以很好地監(jiān)測豬肉品質(zhì)變化；斷鏈模擬結(jié)果顯示，豬肉品質(zhì)變化與TTI顏色變化一致，且在不同溫度波動試驗下TTI和豬肉各指標之間的等效溫度差值均在1.72℃以內(nèi)，兩者貨架期終點預(yù)測誤差為2.3%，表明在溫度波動情況下TTI仍然可以很好地監(jiān)測豬肉品質(zhì)。

Abstract:

針對易腐漿果藍莓采后冷鏈中預(yù)冷環(huán)境因子與果實品質(zhì)互作機制不明確的問題，本文提出預(yù)冷貢獻率評價指標，研究延遲預(yù)冷時間（0、3、6h）、環(huán)境風(fēng)速（0.1、0.5、1.0、1.5m/s）和環(huán)境溫度（0、5、10、15℃）對藍莓冷鏈品質(zhì)的影響規(guī)律，開展以壓差預(yù)冷為基礎(chǔ)的藍莓冷鏈周期內(nèi)品質(zhì)評價。結(jié)果表明：采后立即預(yù)冷可使冷鏈期間可溶性固形物含量提升2.8個百分點（預(yù)冷貢獻率為20.49%），商品化率提高6個百分點（預(yù)冷貢獻率為6.74%），預(yù)冷實施越及時越有利于保持果實采后品質(zhì)；環(huán)境風(fēng)速改善可增強預(yù)冷效能，當(dāng)預(yù)冷風(fēng)速提升至1.0m/s時，可溶性固形物含量和商品化率分別增加1.75個百分點與4個百分點（預(yù)冷貢獻率為15.15%和4.34%）；預(yù)冷處理對果實質(zhì)地特性具有雙面效應(yīng)，預(yù)冷階段，低環(huán)溫和高風(fēng)速會降低果實彈性，增加運輸損傷風(fēng)險；貯運階段，低環(huán)溫和高風(fēng)速有利于保持藍莓彈性和緊實度，提高果實抗顛簸能力。最佳預(yù)冷參數(shù)為環(huán)境溫度5℃，環(huán)境風(fēng)速1.0m/s。

Abstract:

近年來我國農(nóng)產(chǎn)品供應(yīng)鏈上涉農(nóng)核心企業(yè)在IT應(yīng)用上大量投入，但出現(xiàn)了IT投入與產(chǎn)出不成正比的問題。因此，本文從IT能力入手，理論結(jié)合實證深入研究IT能力如何影響農(nóng)產(chǎn)品供應(yīng)鏈績效，及伙伴關(guān)系和信息共享發(fā)揮的路徑作用。通過線上線下問卷得到了有效問卷350份，利用結(jié)構(gòu)方程模型主要發(fā)現(xiàn)：IT能力與伙伴關(guān)系和信息共享均呈正相關(guān)；伙伴關(guān)系和信息共享均會正向影響整個農(nóng)產(chǎn)品供應(yīng)鏈績效；IT能力會間接影響農(nóng)產(chǎn)品供應(yīng)鏈績效，其中伙伴關(guān)系和信息共享均共同發(fā)揮著完全中介路徑作用。本文創(chuàng)新性地理論構(gòu)建并實證了IT能力、伙伴關(guān)系、信息共享和農(nóng)產(chǎn)品供應(yīng)鏈績效四者之間的影響機理，能為涉農(nóng)企業(yè)管理者提供有效途徑（增強IT能力、伙伴關(guān)系和信息共享等方面）來提升農(nóng)產(chǎn)品供應(yīng)鏈績效，也為我國農(nóng)產(chǎn)品產(chǎn)業(yè)鏈發(fā)展政策的不斷完善提供參考和借鑒。

Abstract:

針對農(nóng)產(chǎn)品運輸場景下產(chǎn)地與銷地配送環(huán)節(jié)中的多無人車協(xié)同任務(wù)分配問題，首先構(gòu)建涵蓋行程成本、時間違反成本、負載違反成本和啟動成本的多無人車取送貨任務(wù)調(diào)度組合優(yōu)化模型。提出一種改進分數(shù)階粒子群算法（Improved fractional order particle swarm optimization，IFOPSO）。通過在粒子群算法（PSO）中引入分數(shù)階列維隨機步長，提高PSO的全局搜索能力，進一步設(shè)計列維階次的自適應(yīng)調(diào)整機制，提高IFOPSO的收斂精度和尋優(yōu)性能。基于10個基準函數(shù)的對比實驗結(jié)果表明，提出的IFOPSO算法在收斂速度、精度以及全局搜索能力等方面，相較于現(xiàn)有算法表現(xiàn)出顯著優(yōu)勢。最后將IFOPSO算法應(yīng)用于多無人車任務(wù)分配問題的求解中，并與傳統(tǒng)PSO、改進PSO和分數(shù)階PSO算法進行對比實驗，結(jié)果表明該算法能夠有效降低調(diào)度成本，并快速找到合理的取送貨方案。

Abstract:

針對城市餐廚垃圾收運普遍面臨的虧載超載、車輛尾氣排放高、路徑規(guī)劃主觀性強、綜合成本高及商家滿意度低等問題，根據(jù)城市餐廚垃圾的分布和收運特點，建立了基于交通流帶時間窗的動態(tài)路徑優(yōu)化問題模型，并利用改進遺傳算法進行求解。根據(jù)實地調(diào)研數(shù)據(jù)，設(shè)計了靜動態(tài)遞進的6種優(yōu)化策略，并設(shè)置單位平均收運成本（U-C）、單位平均碳排放量（U-T）及單位平均油耗（U-Y）用于衡量不同優(yōu)化方案的經(jīng)濟性、環(huán)保性和能耗水平。實驗結(jié)果表明，最小收運成本+時間窗（TW）被確認為最佳靜態(tài)優(yōu)化策略。與不帶時間窗的情景相比在多使用1輛車的情況下U-C、U-T、U-Y分別降低8.16%、12.12%、10.48%。最小收運成本+TW+時間離散為最佳動態(tài)優(yōu)化策略，該情景下較最佳靜態(tài)優(yōu)化策略總成本降低15.23%，油耗與碳排放均降低24.97%，U-C、U-T、U-Y分別下降25.85%、39.39%和36.36%。此外，驗證了模擬智能垃圾桶獲取實時餐廚垃圾量，在本模型中有進一步的優(yōu)化效果。最后，對實際運行及6種優(yōu)化情景進行了環(huán)境影響評價，驗證了應(yīng)用本模型，餐廚垃圾收運系統(tǒng)的調(diào)度效率均有提高，能夠有效緩解因垃圾量隨機波動帶來的收運成本高與環(huán)境負效應(yīng)等問題。

Abstract:

近年來農(nóng)產(chǎn)品安全問題頻發(fā)，而企業(yè)采納農(nóng)產(chǎn)品追溯技術(shù)可以確保農(nóng)產(chǎn)品質(zhì)量安全。基于TOE(技術(shù)-組織-環(huán)境)研究框架，構(gòu)建了企業(yè)采納農(nóng)產(chǎn)品追溯技術(shù)的影響因素理論模型。技術(shù)因素包含相對優(yōu)勢和復(fù)雜性，組織因素包含感知利益、成本和高層支持，環(huán)境因素則將競爭壓力和供應(yīng)支持納入其中，模型探究了3類因素對企業(yè)采納追溯技術(shù)的影響。數(shù)據(jù)來源于面向全國的204家企業(yè)的調(diào)查問卷。研究結(jié)果表明，供應(yīng)支持、高層支持和成本對企業(yè)采納追溯技術(shù)有顯著的直接影響。而相對優(yōu)勢、復(fù)雜性、競爭壓力和感知利益對企業(yè)采納追溯技術(shù)的直接影響不顯著，僅能產(chǎn)生間接影響。本研究為企業(yè)采納和政府推廣農(nóng)產(chǎn)品追溯技術(shù)提出了3條建議：加強向高層管理人員的宣傳推廣；合理控制復(fù)雜性與成本；對采納追溯技術(shù)的條件進行評估。

Abstract:

針對丘陵山地專用旋耕機械設(shè)計理論依據(jù)不足、坡地工況基礎(chǔ)數(shù)據(jù)匱乏，以及在復(fù)雜地勢作業(yè)時普遍存在耕深波動明顯、振動劇烈、能耗過高等技術(shù)瓶頸，設(shè)計了一種適用于丘陵山區(qū)坡地工況的專用旋耕試驗平臺，可實現(xiàn)坡地傾角模擬與旋耕作業(yè)坡地仿形作業(yè)等功能。試驗平臺主要由旋耕行駛導(dǎo)向裝置、旋耕行駛裝置、旋耕升降調(diào)節(jié)裝置、旋耕傾角模擬裝置、旋耕作業(yè)裝置和坡地傾角模擬裝置等部分構(gòu)成，集坡地傾角模擬、旋耕傾角協(xié)同、旋耕作業(yè)、耕深調(diào)節(jié)等功能于一體。對試驗平臺進行了性能試驗，結(jié)果表明：旋耕傾角模擬裝置與目標坡地（土槽傾角）可以在0°~20°范圍內(nèi)實現(xiàn)精準協(xié)同，旋耕行駛裝置的電動行車可實現(xiàn)0～3.64km/h的前進行駛速度，旋耕刀軸可實現(xiàn)0～335r/min的旋耕轉(zhuǎn)速，旋耕升降調(diào)節(jié)裝置可實現(xiàn)0～30cm耕作深度的穩(wěn)定無級調(diào)節(jié)，該試驗平臺滿足丘陵山區(qū)坡地旋耕多因素多水平的測試需求，達到了坡地傾角隨機模擬、旋耕刀軸自動仿形、耕作深度精準可控、前進速度無級可調(diào)的設(shè)計目標。本研究可為坡地旋耕作業(yè)理論的完善和專用旋耕刀具的創(chuàng)新設(shè)計提供平臺支撐，為丘陵山區(qū)其他作業(yè)裝備的試驗平臺研制提供方法借鑒。

Abstract:

針對玉米播種環(huán)節(jié)設(shè)計了一種基于時空耦合的玉米播種位置預(yù)測系統(tǒng)。該系統(tǒng)集成對射式紅外光電傳感器、GNSS-RTK高精度定位模塊及數(shù)據(jù)傳輸單元，通過實時監(jiān)測種子下落信號，結(jié)合播種機航向、速度與時空滯后補償模型，預(yù)測種子落地空間位置，最終將數(shù)據(jù)上傳云端。系統(tǒng)采用STM32F103單片機作為中樞控制器，構(gòu)建分段式空間位置換算模型解決播種機主天線與紅外傳感器間的偏移問題；引入時空滯后補償模型，測量得種子下落延時、定位信息傳輸延時及程序執(zhí)行延時分別為107.7、50、39.5ms，最終修正播種機前進方向位移偏差；通過制定不同區(qū)間對經(jīng)緯度偏差正負值的方向響應(yīng)規(guī)則，明確耦合預(yù)測模型最終形態(tài)。田間試驗結(jié)果表明，系統(tǒng)預(yù)測種子落地位置與實際位置平均偏差為36.86mm，標準差為3.57mm，變異系數(shù)為9.69%，驗證了模型有效性。該系統(tǒng)能夠?qū)崿F(xiàn)播種位置數(shù)據(jù)實時記錄與云端存儲，為后續(xù)中耕、施肥等環(huán)節(jié)的精準協(xié)同管理提供參考。

Abstract:

針對受控交通農(nóng)業(yè)模式下機器人化作業(yè)平臺自主作業(yè)需求，提出一種對多邊形地塊具有普適意義的全生產(chǎn)周期作業(yè)路徑規(guī)劃方法。該方法構(gòu)建主永久道網(wǎng)絡(luò)與子作業(yè)路徑層雙層結(jié)構(gòu)，通過等距縮放與頂點平滑規(guī)劃轉(zhuǎn)向預(yù)留區(qū)路徑，基于垂直行進方向投影長度最小化原則確定中心作業(yè)區(qū)行方向；對主永久道網(wǎng)絡(luò)設(shè)計間隔梭行的遍歷順序，對子作業(yè)路徑層設(shè)計相鄰梭行遍歷順序；采用Dubins曲線設(shè)計銜接路徑，并設(shè)計潛在彈性出入口以解決作業(yè)彈性中斷路徑銜接問題；利用序列二次規(guī)劃算法求解滿足運動學(xué)約束的路徑，消除傳統(tǒng)直線-圓弧路徑的曲率突變?nèi)毕荨＞C合考慮作業(yè)路徑占比、作業(yè)覆蓋率、曲率變化率、路徑躍度、壓實區(qū)域面積占比等指標，以機器人化作業(yè)平臺為對象進行田間路徑規(guī)劃試驗，結(jié)果表明，針對凸/凹多邊形地塊中，主永久道作業(yè)路徑長度占比達77.21%，子作業(yè)層作業(yè)路徑占比56.87%；作業(yè)覆蓋面積占比均達90.65%；最大曲率變化率不大于0.04m-2，躍度不大于0.05m-3；總壓實區(qū)域占比8.83%，將全生產(chǎn)周期作業(yè)路徑限制在永久固定道上，滿足受控交通農(nóng)業(yè)下機器人化作業(yè)平臺作業(yè)需求。

