无人机航摄技术在土地整治项目中的应用探究

针对传统土地整治项目施工监管、后期监测效率不高的问题,本文通过低空无人机航摄和PhotoScan软件后期处理,对比生成的正射影像图和Google earth卫星图的分辨率和位置,发现该影像图能精准、高效地表征项目区影像数据变化,得到一种可用于土地整治项目各阶段动态观测的简单、快捷方法,以期为土地整治项目的发展提供参考。     

基于无人机航摄技术在土地整治项目中的应用研究

针对传统土地整治项目施工监管、后期监测效率不高的问题,本文通过低空无人机航摄和PhotoScan软件后期处理,对比生成的正射影像图和Google earth卫星图的分辨率和位置,发现该影像图能精准、高效的表征项目区影像数据变化,从而得到一种可用于土地整治项目各阶段动态观测的简单、快捷方法。     

刈割次数对苜蓿相关表型性状与饲草产量的影响

试验选取4份苜蓿材料,设4次刈割处理,观察测试表型性状及干物质的变化动态,并用DPS7.05数据处理系统对各性状指标与饲草产量的关系进行计算分析,以探讨刈割次数对苜蓿表型性状及饲草产量的影响,为高效优质生产提供依据。结果表明,刈割频度显著影响苜蓿越冬率(P<0.05),苜蓿株高、茎粗、茎叶比、分枝数等指标均随刈割次数增加呈明显降低趋势,其中WL525苜蓿首次刈割与其他3次刈割时的株高、茎粗均呈现显著性差异(P<0.05),茎叶比差异性不显著(P>0.05);而苜蓿饲草产量则随刈割次数增多而增加,与刈割1次的情况相比,WL525苜蓿刈割4次后产量增量最多,达1885kg/hm₂;4次刈割后试验材料饲草总产量从高到底的次序依次为WL525>WL903>赛迪>惊喜。全部材料中与饲草产量关联度最大的指标为株高和茎粗,其中株高与惊喜苜蓿饲草产量的关联系数最大,达0.3751;茎粗与WL525苜蓿、WL903苜蓿饲草产量的关联系数最大,分别为0.2854、0.1944。     

履带式联合收割机割台结构设计及模态分析

水稻联合收割机割台是收获作业的主要工作部件,割台性能的好坏直接影响着收获质量。针对收割机在作业时,割台部件普遍存在振动强烈、无故障工作时间短及性能不稳定等问题,通过Pro/E设计并建立了水稻联合收割机割台的三维模型,并利用ANSYS有限元分析软件对割台结构进行模态分析,分别求解得到了割台部件前8阶模态振型及其固有频率,并通过分析割台结构的模态与振动的内在联系,得到最大振动区及割台部件之间振动关系。通过研究,可为现有水稻联合收割机结构优化设计提供参考依据。     

刈割干扰对羊草草甸草原植物功能群及多样性的影响

【目的】 刈割是草原主要利用方式之一,植物功能群和群落物种多样性是判别干扰条件下草地生态系统退化的重要生态学指标。研究不同刈割干扰下羊草草甸草原植物功能群和群落物种多样性的变化,了解刈割干扰下草原功能群与多样性变化过程和机制,为退化割草地生态恢复提供理论依据。【方法】 以呼伦贝尔羊草草甸草原时空刈割配置为试验平台,于2014—2018年植物生长最旺盛的季节（即每年8月初）,采用样方法对各个小区进行群落植被调查。分析一年一割（G1）、两年一割（G2）、漏割带10 m（G3）、漏割带5 m（G4）和对照（CK）处理下草甸草原群落功能群和物种多样性变化以及刈割时间和不同刈割处理间的交互作用,探讨植物功能群与群落物种多样性的相关关系。【结果】 研究发现羊草（Leymus chinensis）在不同刈割制度下均为优势物种,但是随着刈割频次的增加呈现出羊草重要值逐渐降低,退化指示物种星毛委陵菜（Potentilla acaulis）、披针叶黄华（Thermopsis lanceolate）等重要值增加的趋势;两年一割处理下羊草、糙隐子草（Cleistogenes squarrosa）、长柱沙参（Adenophora stenanthina）、柴胡（Bupleurum scorzonerifolium）和草地早熟禾（Poa ratensis）等植物重要值均高于其他处理。一年一割和常年不刈割处理下草地植物禾本科和豆科植物重要值所占比例减少,以退化植物居多的菊科和莎草科植物所占比例增加,在漏割带为10 m处理草地的豆科植物增加;刈割处理5年后,不同刈割制度下植物群落物种多样性指数均有增加,其中漏割带为10 m处理Shannon-Wiener多样性和Simpson优势度指数增加明显。5个刈割处理均匀度指数变化趋势不同,其中G3和G4处理草地的群落均匀度有增加的趋势,分别增加16%和5.8%,G1、G2和CK草地群落均匀度指数下降,其中G1下降最大（下降了1.8%）,其次是CK（下降1.6%）,G2草地下降最少。植物群落物种多样性指数变化分析表明经过5年不同刈割处理,漏割带10 m处理的草地植物群落物种多样性提高。群落物种多样性指数与植物功能群禾本科重要值存在极显著负相关关系,与毛茛科和菊科重要值呈现显著正相关关系。【结论】 长期高频度刈割会导致草原退化,同样对草原长期不利用也会致使草原发生逆行演替;两年一割和漏割带为10 m的连年刈割均可以缓解群落中禾本科等优势植物比例下降,促进毛茛科植物比例增加;经过5年的不同刈割处理,漏割带为10 m的刈割处理植物群落物种多样性有所提高,即对草原进行适度刈割干扰（两年一割和漏割带10 m）有利于草原的可持续发展。     

割茎对党参产量和含量的影响

在生长期对潞党参地上部分进行割茎，保留地上部分高度20cm，于秋季10月20日至11月30日采挖，观察各处理对产量和含量的影响。结果表明：9月25日对党参地上部分割除，地上部分距离地面保留20cm，10月20日-11月20日采挖，党参产量、根长、根粗、根重较对照都有所提高，其中10月20日产量较对照增加率最高，产量提高5.71%；10月20日根长增加最多为19.68%，10月30日根径增加25.67%，根重增加14.00%，浸出物提升2.80%。     

基于YOLO v3与图结构模型的群养猪只头尾辨别方法

在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。     

二维空间多点动态目标Voronoi图生成算法研究

提出了一种多点动态目标Voronoi图构建方法,在二维空间内实现随机分布100个以上的动态目标,根据目标分布动态生成其Voronoi图,并用代码实现给出动态目标完整的图形化表示及坐标表达。实验结果表明,算法构建的Voronoi图能适应目标点动态变化、精度更高,具有更符合真实空间状态的数据建模能力,可为Voronoi图相关应用研究提供借鉴。     

质量控制图在兽药残留检测中的应用

质量控制图是由沃特·休哈特在1928年率先提出的,在后世的各项研究中得到了广泛应用,也得到了大众的认可。质量控制图初期集中用在工业生产的质量控制,现在主要应用在分析实验中,对检测品质量的优劣进行控制。