Abstract:

針對多數(shù)研究需單獨測量單個土壤參數(shù)、對貫入阻力（PR）響應(yīng)多參數(shù)研究較少等問題，本文以粘壤土為研究對象，開展土壤含水率和鎮(zhèn)壓力對探針貫入阻力的影響研究。設(shè)置6個含水率和3個鎮(zhèn)壓力，記錄各條件下探針貫入土壤過程中的阻力變化曲線。以探針貫入曲線終峰值（FP）、相對波動帶寬（RFBW）和探針貫入阻力曲線傅里葉能量（PRFE）為指標進行全因素試驗。結(jié)果表明：對于上升效應(yīng)，當(dāng)土壤含水率從0增至10%時，隨著含水率增加，終峰值不斷提高，含水率10%時達到最大值2.492N（較0增加230.94%）；鎮(zhèn)壓力在低含水率時對終峰值影響較大，高含水率時影響減弱。對于波動特性，當(dāng)含水率為0~15%時，相對波動帶寬和探針貫入阻力曲線傅里葉能量均隨含水率增加而下降，含水率15%時相對波動帶寬降幅為含水率0時的68.05%，探針貫入阻力曲線傅里葉能量降至含水率0時的85.80%；隨著鎮(zhèn)壓力增加，相對波動帶寬與探針貫入阻力曲線傅里葉能量均下降，鎮(zhèn)壓力75kPa時相對波動帶寬降至鎮(zhèn)壓力15kPa時的74.62%，探針貫入阻力曲線傅里葉能量降為鎮(zhèn)壓力15kPa時的87.37%。研究結(jié)果揭示了土壤含水率和鎮(zhèn)壓力對探針貫入阻力的影響規(guī)律，為研發(fā)土壤性質(zhì)測試裝置提供了基礎(chǔ)。

Abstract:

針對嫁接機使用塑料夾固定易傷苗和塑料夾回收難、污染種植環(huán)境的問題，本文設(shè)計一種以UV膠包覆固定切口的嫁接裝置，可自動完成上苗夾持、同步切削、對接噴膠、攏苗固化和柔性下苗等作業(yè)。首先，闡述了嫁接裝置的結(jié)構(gòu)組成和工作原理，設(shè)計了夾持、切削、搬運、噴膠、固化和下苗等關(guān)鍵機構(gòu)及作業(yè)參數(shù)；其次，為確定最優(yōu)膠嫁接參數(shù)、提高嫁接成功率，以白籽南瓜（砧木）和西瓜（接穗）種苗為對象，選取霧化壓力、供膠壓力和噴膠距離為影響因素，嫁接成功率為試驗指標，開展三因素三水平響應(yīng)面試驗，得出影響嫁接成功率的顯著性由大到小為霧化壓力、供膠壓力、噴膠距離；最后，利用Design-Expert 13軟件對試驗結(jié)果進行方差分析、響應(yīng)曲面分析和參數(shù)優(yōu)化及試驗驗證，獲得最佳參數(shù)組合條件。試驗結(jié)果表明，在霧化壓力為0.22MPa、供膠壓力為0.35MPa和噴膠距離為4.33mm條件下，平均嫁接成功率為97.34%，與理論值相差1.15個百分點，平均生產(chǎn)效率576株/h，滿足機械嫁接作業(yè)質(zhì)量要求。研究結(jié)果為膠嫁接機器人的設(shè)計開發(fā)提供理論基礎(chǔ)和技術(shù)支撐。

Abstract:

針對單側(cè)卸糧模式下玉米籽粒收獲轉(zhuǎn)運多機協(xié)同自主作業(yè)中智能農(nóng)機調(diào)度沖突和轉(zhuǎn)運路徑冗余等問題，本文提出了一種基于動態(tài)卸糧閾值優(yōu)化馬爾可夫決策模型（MDOP）的多機協(xié)同調(diào)度策略。該策略通過實時調(diào)整收獲機卸糧閾值，實現(xiàn)收獲機與運糧車高效協(xié)同作業(yè)，在不影響收獲機連續(xù)作業(yè)效率前提下，有效降低了收獲機非生產(chǎn)性等待時間，減少了運糧車轉(zhuǎn)運成本和玉米籽粒轉(zhuǎn)運損失。將優(yōu)化馬爾可夫決策模型下多機協(xié)同作業(yè)情況與傳統(tǒng)倉滿召喚卸糧模型、遺傳算法優(yōu)化模型進行比較，優(yōu)化馬爾可夫決策卸糧模型總作業(yè)時間減少18.1%、4.9%，轉(zhuǎn)運成本降低8.9%、19.3%，玉米籽粒轉(zhuǎn)運損失率約為4.3%，驗證了本文調(diào)度策略的有效性和優(yōu)越性。研究結(jié)果為實現(xiàn)無人化玉米籽粒多機協(xié)同自主作業(yè)奠定了基礎(chǔ)，可為玉米無人農(nóng)場建設(shè)提供技術(shù)支持。

Abstract:

針對目前無人駕駛水稻收獲機向運糧車轉(zhuǎn)卸稻谷時，依靠收獲機和運糧車的北斗定位信息決策卸糧臂位置控制，對靶精度難以保證問題，提出一種糧廂圖像視覺分割模型GTSM，為卸糧臂對靶提供糧廂位置參考信息。在DeepLabv3+結(jié)構(gòu)基礎(chǔ)上，使用輕量化主干ShuffleNetv2替換Xception，將ASPP模塊中空洞卷積替換為深度可分離卷積，然后低秩分解為微因子分解卷積，以減小模型復(fù)雜度和提高運行速度；在淺層特征分支引入SE通道注意力機制，提高模型對糧廂邊緣、紋理等低級特征利用能力。試驗結(jié)果顯示，GTSM平均交占比和平均像素準確率分別達到96.06%和98.69%，較基準DeepLabv3+分別提升0.78、0.67個百分點；同時，模型復(fù)雜度明顯改善，參數(shù)量和內(nèi)存占用量僅為原來的1/9，推理速度提高166%。試驗結(jié)果表明，提出的GTSM兼顧分割精度和推理速度，可為田間運糧車糧廂自動化分割提供參考依據(jù)。

Abstract:

針對玉米大豆間套復(fù)種場景下導(dǎo)航線提取算法在復(fù)雜農(nóng)田環(huán)境中精度低和適應(yīng)性差等問題，提出一種基于改進YOLO v8的作物行間導(dǎo)航線提取方法，以提升自主移動底盤在田間作業(yè)中的導(dǎo)航精度。針對玉米大豆作物行間專項分割任務(wù)，以YOLO v8為基礎(chǔ)融合StarNet網(wǎng)絡(luò)，并優(yōu)化檢測頭構(gòu)建了StarNet-YOLO主干網(wǎng)絡(luò)。通過自主設(shè)計的ASPPFE模塊、深度可分離卷積和CSE結(jié)構(gòu)等策略優(yōu)化，同時利用LAMP剪枝算法對其輕量化。此外，引入Douglas-Peucker算法獲取逼近作物行間輪廓，并提出評分機制確定輪廓的起始線段和終點線段中點，進而實現(xiàn)作物行導(dǎo)航線的精確擬合。消融試驗結(jié)果表明，ASPPFE的mAP50seg（交并比為0.5時實例分割的平均精度均值）達到99.5%，其mAP50-95seg（交并比為0.5～0.95時實例分割的平均精度均值）比SPPELAN、SPPF和ASPPF分別提升1.0、1.0、0.4個百分點。經(jīng)剪枝率25%優(yōu)化后的StarNet-YOLO網(wǎng)絡(luò)，mAP50-95seg僅降低0.02個百分點，而推理速度從390f/s提升至563f/s，浮點運算量從7.2×109降至4.7×109。在同一數(shù)據(jù)集下對YOLO v5、YOLO v7、YOLO v8和改進YOLO v8進行對比發(fā)現(xiàn)，StarNet-YOLO網(wǎng)絡(luò)mAP50-95seg比其他3種算法分別提升5.5、4.8、2.8個百分點。作物行間導(dǎo)航線擬合驗證結(jié)果表明，平均角度誤差和距離誤差分別為2.01°和23.17像素。在復(fù)雜農(nóng)田環(huán)境下本文導(dǎo)航線提取算法表現(xiàn)出優(yōu)異性能，實現(xiàn)檢測速度與精度平衡，為玉米大豆等農(nóng)作物田間作業(yè)自主機器人視覺導(dǎo)航提供了新的技術(shù)思路。

Abstract:

為實現(xiàn)對小麥赤霉病（Fusarium head blight，F(xiàn)HB）嚴重度等級快速無損檢測，采用高光譜成像技術(shù)結(jié)合機器學(xué)習(xí)模型進行建模分析。通過對小麥麥穗中部籽粒進行鐮刀菌真菌接種，共獲取1660個不同程度的患病麥穗樣本。利用高光譜成像設(shè)備采集麥穗樣本高光譜信息，將整個麥穗作為感興趣區(qū)域獲取其平均光譜信息。通過對比歸一化（Normalization）、標準正態(tài)變量變換（Standard normal variate，SNV）、多元散射校正（Multiplicative scatter correction，MSC）和平滑導(dǎo)數(shù)（Savitzky-Golay，SG）4種不同預(yù)處理后光譜對FHB嚴重度等級識別的準確率，選用SNV算法作為最佳預(yù)處理方法，并對其處理后的光譜數(shù)據(jù)進行進一步分析。隨后對預(yù)處理后的光譜數(shù)據(jù)采用連續(xù)投影算法（Successive projections algorithm，SPA）、競爭性自適應(yīng)重加權(quán)采樣（Competitive adaptive reweighted sampling，CARS）、統(tǒng)一流形逼近與投影（Uniform manifold approximation and projection，UMAP）和線性判別分析（Linear discriminant analysis，LDA）算法進行降維，通過比較最終選擇能降到3維，且保持分類準確率以及較低時間復(fù)雜度的LDA算法。揭示了LDA判別FHB嚴重度等級的特征波段處于540nm葉綠素反射峰至650nm紅光吸收谷波段區(qū)間，是由于隨著病情不斷加重，葉綠素含量急速減少和葉片結(jié)構(gòu)損傷的協(xié)同效應(yīng)。最終構(gòu)建結(jié)合SNV和LDA的輕量級支持向量機（Support vector machine，SVM）FHB嚴重度等級識別的最優(yōu)模型。結(jié)果表明，該研究樣本數(shù)據(jù)在構(gòu)建的算法模型下測試集和訓(xùn)練集的準確率分別為96.05%和94.71%，且LDA將256維數(shù)據(jù)降到3維空間的時間復(fù)雜度僅為0.09s，能夠快速高效地進行FHB嚴重度判別且具有優(yōu)秀的泛化能力，為將來田間大面積實時快速的識別FHB奠定了基礎(chǔ)。

Abstract:

水稻害蟲危害十分巨大，不僅對水稻造成直接的生理破壞，還傳播病害，嚴重時導(dǎo)致稻田絕收，造成難以估量的損失。水稻害蟲精準識別與實時監(jiān)測是減少農(nóng)業(yè)損失的關(guān)鍵，針對蟲情測報燈圖像中害蟲密集、體態(tài)差異細微及小目標漏檢等問題，提出一種基于YOLO v8-STSF模型的水稻害蟲智能識別方法。通過引入Swin Transformer模塊增強骨干網(wǎng)絡(luò)的多尺度特征提取能力，結(jié)合分布移位卷積（DSConv）優(yōu)化頸部網(wǎng)絡(luò)特征融合，并采用Focal EIoU損失函數(shù)提升密集小目標定位精度。構(gòu)建了包含多類水稻害蟲的7000幅圖像數(shù)據(jù)集進行識別驗證，YOLO v8-STSF模型在測試集上的精確率為95.45%、召回率為90.45%、F1值為90.03%，較原YOLO v8模型分別提升2.13、0.33、3.09個百分點，在PC端的推理速度為32f/s，滿足實時需求。同時以Web端監(jiān)測系統(tǒng)為基礎(chǔ)，設(shè)計基于Android移動端的蟲情監(jiān)測系統(tǒng)，在田間測試中系統(tǒng)平均響應(yīng)時間為1.38s，識別準確率為96.34%，漏檢率為3.86%。研究結(jié)果可為水稻害蟲精準防控提供高效技術(shù)支持，推動農(nóng)業(yè)病蟲害監(jiān)測智能化發(fā)展。

Abstract:

奶牛患乳房炎時其乳表溫度與眼表溫度差值較大，因此可將奶牛乳眼溫差作為乳房炎判斷指標。針對現(xiàn)有熱紅外圖像檢測奶牛乳房炎精度低、容易誤檢和漏檢等問題，本文提出了一種基于YOLO v11n-seg結(jié)合熱紅外與可見光配準圖像的奶牛乳房炎檢測方法。為了在有限算力下能更精準地分割奶牛乳房和眼睛，對基線模型（YOLO v11n-seg）進行了改進。使用ADown卷積模塊替換基線模型部分普通卷積進行特征提取，在資源有限的環(huán)境下有利于模型部署和使用；在主干網(wǎng)絡(luò)末端引入MLCA注意力機制，顯著提升了小尺度目標特征提取能力；頸部網(wǎng)絡(luò)采用RepGFPN結(jié)構(gòu)優(yōu)化特征融合與信息傳遞能力，進一步提升分割精度。改進YOLO v11n-seg模型對奶牛眼睛和乳房平均分割精度分別為90.3%和97.9%。與基線模型相比，其對眼睛和乳房的平均分割精度提高7.1、0.7個百分點，模型參數(shù)量減少14.3%，模型計算量降低12.5%。比較分割掩膜與溫度矩陣提取的乳眼溫差與設(shè)定的溫差閾值，并用體細胞計數(shù)法進行驗證。結(jié)果表明，奶牛乳房炎檢測精度可達88.46%。表明該方法能夠?qū)崿F(xiàn)奶牛乳眼分割并應(yīng)用于奶牛乳房炎檢測。

Abstract:

哺乳期仔豬因體型小、生性好動、易被遮擋且聚集重疊，人工盤點效率低且易出錯。現(xiàn)有方法在復(fù)雜豬場環(huán)境和頻繁遮擋下難以平衡檢測準確率與資源受限部署需求，增加了漏檢和誤檢風(fēng)險。為此，本文提出了一種基于YOLO v8n的輕量化仔豬檢測模型GSD-YOLO。模型通過引入柔性非極大值抑制邊界框交并操作和Inner-MPDIoU損失函數(shù)，優(yōu)化邊界框回歸以降低誤檢和漏檢率；并嵌入坐標注意力機制（Coordinate attention for efficient mobile network design,CA），增強了目標區(qū)域的特征表達能力，有效解決長程依賴問題。為實現(xiàn)嵌入式設(shè)備的高效部署，模型引入GhostNet模塊優(yōu)化特征提取和融合，減少通道間特征冗余的同時降低模型參數(shù)量。模型重構(gòu)了一種輕量化的檢測頭Detect_DG，在模型體積縮減18.48%的同時，進一步提升了檢測精度。與YOLO v8n相比，GSD-YOLO 的F1分數(shù)和平均精度分別提升1.0、0.6個百分點，參數(shù)量降低61.28%，幀率提高12.5%。GSD-YOLO在綜合檢測性能上優(yōu)于YOLO v11等4種主流模型。結(jié)果表明，該模型在不同遮擋、重疊和光照下檢測仔豬目標的準確率更優(yōu)，且模型內(nèi)存占有量較小，僅有2.6MB。將GSD-YOLO部署到邊緣計算設(shè)備Jetson Orin NX和安卓（Android）移動端，為實際應(yīng)用中的仔豬檢測提供了有效的技術(shù)支撐。

Abstract:

針對目前復(fù)雜環(huán)境下奶牛在采食過程中挑食行為與采食行為差異不大、識別精度較低、人工識別勞動強度大等問題，本文提出了一種基于巡檢機器人和改進RT-DETR模型的奶牛挑食行為識別方法。根據(jù)奶牛采食特性設(shè)計巡檢機器人采集奶牛采食過程數(shù)據(jù)，分中午、下午和晚上3個時間段分別在3個牛棚進行采集，最終構(gòu)建包含3個時間段共計10280幅奶牛采食數(shù)據(jù)集。對RT-DETR模型進行改進，在RT-DETR模型淺層中引入DAttention（DAT）模塊和Bi-Level Routing Attention（BRA）模塊融合的DBRA結(jié)構(gòu)，建立了新的圖像特征提取結(jié)構(gòu)，提升輸入圖像局部和全局特征深度融合能力；在RT-DETR模型編碼器中融合Efficient Multi-Scale Attention（EMA）模塊，增強了提取高層次語義信息能力，更好地聯(lián)系上下文信息。試驗結(jié)果表明，改進后模型在奶牛采食視頻數(shù)據(jù)集平均精度均值（[email protected]）為99.1%，模型內(nèi)存占用量為39.6MB，浮點計算量為4.67×1010，相較于原模型平均精度均值提高7.4個百分點，模型內(nèi)存占用量降低0.9MB，浮點計算量減少2%。與Sparse R-CNN、YOLO v7-L、YOLO v8n、DINO、Swin Transformer和DETR模型相比，平均精度均值（mAP@50）分別提高8.5、9.8、7.8、6.6、11.4、9.5個百分點。研究結(jié)果可以為實現(xiàn)畜牧養(yǎng)殖智能化提供技術(shù)支持。

Abstract:

便攜式土壤全氮含量近紅外光譜檢測儀具有快速、非破壞性和高效性等優(yōu)點，但已開發(fā)的儀器多采用濾光片式設(shè)計，光譜通道數(shù)量有限會導(dǎo)致部分關(guān)鍵信息丟失，且無法采用基于深度學(xué)習(xí)的預(yù)測模型。隨著微型光譜儀的商業(yè)化，本文開發(fā)了基于連續(xù)光譜的高精度土壤全氮含量檢測儀。檢測儀主要由NIR-R210型微型光譜儀、樹莓派、觸控屏、移動電源構(gòu)成，利用微型光譜儀獲取土壤光譜反射率，利用樹莓派中嵌入的深度學(xué)習(xí)模型進行土壤全氮含量預(yù)測，然后在顯示屏中輸出預(yù)測結(jié)果。在中國農(nóng)業(yè)大學(xué)上莊實驗站采集了600份土壤樣本，分別對偏最小二乘法、門控循環(huán)單元和Transformer 3種模型的預(yù)測性能進行了對比分析。結(jié)果表明，基于全光譜數(shù)據(jù)的Transformer深度學(xué)習(xí)模型表現(xiàn)最好，模型決定系數(shù)R2為0.89，均方根誤差(RMSE)為0.19g/kg，預(yù)測偏差(RPD)為2.96。進一步對檢測儀進行田間實時原位測試，田間環(huán)境下預(yù)測結(jié)果R2可達0.83，精度較高，可為智慧農(nóng)業(yè)中土壤養(yǎng)分實時檢測與精準管理提供新的解決方案。

Abstract:

土壤全氮含量是土壤重要的養(yǎng)分指標，基于高光譜數(shù)據(jù)研究并構(gòu)建果園土壤全氮含量預(yù)測模型，為準確檢測土壤全氮含量提供新方法。以江蘇省農(nóng)業(yè)科學(xué)院梨園土壤為研究對象，利用高光譜成像技術(shù)獲取土壤光譜反射率數(shù)據(jù)，引入混合蛙跳算法和競爭性自適應(yīng)加權(quán)采樣進行光譜特征提取，并分別采用全波段和特征波段構(gòu)建偏最小二乘回歸、支持向量機、隨機森林和卷積神經(jīng)網(wǎng)絡(luò)模型對土壤全氮含量進行估測。結(jié)果表明：原始光譜經(jīng)過多種預(yù)處理方法處理后，經(jīng)SG卷積平滑聯(lián)合標準正態(tài)變換預(yù)處理，全波段構(gòu)建的全氮預(yù)測模型表現(xiàn)最佳；基于混合蛙跳算法提取10個關(guān)鍵波段，占總波段數(shù)量的4.08%，有效降低了數(shù)據(jù)維度；基于混合蛙跳算法提取特征波段構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)優(yōu)異，此模型測試集決定系數(shù)為0.95、均方根誤差為0.21g/kg、相對分析誤差為3.97。研究結(jié)果表明應(yīng)用混合蛙跳算法能高效提取特征波段，降低數(shù)據(jù)維度，并且提高了土壤全氮含量估測精度，為果園土壤全氮含量準確估測提供參考。

Abstract:

針對電動拖拉機犁耕作業(yè)牽引負載辨識不準確、訓(xùn)練過程依賴海量標記數(shù)據(jù)的問題，提出了基于半監(jiān)督學(xué)習(xí)算法的電動拖拉機犁耕作業(yè)多工況參數(shù)融合訓(xùn)練框架，構(gòu)建了基于寬殘差網(wǎng)絡(luò)和擴展長短時記憶網(wǎng)絡(luò)（WideResNet-xLSTM，WRNx）的電動拖拉機牽引負載等級辨識模型。其中，半監(jiān)督學(xué)習(xí)框架使用有、無標簽數(shù)據(jù)進行辨識模型的迭代訓(xùn)練，并應(yīng)用C-means模糊聚類分析模型的線性輸出;基于WRNx組合模型，通過WideResNet的特征表達能力深入提取載荷數(shù)據(jù)的有效特征，通過xLSTM網(wǎng)絡(luò)處理時序關(guān)系，最終通過分類器對載荷序列實現(xiàn)分類預(yù)測。構(gòu)建了電動拖拉機犁耕機組多傳感器載荷參數(shù)測試系統(tǒng)，并開展了犁耕作業(yè)田間試驗。結(jié)果表明，所提出的半監(jiān)督學(xué)習(xí)框架可減少25.4%的標記數(shù)據(jù)訓(xùn)練樣本，優(yōu)于傳統(tǒng)的監(jiān)督學(xué)習(xí)訓(xùn)練框架，所構(gòu)建模型辨識電動拖拉機犁耕作業(yè)牽引等級的準確率和F1值分別為94.35%和94.27%。研究結(jié)果為電動拖拉機犁耕作業(yè)負載半監(jiān)督學(xué)習(xí)辨識提供了新的解決方案。

Abstract:

氣液兩相流噴頭借助液相和氣相間極大的速度差在兩相界面上產(chǎn)生較高的切應(yīng)力破碎、撕裂連續(xù)液相、實現(xiàn)小粒徑霧滴的霧化過程，其所具有的霧化效率高、能耗低、藥量調(diào)節(jié)范圍廣、粒徑譜控制精確、不易堵塞、藥劑適應(yīng)性強和作業(yè)效率好等優(yōu)勢，使氣液兩相噴頭成為精準施藥裝備中的關(guān)鍵部件之一。本文概述了氣液兩相流噴頭工作原理、分類并與其他噴頭進行性能比較，然后系統(tǒng)總結(jié)了氣液兩相流噴頭的霧化基本理論、噴頭結(jié)構(gòu)設(shè)計、仿真模擬方法、試驗研究手段，以及在農(nóng)業(yè)植保上的應(yīng)用等方面的研究進展。提出了氣液兩相流噴頭研究中的開放性問題，如完善霧化過程物理模型、提高低壓低能耗條件下的霧化性能、霧化粒徑效益邊界等問題。最后總結(jié)了氣液兩相流噴頭在精準施藥中的性能優(yōu)勢、面臨的技術(shù)挑戰(zhàn)以及未來需要解決的問題。

Abstract:

針對縊蟶苗機械化播苗易損傷，人工播苗均勻性差、勞動強度高、工作環(huán)境差等問題，以2月齡縊蟶苗為研究對象，通過壓縮試驗，分析得到縊蟶苗的最低損傷力，設(shè)計了一種氣吹式低損傷縊蟶苗播苗裝置。該裝置由苗箱、槽輪、吹苗管、氣流分流管等組成，工作原理是苗箱中的縊蟶苗通過槽輪進入吹苗管，在氣流作用下被吹撒至灘涂中。分別建立了縊蟶苗在吹苗管內(nèi)和空氣中的動力學(xué)模型，分析了碰撞過程的接觸力，確定了影響縊蟶苗運動軌跡的主要因素。通過CFD-DEM耦合構(gòu)建仿真模型，以氣流入口速度、裝置離地高度、裝置行進速度為試驗因素，以播苗密度相對誤差、損傷率為評價指標，分別進行了單因素與三因素三水平二次中心組合試驗，得出影響播苗密度相對誤差的主次因素為裝置行進速度、氣流入口速度、裝置離地高度，影響損傷率的主次因素為氣流入口速度、裝置離地高度、裝置行進速度。以播苗密度相對誤差、損傷率為目標對各試驗因素進行優(yōu)化，得到優(yōu)化后最優(yōu)參數(shù)組合為氣流入口速度30m/s、裝置離地高度490mm、裝置行進速度0.17m/s。采用優(yōu)化后的參數(shù)進行臺架試驗驗證，結(jié)果表明，在最優(yōu)參數(shù)組合下，播苗密度相對誤差為7.02%，損傷率為3.92%，證明此播苗裝置性能良好，滿足實際生產(chǎn)的要求。

Abstract:

針對目前起壟覆膜機作業(yè)中由于地面不平以及機身晃動會導(dǎo)致機具行走定位不準，壟體直線度偏差較大、穩(wěn)定性差等問題，提出基于ExpressLRS（Express long range system）的自主導(dǎo)航控制方法，設(shè)計了輕簡化電動履帶式自主導(dǎo)航起壟覆膜一體機，實現(xiàn)起壟、覆膜、覆土功能，并提升作業(yè)的直線度。對起壟機構(gòu)關(guān)鍵參數(shù)進行設(shè)計和計算，并利用卡爾曼濾波算法搭建基于ExpressLRS的自主導(dǎo)航控制系統(tǒng)。利用Wit-Motion公司的單軸角度測量傳感器HWT101CT進行樣機測試，測試結(jié)果表明樣機行走的偏航角度波動范圍在-2.5°~3.5°之間，橫向位置偏差均值在3cm以內(nèi)，滿足設(shè)計要求，速度在0.1~0.2m/s區(qū)間導(dǎo)航效果最優(yōu)，證明該系統(tǒng)具有可行性和有效性。樣機田間試驗表明壟高170mm起壟效果最優(yōu)，作業(yè)后壟高合格率86.67%，壟頂寬合格率93.33%，壟底寬合格率86.67%。變異系數(shù)均小于6%，表明壟體的均勻性較高。壟體直線度為2.21cm，壟頂平整度為1.22cm，表明自主導(dǎo)航直線行駛功能合格，各項評價指標滿足起壟覆膜機的設(shè)計要求。

Abstract:

針對現(xiàn)有蔬菜移栽機構(gòu)無法精確實現(xiàn)取栽一體式作業(yè)所需的移栽軌跡和姿態(tài)問題，本文提出一種基于非圓齒輪約束的混聯(lián)六桿單自由度蔬菜缽苗取栽一體式移栽機構(gòu)。根據(jù)取栽一體式移栽要求，確定了一種“鷹嘴形”取苗靜軌跡和“近似直線形”植苗動軌跡取栽一體式理想移栽軌跡，建立了移栽機構(gòu)運動學(xué)模型，以五次B樣條插值法構(gòu)建非圓齒輪傳動函數(shù)，結(jié)合蔬菜移栽農(nóng)藝要求，以機構(gòu)運動誤差最小和非圓齒輪節(jié)曲線最優(yōu)為優(yōu)化目標，基于譜聚類均衡差分進化算法（SCEDE）對移栽機構(gòu)進行優(yōu)化設(shè)計，得到滿足一體化移栽軌跡和姿態(tài)最優(yōu)機構(gòu)參數(shù)。對移栽機構(gòu)進行了結(jié)構(gòu)設(shè)計、仿真分析以及臺架試驗。結(jié)果表明：物理樣機試驗軌跡姿態(tài)、虛擬樣機仿真軌跡姿態(tài)與理論軌跡姿態(tài)基本一致，當(dāng)移栽機構(gòu)作業(yè)轉(zhuǎn)速為25~45r/min時，取苗成功率為96.1%，栽植成功率為91.4%，移栽株距變異系數(shù)2.31%。滿足蔬菜移栽作業(yè)要求，驗證了所提理論方法的正確性以及該機構(gòu)的可行性。

Abstract:

針對裝袋型馬鈴薯聯(lián)合收獲機田間作業(yè)時停機卸袋所造成的效率較低問題，設(shè)計了一種不停機卸袋裝置。該裝置可通過緩存和裝袋狀態(tài)的切換，實現(xiàn)機器作業(yè)過程不停機卸袋。運用Hertz接觸理論推導(dǎo)馬鈴薯與薯箱碰撞過程中最大接觸應(yīng)力的表達式，得到了影響接觸應(yīng)力的關(guān)鍵因素。對卸袋裝置卸袋過程進行了分析，確定了卸袋裝置的尺寸參數(shù);通過速度矢量圖對馬鈴薯在與箱壁碰撞后可能出現(xiàn)的3種運動方向進行了分析;結(jié)合運動學(xué)原理明確了馬鈴薯在下落過程中的運動軌跡和速度表達式，得出影響馬鈴薯速度的關(guān)鍵因素。為確定箱體的最佳結(jié)構(gòu)參數(shù)，運用Box-Benhnken試驗方法，以壁面角度、輸送帶速度和箱體壁面長度為試驗因素，以馬鈴薯破皮率和傷薯率為試驗指標，對該裝置進行三因素三水平試驗。通過Design-Expert 11.1.0軟件對試驗結(jié)果進行方差分析，得出對試驗指標影響顯著的因素，通過響應(yīng)面試驗，分析試驗交互因素對試驗指標的影響規(guī)律并得出最佳的結(jié)構(gòu)參數(shù)，在此基礎(chǔ)上進行臺架試驗驗證，并進行了田間對比試驗。臺架試驗表明，當(dāng)薯箱壁面角度為44°、分揀輸送鏈速度為0.44m/s、薯箱壁面長度為603mm時，破皮率為0.96%，傷薯率為0.63%。田間對比試驗結(jié)果表明，滿足馬鈴薯聯(lián)合收獲機作業(yè)標準要求，且收獲效率較停機卸袋聯(lián)合收獲機提升了41.63%。

Abstract:

針對大蒜聯(lián)合收獲機在大蒜植株夾持輸送過程中常出現(xiàn)的輸送成功率低、漏持率和斷莖率高、可靠性差等問題，設(shè)計了一種大蒜變剛度柔性夾持輸送裝置。闡述和分析了夾持輸送裝置的整體結(jié)構(gòu)和工作原理，以不同收獲期（成熟前期、中期、后期）的蘭陵四六瓣、金鄉(xiāng)雜交蒜、金杞早熟蒜品種作為研究對象，開展不同含水率下大蒜莖稈的物理特性試驗，通過理論計算和力學(xué)分析，對關(guān)鍵部件進行了優(yōu)化設(shè)計;分析夾持輸送的工作過程，確定了影響其作業(yè)性能的關(guān)鍵因素，建立夾持輸送裝置EDEM-MFBD耦合仿真模型并進行仿真試驗，探究了夾持輸送裝置不同作業(yè)參數(shù)對大蒜莖稈受力的影響。以夾持輸送速度與前進速度速比、喂入角和浮動輪彈性系數(shù)為試驗因素，以輸送成功率、漏持率和斷莖率為試驗指標，進行二次回歸正交旋轉(zhuǎn)組合試驗，建立各試驗指標與試驗因素的回歸模型，并確定了夾持輸送裝置的最優(yōu)作業(yè)參數(shù)。試驗結(jié)果表明，當(dāng)夾持輸送速度與前進速度速比為2.31、喂入角為6.2°、浮動輪彈性系數(shù)為3.95N/mm時，工作性能最佳，此時輸送成功率為97.21%，漏持率為1.06%，斷莖率為1.73%。為驗證優(yōu)化后的夾持輸送裝置作業(yè)性能，進行臺架試驗，試驗結(jié)果與回歸模型預(yù)測的結(jié)果基本一致。

Abstract:

針對丘陵地區(qū)甘蔗沿等高線種植特點及履帶式甘蔗收獲機在丘陵地區(qū)2°~10°進行收割作業(yè)時易發(fā)生側(cè)翻的問題，根據(jù)相似性原理搭建了比例1∶4的試驗平臺，基于單片機及傳感器控制檢測技術(shù)，設(shè)計一種適用于履帶式甘蔗收獲機的橫向調(diào)平系統(tǒng)。本文結(jié)合履帶式甘蔗收獲機橫向?qū)挾刃　⒅匦母叩忍攸c，提出了單側(cè)（及雙側(cè)）調(diào)平控制策略。系統(tǒng)通過液壓驅(qū)動單側(cè)液壓缸同步伸縮，實現(xiàn)車身自適應(yīng)調(diào)平，提高甘蔗收獲機抗傾翻性。試驗結(jié)果表明，系統(tǒng)在不同載重條件下均能高效調(diào)平，車身調(diào)平具有可靠性;在靜態(tài)試驗中，試驗平臺橫向調(diào)平時間為1.22s，傾角誤差在±1內(nèi)°，滿足丘陵地區(qū)的需求;橫向臨界傾翻試驗表明，未調(diào)平前的臨界傾翻角為24.32°，調(diào)平后的臨界傾翻角為29.20°，橫向調(diào)平角度最大10°，有效提高了機器的抗傾翻性。最后結(jié)合實時頻譜分析，檢測頻率分布和振動幅值的變化，分析不同狀態(tài)頻譜波形圖，為復(fù)雜環(huán)境下收獲機的動態(tài)行為建模提供了研究基礎(chǔ)，并為傾翻預(yù)警信號提供依據(jù)。

Abstract:

針對現(xiàn)有平板直刀式切碎刀具作業(yè)時滑移嚴重、切碎均勻性差、作物適應(yīng)性差等問題，基于河貍下門齒的功能結(jié)構(gòu)特性，采用三維激光掃描及計算機輔助處理的逆向工程技術(shù)，提取河貍頭骨模型并擬合下門齒特征曲線，依此設(shè)計一種仿生青飼料切碎刀具。在構(gòu)建河貍下門齒仿生耦元結(jié)構(gòu)表征模型的基礎(chǔ)上，通過理論分析確定下門齒鉗住角、楔角、滑切角與生物切割行為的運動和受力關(guān)系，建立刀刃斜切和穩(wěn)定滑切模型，得出穩(wěn)定切割過程河貍下門齒結(jié)構(gòu)特征與降阻減滑的響應(yīng)機制，建立侵徹物料切割受力模型，對刀頭受力特性進行理論分析，得出楔角與刀頭受力及強度的影響規(guī)律。分段表征河貍下門齒功能結(jié)構(gòu)，并以此設(shè)計切碎刀形。為確定刀形最佳結(jié)構(gòu)參數(shù)，以標準草長率、斜茬率和破節(jié)率為試驗指標，采用四因素五水平正交試驗研究切碎刀刀形關(guān)鍵參數(shù)對青飼料切碎效果的影響，臺架試驗結(jié)果表明，當(dāng)鉗住角為46°、內(nèi)滑切角為31°、外滑切角為67°、楔角為28°時，標準草長率為95.84%、斜茬率為2.84%、破節(jié)率為95.46%。在臺架試驗確定的最佳結(jié)構(gòu)參數(shù)條件下，以標準草長率、斜茬率和破節(jié)率為試驗指標，分別對黑麥草、全株青貯玉米和甜高粱開展田間收獲驗證試驗，試驗結(jié)果表明：當(dāng)作業(yè)參數(shù)為工作速度6km/h、喂入量8kg/s時，額定負載下，黑麥草平均標準草長率為91.95%、平均斜茬率為3.31%、平均破節(jié)率為96.11%;全株青貯玉米平均標準草長率為95.62%、平均斜茬率為3.81%、平均破節(jié)率為96.32%;甜高粱平均標準草長率為92.60%、平均斜茬率為4.06%、平均破節(jié)率為96.03%，各項性能指標均符合國家行業(yè)標準。

Abstract:

針對現(xiàn)有風(fēng)選式膜雜分離裝置分離出的殘膜附土量較高，而水洗式膜雜分離裝置能耗較高且用水量較大等問題，設(shè)計了一種逆流鉤拽式殘膜混合物清洗分離裝置。通過對主要工作部件進行設(shè)計與動力學(xué)分析，確定了鉤膜齒鏈的作業(yè)條件、螺旋輸送器轉(zhuǎn)速范圍、排雜電機轉(zhuǎn)速范圍以及水循環(huán)系統(tǒng)所需水泵型號。以鉤膜齒鏈速度、平均流速以及出水口高度為試驗因素，以殘膜分離率和殘膜潔凈率為試驗指標進行了響應(yīng)面試驗。對試驗結(jié)果進行了方差分析，得出各試驗因素對殘膜分離率的影響由大到小為：出水口高度、平均流速、鉤膜齒鏈速度;對殘膜潔凈率的影響由大到小為：平均流速、鉤膜齒鏈速度、出水口高度。對試驗指標進行了參數(shù)優(yōu)化，得到最優(yōu)參數(shù)組合為：鉤膜齒鏈速度0.196m/s、平均流速1.51m/s、出水口高度457.0mm，此時殘膜分離率和殘膜潔凈率分別為89.95%和93.46%。對優(yōu)化結(jié)果進行試驗驗證，得到殘膜分離率和殘膜潔凈率分別為88.72%和92.35%。

Abstract:

針對新疆地區(qū)殘膜資源化利用需求和現(xiàn)有膜雜混合物（膜雜）切碎及分離難度大、作業(yè)效果不理想問題，設(shè)計一種可實現(xiàn)膜雜喂入切碎、膜雜分離以及棉稈破碎作業(yè)的滾刀-軸流滾筒組合式膜雜混合物切碎分離裝置。基于動力學(xué)與運動學(xué)分析了膜雜喂入、切碎以及分離過程，得出影響膜雜切碎及分離效果的主要因素及參數(shù)取值范圍。以喂入輥轉(zhuǎn)速、切碎器轉(zhuǎn)速以及分離滾筒轉(zhuǎn)速為試驗因素，膜中含膜率、雜中含膜率以及棉稈破碎長度合格率為評價指標，通過Design-Expert軟件開展了單因素和Box-Behnken響應(yīng)面試驗，對試驗結(jié)果進行方差分析和響應(yīng)面分析，明晰了試驗因素及其交互作用對試驗指標的影響規(guī)律，對構(gòu)建的二階多項式響應(yīng)面模型進行多目標求解優(yōu)化，優(yōu)化結(jié)果表明：當(dāng)喂入輥轉(zhuǎn)速為20.94r/min、切碎器轉(zhuǎn)速為335.78r/min以及分離滾筒轉(zhuǎn)速為282.38r/min時作業(yè)效果最佳，以優(yōu)化后的參數(shù)進行試驗驗證，試驗結(jié)果表明：膜中含膜率為91.26%、雜中含膜率為7.22%以及棉稈破碎長度合格率為93.78%，滿足膜雜切碎及分離作業(yè)需求。

Abstract:

水泵水輪機在水輪機模式非設(shè)計條件下將導(dǎo)致機組流動不穩(wěn)定性的發(fā)生。為了研究機組在水輪機模式非設(shè)計條件運行流動不穩(wěn)定性產(chǎn)生的影響，基于SST k-ω湍流模型，對導(dǎo)葉開度11、33、45mm下機組在4種典型非設(shè)計工況下非定常流動的產(chǎn)生和演化機理以及無葉區(qū)（VS）壓力脈動特性進行了數(shù)值研究。研究結(jié)果表明：在異常小導(dǎo)葉開度（G11）下轉(zhuǎn)輪出口區(qū)域受到尾水管回流的擾動較大，隨導(dǎo)葉開度的增大對這種擾動作用逐漸減弱。葉道渦及流動分離現(xiàn)象均隨導(dǎo)葉開度的增大呈減弱趨勢。高湍動能（TKE）區(qū)在水輪機小流量工況及飛逸工況下分布范圍較大，制動工況下主要分布于無葉區(qū)及轉(zhuǎn)輪葉片出口處。異常小導(dǎo)葉開度下4種工況尾水管區(qū)域均有渦帶產(chǎn)生，且渦核分布緊密，隨導(dǎo)葉開度的增大渦核分布顯著減弱;大流量工況主要為中心渦帶，隨機組流量的減小渦核分布在管壁側(cè)逐漸增強。異常小導(dǎo)葉開度下無葉區(qū)壓力脈動低頻分量（LFC）和高頻低幅分量（HF-LAC）極小，在較大導(dǎo)葉開度下飛逸工況下BPF分量和低頻分量共同成為無葉區(qū)壓力脈動的主頻。異常小導(dǎo)葉開度下各流域流動結(jié)構(gòu)相較于較大導(dǎo)葉開度具有顯著的特殊性，對無葉區(qū)壓力脈動影響顯著。

Abstract:

土壤鹽漬化是制約農(nóng)業(yè)生產(chǎn)的主要因素之一，精確監(jiān)測土壤鹽漬化尤為重要。本研究利用2023年4月8—12日在河套灌區(qū)4個實驗區(qū)域采集的地面實測含鹽量數(shù)據(jù)和無人機(Unmanned verial vehicle, UAV)數(shù)據(jù)構(gòu)建偏最小二乘回歸(Partial least squares regression, PLSR)、隨機森林(Random forest, RF)、反向傳播神經(jīng)網(wǎng)絡(luò)(Backpropagation neural network, BPNN)和支持向量機回歸(Support vector machine regression, SVR) 4種土壤含鹽量(Soil salt content, SSC)反演模型。將最優(yōu)模型反演得到的實驗區(qū)土壤鹽分分布圖分別利用最鄰近法(Nearest)、雙線性內(nèi)插法(Bilinear)、立方卷積內(nèi)插法(Cubic) 3種方法重采樣到1、5、10m。計算同時期Sentinel-2A衛(wèi)星對應(yīng)像元提取平均值作為衛(wèi)星影像構(gòu)建反演模型的含鹽量，對比分析各尺度下的最優(yōu)模型，繪制河套灌區(qū)土壤鹽分分布圖。結(jié)果表明：使用Bilinear方法在3種尺度下的相關(guān)性均略優(yōu)于其他2種重采樣方法，5種尺度下構(gòu)建的模型精度由大到小依次為0.07m、1.m、5m、10m、原實測土壤含鹽量（OSSC），最優(yōu)尺度0.07m訓(xùn)練集和驗證集最佳模型決定系數(shù)R2比OSSC分別提升0.24和0.30，均方根誤差（RMSE）低0.06、0.19個百分點。本文探究了多尺度土壤含鹽量對衛(wèi)星多光譜遙感平臺反演土壤含鹽量模型精度的促進作用，為多源遙感大尺度精準土壤鹽漬化反演提供了有效理論依據(jù)。

Abstract:

準確的茶園分布信息可以為土地利用規(guī)劃、種植布局優(yōu)化提供科學(xué)的決策支撐，有助于推動茶產(chǎn)業(yè)可持續(xù)發(fā)展。本文基于GF-2 PMS影像的RGB波段，Sentinel-2光學(xué)影像計算的NDVI，Sentinel-1 時序SAR數(shù)據(jù)構(gòu)建的物候特征（包括茶樹生長幅度（Growth amplitude，GA）和生長期長度（Growth length，GL））,以及GF-7立體像對影像計算的坡向、坡度、曲率，構(gòu)建了茶園多模態(tài)遙感特征，并通過隨機森林特征優(yōu)選出最佳組合。利用雙分支網(wǎng)絡(luò)聯(lián)合學(xué)習(xí)策略，以AMLNet（Attentional multiscale lightweight encoder decoder network）為第1分支，Vanilla AMLNet為第2分支，構(gòu)建耦合多模態(tài)信息的雙分支網(wǎng)絡(luò)模型MIPBNet（Multi-modal information parallel branch network）;利用特征融合模塊（Dual-branch feature fusion block，DBFF）在解碼器末端進行特征級融合;利用復(fù)合損失函數(shù)進行優(yōu)化訓(xùn)練。研究結(jié)果表明：NDVI+GA+坡向+坡度組合最能提高茶園分類精度。基于RGB數(shù)據(jù)依次加入NDVI、GA、坡向、坡度的組合方案，實驗結(jié)果表明，融合多模態(tài)特征后，茶園提取結(jié)果漏提和誤提現(xiàn)象明顯減少，總體精度提升3.11個百分點。與典型的語義分割模型UNet、UNeXt、Segformer相比，MIPBNet的單分支AMLNet獲得了更優(yōu)的茶園提取結(jié)果。

Abstract:

土壤耕作層是作物生長發(fā)育的基礎(chǔ)，準確監(jiān)測土壤耕作層含水率并對作物進行精準灌溉能提高作物產(chǎn)量和水資源利用率。為實現(xiàn)高效監(jiān)測土壤耕作層含水率，提出一種基于協(xié)同克里金插值的土壤耕作層含水率反演方法。首先以能夠獲取土壤表層信息的Sentinel-1衛(wèi)星數(shù)據(jù)為本文數(shù)據(jù)源，與具有可靠運算能力的XGBoost(Extreme gradient boosting)模型結(jié)合可以高效反演土壤表層含水率;將其大范圍土壤含水率反演結(jié)果作為協(xié)變量，把115個實測土壤耕作層含水率作為主變量，利用土壤表層與耕作層變量間的協(xié)同關(guān)系，采用協(xié)同克里金方法插值得到土壤耕作層含水率;協(xié)同克里金法可以很好地利用土壤表層與耕作層變量間的協(xié)同關(guān)系提升插值精度，并且在一定程度上可解決土壤耕作層含水率實測數(shù)據(jù)量不足的問題。將土壤耕作層含水率克里金插值和利用表層與耕作層含水率線性擬合進行對比，結(jié)果表明，采用協(xié)同克里金插值反演土壤耕作層含水率能夠大幅提高預(yù)測準確性，決定系數(shù)R2分別提高0.25和0.20，均方根誤差(RMSE)分別降低0.029、0.014cm3/cm3，平均絕對誤差(MAE)分別降低0.028、0.015cm3/cm3，精度顯著提高。

Abstract:

小麥條銹病是影響小麥產(chǎn)量的主要病害之一，提高小麥條銹病的遙感監(jiān)測精度對病害的防控具有重要意義。本文在利用F-SFM算法反演全波段SIF光譜的基礎(chǔ)上提取了形狀特征，分析了條銹病脅迫下全波段SIF光譜及其形狀特征的響應(yīng)特性。基于隨機森林算法構(gòu)建了小麥條銹病的遙感監(jiān)測模型，并將其與單波段SIF模型進行對比分析。結(jié)果表明：條銹病脅迫下，小麥葉片和冠層尺度SIF光譜曲線及其形狀特征均有不同的響應(yīng)特性。葉片尺度下，隨著小麥條銹病嚴重度的增加，遠紅光波段SIF峰值（CFR）、偏度（SFR）以及發(fā)射峰面積（AFR）減小，紅光和遠紅光波段SIF峰值波長（λR、λFR）以及遠紅光波段峰度（KFR）增大。冠層尺度下，CFR、λR、λFR、AFR隨小麥條銹病嚴重度的增加而減小。此外，以AFR、λFR、全波段SIF峰度（K）、紅光波段SIF偏度（SR）、λR形狀特征為自變量的小麥條銹病遙感監(jiān)測模型精度較以紅光波段SIF峰值（CR）和CFR為自變量的模型在訓(xùn)練集中精度（R2）提高27.59%，RMSE降低19.83%，測試集中R2提高96.43%，RMSE降低17.01%。利用全波段SIF提取的形狀特征能夠更全面、更精準地反映病害脅迫信息。

Abstract:

為探究蔬菜在不同濃度重金屬脅迫下的高光譜響應(yīng)，本文采集10個濃度Cu2+脅迫下的白菜葉片高光譜數(shù)據(jù)，提出一種基于高光譜和卷積長短期記憶神經(jīng)網(wǎng)絡(luò)(CNN-LSTM) 的白菜葉片Cu2+脅迫分類預(yù)測模型。首先采用S-G平滑、一階微分進行光譜數(shù)據(jù)預(yù)處理，其次采用競爭自適應(yīng)重加權(quán)采樣(Competitive adapative reweighted sampling， CARS) 和非信息變量剔除(Uninformative variables elimination, UVE) 提取10個公共特征波長。模型試驗結(jié)果表明：采用UVE和CARS方法提取的兩者共同波長作為CNN-LSTM模型的輸入，測試集準確率為94.8%，精確率為93.1%，召回率為93.5%，分別比SVM、CNN和LSTM模型高8.7、5.7、6.4個百分點，6.6、4.7、5.9個百分點和10.1、5.2、3.9個百分點。采用ICP-700T型電感耦合等離子體發(fā)射光譜儀精確測量白菜葉片重金屬含量對結(jié)果進行驗證。采用UVE-CARS特征波長篩選后的CNN-LSTM分類預(yù)測模型用于白菜葉片無損分類監(jiān)測效果最優(yōu)，為蔬菜重金屬的無損分類監(jiān)測提供新方法。

Abstract:

作物病害會嚴重制約作物產(chǎn)量和品質(zhì)，傳統(tǒng)的病害監(jiān)測方法效率低且易受主觀因素影響。高光譜遙感技術(shù)以其高光譜分辨率和客觀真實性在作物病害監(jiān)測中展現(xiàn)出重要潛力。本文利用多生育期冬小麥地面高光譜及田間病情指數(shù)(Disease index, DI)，基于相關(guān)性分析(Correlation analysis, CA)和連續(xù)投影法(Successive projections algorithm,SPA)分別對光譜數(shù)據(jù)進行光譜特征降維，通過構(gòu)建最優(yōu)參數(shù)的競爭性自適應(yīng)重加權(quán)采樣(Competitive adaptive reweighted sampling, CARS)算法優(yōu)選小麥條銹病敏感波段，最后利用偏最小二乘回歸(Partial least squares regression, PLSR)、反向傳播神經(jīng)網(wǎng)絡(luò)(Back propagation neural network, BPNN)和極限學(xué)習(xí)機(Extreme learning machine, ELM)算法建立基于特征光譜的病情指數(shù)模型，比較不同建模方法的建模效果，實現(xiàn)小麥條銹病監(jiān)測。研究結(jié)果表明，不同生育期均顯示小麥條銹病敏感特征波段多集中于近紅外和短波紅外波段，其中挑旗期為842、850、858nm，灌漿期為947、953、1275、1277、1590、1663、1665nm;對比不同建模算法，PLSR模型表現(xiàn)最佳，滿足小麥早期病蟲害監(jiān)測需求，且在病害中期顯示更明顯特征;挑旗期和灌漿期分別以SPA-CARS-MCX和CA-CARS-MSC數(shù)據(jù)構(gòu)建PLSR模型預(yù)測效果最優(yōu)，驗證集R2分別為0.782和0.861，RMSE分別為0.022和0.094，RPD分別為2.140和2.687。本文構(gòu)建算法能夠為不同生育期小麥條銹病監(jiān)測提供參考。

Abstract:

在溫室場景下，針對番茄的表型解析、自主采摘、多模態(tài)聯(lián)合分割等任務(wù)，快速、高精度、低成本地獲取場景深度信息對農(nóng)機視覺系統(tǒng)至關(guān)重要。本研究提出了一種嵌入注意力機制的RGB模態(tài)向深度模態(tài)轉(zhuǎn)換的單目深度估計網(wǎng)絡(luò)(RGB to depth conversion network，RDCN)，以解決傳統(tǒng)算法無法充分挖掘編碼器的特征提取能力、深度估計精度低以及邊界模糊問題。首先以ResNext101替換原來的ResNet101骨干網(wǎng)絡(luò)，提取各個不同層級的特征圖并將其融合到拉普拉斯金字塔分支，強調(diào)特征的尺度差異性并強化特征融合的深入與廣泛性;同時為了增強模型獲取全局信息以及上下文信息交互的能力，引入了置換注意力模塊(Shuffle attention module, SAM)，以減少下采樣過程造成的局部細節(jié)信息丟失;其次，為了改善預(yù)測深度圖的邊界模糊問題，嵌入深度細化模塊(Depth refinement module, DRM)，感知預(yù)測特征圖物體附近的深度變化;實現(xiàn)了溫室場景下番茄植株圖像深度信息的精準預(yù)測。試驗結(jié)果表明，RDCN在測試集上的平均相對誤差、均方根誤差、對數(shù)均方根誤差、對數(shù)平均誤差相比于基準模型分別降低了20.5%、10.3%、8.3%、21.8%，在1.25、1.252、1.253閾值下的準確率分別提高3.2%、1.2%和1.0%;并且網(wǎng)絡(luò)生成的深度圖像視覺上全局完整清晰且有較多的紋理細節(jié);研究表明，RDCN在溫室場景下能夠基于RGB信息獲得高質(zhì)量的深度信息，可為基于單目傳感器的溫室場景農(nóng)機導(dǎo)航以及深度圖像在多模態(tài)任務(wù)中的應(yīng)用提供技術(shù)支持。

Abstract:

為解決作物表型參數(shù)獲取困難且精度不高的問題，以設(shè)施生菜為研究對象，提出了一套高精度、低成本的生菜表型參數(shù)獲取方法。采用具備自動導(dǎo)航、多模態(tài)和多視場成像功能的無人地面車（Unmanned ground vehicle，UGV），進行作物生長信息自動巡航采集。本文設(shè)計的表型分析管道加入了隨機下采樣算法，以增強作物點云數(shù)據(jù)的處理效率，并結(jié)合圖像分割、聚類等算法提取了生菜高度、最大寬度、植被指數(shù)和紋理指數(shù)等多維表型特征。此外，將獲取的多維成像特征參數(shù)與生菜地上生物量實測值進行了皮爾遜（Pearson）相關(guān)性分析，篩選出對地上生物量預(yù)測最敏感的4個特征變量，利用誤差反向傳播算法（Back propagation algorithm，BP）分別構(gòu)建了單一特征和多維特征組合的生物量估測模型。研究結(jié)果表明：本文設(shè)計的表型分析管道處理5000下采樣點云單幀數(shù)據(jù)平均耗時為0.41s，生菜高度、最大寬度估測的R2分別為0.79、0.77，MAPE分別為4.94%、5.02%。相較于其它生物量估測模型，融合了4個特征變量的估測模型（HWVD）最優(yōu)，R2、RMSE和MAPE分別為0.82、4.03g、6.04%。本研究為面向現(xiàn)場的作物表型信息快速、準確、無損檢測提供了一種有效的方法。

Abstract:

針對花生葉片病害在復(fù)雜環(huán)境下相似特征難以準確識別的問題，提出一種基于改進YOLO v8n模型的檢測算法YOLO-ADM。首先，使用ADown模塊代替部分CBS模塊，降低下采樣中的信息損失，減少了模型的參數(shù)量;其次，將可變形注意力（Deformable attention，DA）機制添加到C2f模塊組成C2f-DA結(jié)構(gòu)，替換了SPPF上層的C2f模塊，使模型聚焦到花生葉片病害的特定區(qū)域，準確捕捉其特征;最后，設(shè)計了一種全新的多尺度特征融合網(wǎng)絡(luò)MFI Neck代替了YOLO v8n原有的頸部網(wǎng)絡(luò)，增強了模型對不同尺度特征的融合能力。通過在花生葉片病害數(shù)據(jù)集上進行實驗，結(jié)果表明，改進算法的準確率、召回率、[email protected]和[email protected]:0.95分別達到92.3%、91.0%、95.6%和85.2%，相比原始的YOLO v8n分別提高4.5、0.2、1.6、3.0個百分點，且模型內(nèi)存占用量減少0.65MB，參數(shù)量下降3.70×10.5。本算法在保證模型輕量化的前提下提升了檢測能力，能夠有效滿足復(fù)雜環(huán)境下花生葉片病害的識別需求，為葉片病害的檢測和監(jiān)控提供了技術(shù)參考。

Abstract:

為解決自然環(huán)境下人肉眼鑒定發(fā)病番茄植株效率低、主觀性強的問題，提出一種基于改進YOLO v7的番茄黃化曲葉病毒病分級檢測模型，分別對輕度、中度、重度發(fā)病植株進行檢測。模型在主干網(wǎng)絡(luò)中引入了DCN模塊，以加強對復(fù)雜病變區(qū)域的感知能力;同時，Pconv模塊替換主干網(wǎng)絡(luò)中部分普通卷積，以更高效地提取空間特征，降低冗余計算和內(nèi)存訪問;在檢測頭中引入SimSPPF模塊，極大地減少浮點運算量，提高感受野，增強特征提取能力。經(jīng)測試，改進YOLO v7模型對輕度發(fā)病、中度發(fā)病、重度發(fā)病番茄植株檢測的平均精度分別為97.5%、92.1%和93.6%。改進模型平均精度均值為95.0%，較原模型提升0.8個百分點，參數(shù)量減少8.2×105，浮點運算量減少2.7×1010，模型內(nèi)存占用量減少15.7MB，在保證檢測精度的同時減小模型體量。與Faster R-CNN、YOLOX、YOLO v5l、YOLO v8m模型相比，平均精度均值分別提高11.2、5.7、1.4、8.7個百分點。試驗結(jié)果表明，該模型能夠?qū)崿F(xiàn)對番茄黃化曲葉病毒病的分級檢測識別，為實現(xiàn)番茄種植智能化提供支持。

Abstract:

在同一條生產(chǎn)線上完成柑橘清洗、打蠟、分級等系列商品化處理步驟有利于減少果實損傷，提升果實品質(zhì)，但其中病損柑橘的存在容易造成果間侵染并污染后續(xù)產(chǎn)線。為在產(chǎn)線上料部位剔除病損柑橘，本研究設(shè)計了一種基于深度學(xué)習(xí)和Delta機器人的病損柑橘初篩系統(tǒng)。首先，通過對不同檢測模型對比試驗，選出了檢測精度最高的YOLO v7模型，并結(jié)合DeepSORT跟蹤算法實現(xiàn)了對產(chǎn)線上柑橘的快速、精準跟蹤與檢測;其次，提出了優(yōu)化后的Delta機器人門型軌跡，依據(jù)插補法計算出步進電機精確控制策略;最終，搭建了具備快速定位與抓取能力的篩除裝置樣機，并將其集成到了生產(chǎn)線上。試驗結(jié)果表明，YOLO v7模型F1值為90%，相較于YOLO v5和SSD網(wǎng)絡(luò)分別高出2、4個百分點;設(shè)計的Delta機器人具有較高的定位精度，對同一點的平均定位誤差為1.5mm，滿足抓取的精度要求;病損柑橘平均篩除成功率可達83.25%。因此，本文設(shè)計的設(shè)備在柑橘分揀產(chǎn)線上具有出色的自動篩除能力，能夠有效減輕病損柑橘果間侵染以及污染產(chǎn)線的情況，從而保障柑橘生產(chǎn)線正常運行。

Abstract:

傳統(tǒng)的番茄缺陷檢測主要依賴于人工分揀，存在效率低、漏檢率高等問題。為此，提出了一種改進的YOLO v11番茄缺陷檢測方法TDD-YOLO（Tomato defect detection YOLO），實現(xiàn)對番茄表面白斑、增生、凹陷、裂口、變質(zhì)5種缺陷的自動檢測。首先，融合小波深度可分離卷積模塊構(gòu)建新的HE-Head層，在保持模型輕量化的同時提升模型對小目標的檢測能力（如白斑）;其次，使用WC3k2模塊替換原有C3k2模塊，擴大模型在特征提取階段的感受野，同時使用動態(tài)上采樣方法取代原有的上采樣，實現(xiàn)對模型推理效率的提升和輕量化;最后，使用自適應(yīng)閾值焦點損失函數(shù)加強對樣本的關(guān)注度，提高識別精度。設(shè)計實驗驗證所提方法性能，實驗結(jié)果表明本文所提的TDD-YOLO模型番茄表面缺陷整體識別精度為89.0%、召回率為84.9%、F1分數(shù)為86.9%、平均精度均值為88.0%，識別效果明顯優(yōu)于現(xiàn)有的YOLO系列模型以及Faster R-CNN和EfficientDet模型。此外，TDD-YOLO模型檢測速度為142.89f/s，滿足實時檢測速度要求，為番茄檢測規(guī)范化和工業(yè)化提供重要技術(shù)支撐。

Abstract:

糞便是集約化水產(chǎn)養(yǎng)殖系統(tǒng)中有機廢物的主要來源，排便數(shù)量的增加和時間的延長都會加快養(yǎng)殖水質(zhì)中氨氮、亞硝酸鹽等污染物的積累濃度和速度，因此，排便行為模式對于維持最佳水環(huán)境和確保可持續(xù)的魚類生產(chǎn)至關(guān)重要。為解決傳統(tǒng)排便行為分析費時費力的問題，本研究提出一種基于改進YOLO v7-tiny的高性能、輕量級的魚類排便行為識別模型CDW-YOLO v7。該模型采用基于C2f結(jié)構(gòu)的雙向特征金字塔網(wǎng)絡(luò)（C2f-bidirectional feature pyramid network，C2f-BiFPN）優(yōu)化識別排便行為的多尺度和非線性特征融合能力，同時引入具有注意力機制的動態(tài)檢測頭（Dynamic head，DyHead）以增強模型在復(fù)雜環(huán)境中對魚類排便行為關(guān)鍵特征的提取能力，并結(jié)合WIoU損失函數(shù)，減少因魚類遮擋、重疊等造成的漏檢現(xiàn)象，提高模型的準確性。實驗結(jié)果表明，與基線模型YOLO v7-tiny相比，CDW-YOLO v7模型具有更好的性能，參數(shù)量減少2.56×106，浮點運算量降低5.90×109，同時平均精度均值（mean Average Precision，mAP）提高204個百分點。此外，該模型在模型大小、精度和檢測速度等方面，均優(yōu)于3種經(jīng)典目標檢測算法（YOLO v3-tiny、YOLO v4-tiny和YOLO v5s）。本研究為魚類排便行為的精準檢測和智能化水產(chǎn)養(yǎng)殖系統(tǒng)的發(fā)展提供了理論基礎(chǔ)。

Abstract:

棲息行為是雞只重要的生活習(xí)性，為實現(xiàn)棲架散養(yǎng)環(huán)境下雞只個體行為的快速、準確識別，提出一種融合機器學(xué)習(xí)與超高頻射頻識別技術(shù)的立體式散養(yǎng)雞只棲息行為識別方法。對采集的雞只腳環(huán)標簽的信號強度指示值數(shù)據(jù)經(jīng)過高斯濾波和最大值加權(quán)濾波處理，利用支持向量機算法對信號強度指示值進行分類識別，將個體定位問題轉(zhuǎn)化為多區(qū)域分類問題實現(xiàn)雞只個體定位，從而實現(xiàn)棲息行為分析。試驗結(jié)果表明，雞只個體定位的準確率達到88.8%，平均定位誤差為12.53cm。雞只在夜間棲息時長范圍為9.80~10.67h，每只雞所需棲架長度約為15cm。雞只具有選擇高處棲息習(xí)性，根據(jù)雞只個體棲息行為規(guī)律發(fā)現(xiàn)，雞只在進行棲息行為時更偏好棲架高層兩側(cè)區(qū)域，雞只偏好性因高到低為：高層兩側(cè)、棲架高層中心、低層兩側(cè)、低層中心。

Abstract:

準確估算大閘蟹質(zhì)量對于大閘蟹生長狀況監(jiān)測、養(yǎng)殖密度控制、投餌量確定和產(chǎn)量預(yù)測等具有重要作用。現(xiàn)有大閘蟹質(zhì)量估算方法通常使用單目相機，依賴參照物進行真實體尺校正，且圖像中大閘蟹背甲角度不固定容易導(dǎo)致目標檢測精度低等問題，限制了其在實際養(yǎng)殖環(huán)境中的應(yīng)用。針對上述問題，提出了一種基于旋轉(zhuǎn)目標檢測和雙目視覺的大閘蟹質(zhì)量估算方法。通過雙目相機采集大閘蟹圖像;構(gòu)建基于SSP-YOLO v7（SK-SimCSPSPPF-ProbIoU-YOLO v7）的大閘蟹背甲旋轉(zhuǎn)目標檢測模型，在主干部分引入SK（Selective kernel）注意力機制，使用SimCSPSPPF（Simplified cross stage partial spatial pyramid pooling fast）優(yōu)化空間金字塔池化，使用ProbIoU損失函數(shù)（Probabilistic intersection over union）計算旋轉(zhuǎn)框回歸損失，增強特征提取能力的同時減少計算量，有效提高了旋轉(zhuǎn)目標檢測精度;對大閘蟹雙目圖像進行三維重建，通過歐氏距離公式計算大閘蟹背甲體尺;最后構(gòu)建基于粒子群算法優(yōu)化的PSO-XGBoost（Particle swarm optimization-eXtreme gradient boosting）模型，實現(xiàn)不同性別大閘蟹質(zhì)量估算。在自建數(shù)據(jù)集上進行測試，本文提出的背甲旋轉(zhuǎn)目標檢測模型mAP0.5為99.46%，模型參數(shù)量為7.321×106，浮點運算量為1.6684×1011，幀率為39f/s;基于PSO-XGBoost的質(zhì)量估算模型對于公蟹均方根誤差為8.549g，平均絕對誤差為6.172g，決定系數(shù)為0.946，對于母蟹均方根誤差為6.902g，平均絕對誤差為5.175g，決定系數(shù)為0.955。結(jié)果表明本文方法能夠?qū)崿F(xiàn)大閘蟹質(zhì)量估算，為大閘蟹生長狀況監(jiān)測和智能化養(yǎng)殖提供技術(shù)支持。

Abstract:

針對Cartographer算法在室內(nèi)重定位時魯棒性差和耗時長等問題，提出一種利用語義信息改進Cartographer算法的重定位方法，以提高機器人在室內(nèi)場景下的重定位性能。首先，通過RGB-D相機與深度學(xué)習(xí)技術(shù)提取機器人所處環(huán)境中的語義物體信息，并對語義信息進行點云映射，然后將提取的語義點云映射信息與基于Cartographer算法構(gòu)建的柵格地圖通過投影轉(zhuǎn)換進行融合，構(gòu)建出完整的二維語義柵格地圖，再將提取的語義信息構(gòu)建語義物體關(guān)系鏈表。在機器人進行重定位時，利用語義柵格地圖提供的語義信息給予機器人一個先驗位姿，從而縮小Cartographer算法匹配范圍，減少算法迭代次數(shù)，實現(xiàn)機器人快速重定位。最后，搭建真實室內(nèi)場景進行實驗驗證，結(jié)果表明，本文算法相比于原始Cartographer算法和AMCL算法，在相似場景下實時性分別提高49.78%、78.27%，在退化場景下實時性分別提高76.18%、83.96%，重定位成功率平均提升75%以上。此外，所構(gòu)建的二維語義柵格地圖可支持語義導(dǎo)航與規(guī)劃，在服務(wù)機器人等場景中具有應(yīng)用潛力。

Abstract:

為提高運輸機器人在導(dǎo)航中的自主性和安全性，需要進行有效合理的路徑規(guī)劃。本研究提出了一種改進型AFD（A* Fuzzy-DWA）融合算法，以解決經(jīng)典A*算法在運輸機器人路徑規(guī)劃中存在的問題，如搜索時間長、路徑冗余、拐點多且不平滑、動態(tài)避障能力不足等。該算法通過設(shè)計障礙率評價指標優(yōu)化評價函數(shù)以減少搜索時間和遍歷節(jié)點，進而設(shè)計Smooth Floyd方法簡化全局路徑，并采用圓內(nèi)切平滑策略進一步優(yōu)化路徑，最后設(shè)計評價函數(shù)權(quán)重模糊推理方法提高局部路徑規(guī)劃效率，從而實現(xiàn)全面的路徑優(yōu)化。仿真實驗結(jié)果表明，與對比算法相比，AFD算法在靜態(tài)和動態(tài)環(huán)境下的全局及局部路徑長度和運行時間均顯著減小。實際場景驗證進一步證實了該算法在提升運輸機器人自主導(dǎo)航能力和安全性方面的有效性。

Abstract:

水空兩棲傾轉(zhuǎn)多旋翼無人船在多魚塘環(huán)境進行水空跨域作業(yè)時受到復(fù)雜多變的水面流體力影響，導(dǎo)致船體姿態(tài)和飛行高度易發(fā)生較大波動。為了提高無人船水面起飛時的姿態(tài)穩(wěn)定性，提出了一種基于模型補償?shù)木€性自抗擾水面起飛控制方法。首先對無人船多模態(tài)進行詳細的動力學(xué)建模;其次考慮水面起飛過程的姿態(tài)變化，建立了基于無人船實時姿態(tài)的水面張力估算模型、浮力估算模型;最后設(shè)計了基于模型補償?shù)木€性自抗擾控制器。仿真結(jié)果表明，本文方法較PID算法橫滾方向收斂時間減少66.7%，波動減少98.3%;在無人船前進（x軸）方向收斂時間減少34.0%;高度收斂時間減少41.2%，波動減少80.0%。實驗結(jié)果表明，無人船實現(xiàn)了飛行高度為1.2m時，橫滾角波動小于3°，俯仰角波動及偏航角波動小于2°的水面起飛。該研究提出的控制算法有效提高了水空兩棲傾轉(zhuǎn)多旋翼無人船在水空跨域過程中的安全性和抗擾能力。

Abstract:

為研究冬小麥在不同施氮水平下的調(diào)虧灌溉效應(yīng)，于2021—2022年在黃淮海平原的河南省新鄉(xiāng)縣開展大田試驗，設(shè)置3個施氮水平：N1（120kg/hm2）、N2（240kg/hm2）和N3（360kg/hm2），在拔節(jié)-抽穗期設(shè)置3個調(diào)虧水平：中度調(diào)虧（灌水量18mm，M）、輕度調(diào)虧（灌水量24mm，L）和對照（灌水量30mm，CK）。結(jié)果表明：冬小麥旗葉凈光合速率（Pn）受到調(diào)虧和施氮水平的顯著影響，復(fù)水后各處理Pn均表現(xiàn)出不同程度的補償增長效應(yīng)，補償效應(yīng)隨施氮量增加而增強，N3M、N3L處理表現(xiàn)出超級補償效應(yīng)，與復(fù)水前相比分別增長42.5%和32.4%。花期地上部干物質(zhì)量、成熟期地上部營養(yǎng)器官干物質(zhì)量均隨施氮量增加而增大，成熟期地上部營養(yǎng)器官干物質(zhì)量隨灌水量增加而增大。而輕度調(diào)虧能夠促進花期地上部干物質(zhì)積累和干物質(zhì)向籽粒方向轉(zhuǎn)移，促進植株氮素、穗氮素積累，進而提高冬小麥產(chǎn)量、水分利用效率（WUE）和氮肥偏生產(chǎn)力（NPFP）;運用Mintab 15.1軟件建立冬小麥產(chǎn)量、WUE、NPFP與施氮量、灌水量的二次回歸方程，計算得出當(dāng)施氮量為214.6kg/hm2、灌水量為166.6mm時，冬小麥產(chǎn)量為10.9731kg/hm2，WUE為2.7kg/m3，NPFP為52kg/kg，復(fù)合合意性最高為0.7，綜合效益符合預(yù)期目標。因此，施氮量214.6kg/hm2結(jié)合拔節(jié)-抽穗期進行輕度水分調(diào)虧，能使冬小麥保持較高產(chǎn)量和水氮利用效率，可作為該地區(qū)適宜的冬小麥調(diào)虧灌溉模式。

Abstract:

北方農(nóng)田排水溝中氮磷含量高，是下游水體富營養(yǎng)化的主要來源，為了提高排水溝中氮（N）、磷（P）去除效果，在內(nèi)蒙古河套灌區(qū)通過盆栽試驗，針對排水溝中3種氮磷濃度（低、中、高）設(shè)置蘆葦、香蒲與蘆葦+香蒲3種植物組合模式，每種模式水生植物設(shè)3種種植密度（15、30、50株/m2），包括空白對照共30個處理。研究了植物組合模式和種植密度對不同排水濃度氮磷去除的影響，并基于熵權(quán)TOPSIS模型對不同處理去除效果進行了綜合評價。結(jié)果表明，針對不同氮磷濃度水體，單一水生植物與組合水生植物在不同種植密度下對水體中總氮（TN）、總磷（TP）均具有較高去除效率，其中組合模式下對TN平均去除率比單一采用蘆葦和香蒲分別提高7.41、15.61個百分點，TP平均去除率分別提高11.71、19.32個百分點。另外，水生植物對TN、TP去除率與種植密度呈正比，相比種植密度15、30株/m2，高密度種植（50株/m2）對TN平均去除率分別提升4.75、1.61個百分點，TP平均去除率分別提升6.58、2.64個百分點。同時，3種組合模式對TN、TP去除率與水體濃度呈正相關(guān)關(guān)系，其中高氮磷濃度下水生植物對TN平均去除率比中、低氮磷濃度分別提高2.78、18.56個百分點，TP平均去除率分別提高4.24、10.63個百分點。通過熵權(quán)TOPSIS評價顯示，在低、中、高氮磷濃度下組合模式蘆葦+香蒲按照低密度（15株/m2）種植時綜合評價最高，氮磷去除率與經(jīng)濟成本綜合效益最優(yōu)。研究結(jié)果對北方農(nóng)田排水溝應(yīng)用蘆葦與香蒲植物修復(fù)具有指導(dǎo)作用。

Abstract:

近年來，農(nóng)田微塑料污染嚴重，對土壤健康及農(nóng)作物安全產(chǎn)生了極大風(fēng)險。為探究微塑料對土植系統(tǒng)的影響程度，采用水稻栽培試驗，設(shè)置不同質(zhì)量分數(shù)（0、0.5%、1.5%）和不同粒徑（150、500μm）的低密度聚乙烯微塑料（Low density polyethylene，LDPE）處理，探究LDPE對土壤養(yǎng)分含量、水稻生長和生理特性的脅迫情況。結(jié)果表明：微塑料增加水稻生長前中期（返青期、分蘗期和拔節(jié)期）表層（0~10cm）和中層（10~20cm）土壤總有機碳（TOC）含量6.06%~43.24%，降低后期（抽穗期和黃熟期）TOC含量6.10%~20.53%，深層土壤（20~30cm）變化趨勢與之相反，同時，可顯著降低不同土層土壤全氮（TN）含量5.23%~53.73%和全磷（TP）含量2.01%~24.66%。微塑料促進水稻前期株高3.42%~18.32%，抑制中后期水稻株高1.90%~13.96%，減少水稻產(chǎn)量7.80%~24.83%。微塑料顯著降低水稻凈光合速率（Pn）6.36%~40.46%、氣孔導(dǎo)度（Gs）3.40%~67.36%和胞間CO2濃度（Ci）3.66%~21.86%，并顯著增加蒸騰速率（Tr）10.79%~82.37%和飽和水汽壓差（VPD）14.16%~109.60%，葉片蒸騰速率受到葉片VPD和Gs的協(xié)同影響，Gs減少使得水蒸汽難以從葉肉細胞擴散到氣孔表面，而VPD增加極大地迫使水蒸汽從葉片表面擴散到周圍環(huán)境，VPD的促進效果遠大于Gs的抑制效果，最終出現(xiàn)Gs與Tr趨勢相反的情況。此外，微塑料降低葉綠素a含量0.27%~3.48%，葉綠素b含量0.36%~3.92%，總?cè)~綠素含量0.59%~3.47%。研究結(jié)果可為微塑料對土壤健康及水稻生長脅迫效應(yīng)提供數(shù)據(jù)支撐和科學(xué)依據(jù)。

Abstract:

為實現(xiàn)溫室作物灌溉管理的便利化，構(gòu)建了基于室外氣象信息估算溫室通風(fēng)期室內(nèi)參考作物蒸發(fā)蒸騰量（Reference evapotranspiration, ETo）模型。于2020、2021年5—6月在塑料大棚牧草栽培條件下開展試驗研究，利用Penman-Monteith（PM）方程計算了溫室內(nèi)部和外部ETo，并分析了溫室內(nèi)外ETo的輻射分量（Radiative component ofETo, ETo,rad）和平流分量（Advective component ofETo, ETo,adv）變化特征，通過引入輻射透射率τ和風(fēng)速衰減率ω分別對方程中的輻射分項方程和平流分項方程進行了改進，構(gòu)建了基于室外氣象信息估算室內(nèi)ETo簡易模型。結(jié)果表明：溫室內(nèi)平均ETo、ETo,rad和ETo,adv較室外分別減少45.6%、17.1%和94.0%;試驗期間輻射分量衰減因子ζrad、平流分量衰減因子ζadv和總通量衰減因子ζo總體上表現(xiàn)為ζrad>ζo>ζadv，2年平均ζrad較ζo和ζadv分別高23.1%～33.3%和90.1%～93.3%。ζrad與τ以及ζadv與ω之間存在極顯著線性關(guān)系（P<0.01），決定系數(shù)（R2）分別為0.74和0.90，平均絕對誤差（MAE）分別為0.07和0.04，均方根誤差（RMSE）分別為0.09和0.05。構(gòu)建的基于室外氣象信息估算室內(nèi)ETo簡易模型方程包括室外凈輻射、空氣溫度、水汽壓差和風(fēng)速4個氣象因子以及τ、ω 2個溫室特征因子，通過與實測結(jié)果比較發(fā)現(xiàn)模型精度穩(wěn)健，R2為0.96，MAE和RMSE分別為0.17、0.22mm/d。該模型精度高、參數(shù)少、易獲取，為溫室群灌溉管理便利化提供了方法參考。

Abstract:

當(dāng)前農(nóng)業(yè)溫室發(fā)展中存在設(shè)施使用年限過長、設(shè)備老化、分布及數(shù)量不明，以及部分新建溫室選址不合理等問題，導(dǎo)致資源利用效率低下，難以形成高效集約化生產(chǎn)區(qū)域。為解決上述問題，本研究基于谷歌地球引擎（Google Earth Engine，GEE）平臺，利用Landsat 5 TM和Sentinel-2 MSI影像，采用隨機森林、支持向量機和最大似然分類算法，提取山東省近15年農(nóng)業(yè)溫室的空間分布，并對其使用年限進行分析。進而結(jié)合自然和社會經(jīng)濟因素，從高程、河流、土壤有機質(zhì)、道路和人口5個方面進行驅(qū)動力分析，摸清主導(dǎo)因素;最后對農(nóng)業(yè)溫室發(fā)展?jié)摿M行定量評價，并提出優(yōu)化布局方案。結(jié)果表明：整體上隨機森林算法的分類精度最高，總體精度始終保持在83.45%~92.83%，卡帕系數(shù)在0.7531~0.8846，表現(xiàn)出更強的魯棒性和適應(yīng)性。山東省農(nóng)業(yè)溫室面積由2008年的100440hm2增長至2023年的473306.67hm2，增幅約471%。使用10年以上的老舊大棚面積為70606.67hm2，15年以上的農(nóng)業(yè)溫室為29493.33hm2;農(nóng)業(yè)溫室發(fā)展受政策、現(xiàn)代化路網(wǎng)及土壤有機質(zhì)的影響較大;基于潛力評價確定了魯中（以壽光市和張店區(qū)為中心）、魯東（以平度市和萊西市為中心）和魯南（以蘭陵縣和薛城區(qū)為中心）3個農(nóng)業(yè)溫室發(fā)展?jié)摿^(qū)。全省可按核心發(fā)展區(qū)、建議發(fā)展區(qū)、改造轉(zhuǎn)移區(qū)和一般發(fā)展區(qū)優(yōu)化布局，核心發(fā)展區(qū)以壽光為中心，重點擴建現(xiàn)代化溫室;建議發(fā)展區(qū)集中在魯中、魯東、魯南部分地區(qū)，如平度、蘭陵等地，通過適度新建溫室形成核心發(fā)展地區(qū);改造轉(zhuǎn)移區(qū)位于濰坊、聊城等老舊溫室密集區(qū)，需升級改造或逐步轉(zhuǎn)移;一般發(fā)展區(qū)分布廣泛，以生態(tài)保護和特色農(nóng)業(yè)為主。研究結(jié)果可為農(nóng)業(yè)溫室優(yōu)化布局提供數(shù)據(jù)和決策支撐，助力鄉(xiāng)村振興。

Abstract:

氮氧摻雜改性對于提升生物炭氨氮吸附回收性能效果顯著，但氮氧摻雜位點對氨氮的增強吸附行為與機制還有待進一步明晰。從分子原子尺度出發(fā)，借助密度泛函理論（DFT）計算，通過構(gòu)建不同氮氧摻雜結(jié)構(gòu)的生物炭氨氮吸附體系，研究不同氮氧賦存形態(tài)對氨氮的吸附行為與機制機理。計算結(jié)果表明,未摻雜的碳骨架結(jié)構(gòu)與NH+4間的吸附能為4.65kJ/mol，經(jīng)過氮氧摻雜之后，吸附能提升至原值的2.59~14.81倍，吸附效果提升明顯。同時，從摻雜位置影響來看，同一基團在不同摻雜位置的吸附差異不大，吸附能在1.09~8.49kJ/mol之間變化。此外，進一步解析不同賦存形態(tài)氮氧基團的NH+4吸附機制發(fā)現(xiàn)，氮氧單摻雜中，氧化氮和羰基的吸附效果最強，是氫鍵和范德華力協(xié)同作用的結(jié)果。氮氧基團共摻雜吸附效果提升至原值的4.7~9.8倍，吸附能力介于氮氧單摻雜之間。其中羰基和氧化氮基團共摻雜由于發(fā)生競爭吸附，使得共摻雜結(jié)構(gòu)對NH+4的吸附效果減弱。最后，不同氮氧改性生物炭的氨氮吸附效能實驗，有效驗證了上述理論計算與分析結(jié)果的合理性。

Abstract:

針對膜分離法回收谷朊粉加工廢水中的蛋白質(zhì)時極易出現(xiàn)的膜污染問題，提出了一種基于雙向長短時記憶網(wǎng)絡(luò)（Bi-directional long short-term memory, BiLSTM）的權(quán)重組合模型用于對膜污染狀況的預(yù)測。以谷朊粉加工廢水提取回收中試生產(chǎn)線采集的14個相關(guān)變量作為輸入，以膜通量變化量作為輸出，建立支持向量機模型（Support vector machine, SVM）、反向傳播神經(jīng)網(wǎng)絡(luò)模型（Back propagation, BP）、隨機森林模型（Random forest, RF）、廣義回歸神經(jīng)網(wǎng)絡(luò)模型（Generalized regression neural network, GRNN）4種基準模型和BiLSTM模型1種給定模型，通過誤差倒數(shù)法計算基準模型與給定模型的權(quán)重，構(gòu)建權(quán)重組合預(yù)測模型;最后以決定系數(shù)R2和均方誤差（MSE）為評價指標，分析單項模型與權(quán)重組合模型的預(yù)測性能。結(jié)果表明，權(quán)重組合模型能夠綜合單項模型優(yōu)點，在性能上顯著優(yōu)于單項模型;其中BP+BiLSTM+RF模型R2高達0.9906，具有較高的擬合精度;MSE為1.004L2/(h2·m4)，在所有模型中最低，相較BP、BiLSTM和RF單項模型，分別降低46.05%、67.24%、50.81%。所開發(fā)的權(quán)重組合模型可用于谷朊粉加工廢水蛋白回收處理時膜污染程度精確預(yù)測。

Abstract:

為解決高地隙植保機因自身重心過高和受田間不平整地面導(dǎo)致車身穩(wěn)定性變差、易傾覆等問題，本文以高地隙植保機車身姿態(tài)為研究對象，設(shè)計開發(fā)了一款高地隙植保機車身姿態(tài)調(diào)控系統(tǒng)。首先基于運動學(xué)解析理論建立各支撐點到達車身水平位置時液壓缸位移與傾角變化的運動學(xué)模型;其次設(shè)計四點獨立調(diào)控液壓系統(tǒng)，對關(guān)鍵參數(shù)進行計算，匹配選型相應(yīng)的液壓元件;然后運用RecurDyn和AMESim軟件對車身姿態(tài)調(diào)整情況進行機械-液壓仿真，仿真結(jié)果表明，在縱坡和橫坡工況下，最大俯仰角偏差為0.19°，最大側(cè)傾角偏差為0.1°，響應(yīng)時間為4.25s;翻越高度200mm田埂時最大俯仰角偏差為0.28°，最大側(cè)傾角偏差為0.17°。最后開展了樣機性能試驗。試驗結(jié)果表明，橫坡與縱坡工況下最大側(cè)傾角偏差為0.12°，最大俯仰角偏差為0.36°，調(diào)節(jié)角度絕對值均小于0.5°，越埂過程中俯仰角95%以上的時間保持在±0.5°以內(nèi)，受地形影響較小。樣機試驗結(jié)果曲線與仿真結(jié)果曲線相符合，驗證了姿態(tài)調(diào)控系統(tǒng)的有效性，為研究農(nóng)業(yè)機械底盤姿態(tài)調(diào)節(jié)系統(tǒng)提供了理論參考。

Abstract:

針對丘陵山地果園勞動強度大、生產(chǎn)效率低、機械化程度低等問題，設(shè)計了一種液壓控制、機械傳動的丘陵山地果園動力底盤。首先對整機的液壓控制系統(tǒng)和傳動原理進行闡述;其次根據(jù)丘陵山地果園動力底盤的工作需求，對動力底盤的靜液壓傳動裝置（HST）、懸掛提升裝置、液壓驅(qū)動系統(tǒng)等關(guān)鍵部件進行設(shè)計和匹配選型，利用AMESim仿真軟件建立液壓系統(tǒng)模型，對液壓系統(tǒng)進行結(jié)構(gòu)設(shè)計和仿真分析，確定該系統(tǒng)馬達轉(zhuǎn)速為129r/min，馬達排量為35.2L/min;雙聯(lián)泵前泵、后泵排量分別為10mL/r和6mL/r，工作壓力為25MPa。最后進行整機性能試驗。整機性能試驗結(jié)果表明，動力底盤直線行駛偏移率為1.9%，滿足相應(yīng)國家標準要求（≤6%）。整機行走速度為5km/h，最小轉(zhuǎn)彎半徑1.08m，最大爬坡角度27°，掛載機具最大提升角30°，后懸掛裝置響應(yīng)速度為1s，動力底盤轉(zhuǎn)向性能良好，可適應(yīng)丘陵山地果園狹窄的坡地作業(yè)環(huán)境。掛載旋耕機進行旋耕作業(yè)時，耕寬穩(wěn)定性系數(shù)和耕深穩(wěn)定性系數(shù)分別為98.9%和96.4%，滿足國家標準要求（≥85%）。丘陵山地果園履帶式底盤液壓控制系統(tǒng)符合山地果園履帶拖拉機的設(shè)計標準。

Abstract:

鑒于當(dāng)下的氣候變化與能源危機，發(fā)展具有高效、清潔等優(yōu)點的氫燃料電池車輛為一條有效途徑。為匹配電堆功率130kW車載氫燃料電池，設(shè)計了額定壓比2.8、質(zhì)量流量130g/s、轉(zhuǎn)速88000r/min的兩級氣浮軸承離心空壓機。構(gòu)建了兩級離心空壓機一般通流模型和泄漏通流模型，進行了兩類通流模型數(shù)值模擬與對比分析;對泄漏通流模型的葉輪背腔厚度與形狀、環(huán)形密封齒幾何數(shù)量與結(jié)構(gòu)參數(shù)進行了研究，并在改進的離心空壓機綜合性能實驗臺對整機進行了性能測試與驗證。研究結(jié)果表明，增加泄漏流道后的通流模型在設(shè)計工況下壓比誤差由10.63%降至5.11%，適當(dāng)減小葉輪背腔厚度和增大密封齒軸向尺寸能減少氣體泄漏，該兩級氣浮軸承離心空壓機葉輪結(jié)構(gòu)強度能滿足超高速運轉(zhuǎn)要求，且在設(shè)計工況下等熵效率可達73.30%，最高穩(wěn)定轉(zhuǎn)速可達95000r/min。

Abstract:

冗余串聯(lián)機器人具有工作空間大、動態(tài)特性好等優(yōu)點，廣泛用于人機協(xié)作。由于人機協(xié)作具有場景非結(jié)構(gòu)化、工作任務(wù)多樣化等特點，為保障交互安全性，需要對機器人末端剛度進行控制。針對常用的剛度規(guī)劃算法存在功率傳遞效率低且計算效率低等問題，本文提出一種基于運動/力傳遞性能笛卡爾剛度規(guī)劃器。其采用順序最小二乘優(yōu)化算法計算機器人工作軌跡，引入局部傳遞指標以提升軌跡中的功率傳遞效率，同時通過基于剛度橢球的幾何成型法降低優(yōu)化目標復(fù)雜度，通過拓展臂角描述法降低優(yōu)化空間維度，提升優(yōu)化算法計算效率，減少計算資源占用。基于Matlab的Simulink平臺進行仿真驗證，結(jié)果證明基于幾何成型法的高效軌跡規(guī)劃器對于機器人笛卡爾軌跡的不變性，并基于Franka Panda冗余串聯(lián)機器人平臺進行實驗驗證，結(jié)果證明該規(guī)劃器實現(xiàn)機器人末端期望剛度方向的可行性。

Abstract:

針對3-PRS并聯(lián)機構(gòu)耦合性強、干擾難以控制等問題，對該機構(gòu)進行動力學(xué)解耦與控制。首先建立機構(gòu)逆向運動學(xué)模型，推導(dǎo)出末端動平臺位姿與輸入滑塊高度間的運動方程;分析機構(gòu)中各運動構(gòu)件動能和勢能，得出機構(gòu)拉格朗日動力學(xué)方程，分析在無重力環(huán)境以及正常重力環(huán)境中驅(qū)動力對末端動平臺位姿的影響，并進行理論模型與數(shù)值仿真對比，其結(jié)果驗證了動力學(xué)模型一致性和正確性;構(gòu)建面向逆向動力學(xué)模型狀態(tài)空間方程，研究3-PRS并聯(lián)機構(gòu)李導(dǎo)數(shù)表達式，實現(xiàn)狀態(tài)空間方程反饋線性化解耦，并對狀態(tài)空間解耦模型進行仿真，搭建3-PRS并聯(lián)機構(gòu)實驗平臺，驗證了提出方法的有效性;基于完全解耦與積分滑模設(shè)計3-PRS并聯(lián)機構(gòu)控制器，仿真實驗驗證了該控制器的有效性。結(jié)果表明，設(shè)計的控制器不僅能夠解耦其動力學(xué)模型，且在干擾、輸入驅(qū)動力為時變情況下能夠跟蹤預(yù)期軌跡，具有較強的魯棒性。