长期施肥对土壤有机碳和无机碳的影响

利用18年长期定位试验,研究了在不同施肥条件下,土壤有机碳和无机碳在0~50 cm土层分布特征。结果表明,施肥对土壤有机碳的影响随着土层深度的增加而下降,0~7.5 cm土层的土壤有机碳比7.5~15 cm、15~30 cm、30~50 cm分别增加了4.6%、22.0%、63.1%,而无机碳含量随着土层深度的增加而增加,与有机碳的变化规律正好相反。不同种类的肥料对土壤有机碳的影响也不相同,化肥、有机肥长期配合施用和长期施用有机肥可以在0~30 cm土层增加土壤有机碳含量,降低土壤中的无机碳含量,而长期单施化肥对土壤的有机碳和无机碳含量无明显差异。     

元阳梯田水源区印度木荷水分来源分析

【目的】分析元阳梯田水源区优势乔木印度木荷的水分来源,为元阳梯田水源区水分利用及可持续发展提供科学依据。【方法】测定元阳梯田水源区降水、地下水、印度木荷茎干水及土壤水的δD值,采用氢氧同位素技术结合IsoSource模型对印度木荷的水分来源进行定量分析。【结果】得到不同潜在水源及印度木荷茎干水的同位素特征,印度木荷林下土壤水的δD值在-172.73‰～-37.37‰,δ~(18)O在-23.27‰～-5.43‰;地下水的δD值在-71.35‰～-53.46‰,δ~(18)O在-10.67‰～-7.09‰;降水的δD值在-68.68‰～-53.46‰,δ~(18)O在-9.74‰～-7.09‰;印度木荷茎干水的δD值在-89.55‰～-50.15‰,δ~(18)O值在-12.78‰～-5.29‰。【结论】在5月、11月前期降雨较少的情况下,地下水对印度木荷的平均贡献率高达60.7%,土壤水的贡献较小,说明在少雨的季节,印度木荷主要利用的是地下水,对土壤水的利用较少;7-8月降雨充足时,地下水与深层土壤水对印度木荷的贡献占主导地位,总的平均贡献率地下水为41.9%,40～100 cm土壤水为19.12%。说明印度木荷对地下水有较强的依赖性,即使是在雨季有较强降水补给的情况下,在利用深层土壤水的同时,地下水仍是主要水分来源,为印度木荷提供较为稳定的长期水分供应。     

巡检机器人获取柑橘树上果实完整表面信息方法研究

为监控柑橘的生长情况,提出了一种通过巡检机器人获取单个柑橘果实完整表面信息的方法。使用LabelMe为标记工具,采用类圆形和类长方形分别对柑橘果实和分段枝干进行标记,再使用Mask R-CNN模型对其进行训练与识别,可从Kinect V2相机拍摄的含有深度信息的图像中提取出柑橘果实及分段枝干的三维信息。根据柑橘果实生长情况及发生病虫害情况,〖JP2〗对柑橘果实表面进行区域化划分,并采取积分制描述其表面信息获取率。通过机械臂末端连接的CCD相机对柑橘果实进行表面信息获取,提出了获取柑橘完整表面信息的3种机械臂拍摄方案。搭建了巡检机器人实验平台,在机器人操作系统(Robot operating system,ROS)下进行了仿真,提出实验室环境下柑橘表面信息的获取流程,并在实验室环境下对巡检机器人获取柑橘完整表面信息进行了实验验证。实验结果表明,柑橘果实的横纵径比越接近1,拍摄所获取的柑橘外表面信息越完整,当采用3个拍摄位姿的拍摄方案时,在保证获取柑橘表面完整率的同时可以获得较高的避障成功率和工作效率,柑橘表面信息获取率可达94.21%,〖JP3〗机械臂平均运动时间为86.57s。本研究为农业巡检机器人获取柑橘表面情况、监控柑橘生长及病虫害信息提供了方法。     

辽东湾叶绿素a与营养盐分布特征的数值模拟

为探究辽东湾海域内叶绿素a与营养盐的时空分布特征及相互作用机理,基于数值模拟(Delft3D)方法构建了叶绿素a (Chl-a)、溶解氧(DO)、氨氮(NH₄⁺-N)、硝酸盐氮(NO₃^--N)和活性磷酸盐(PO₄^3--P)等生态指标在辽东湾海域的生态动力学模型(Delft3D-ECO),并在验证模型的基础上分析了叶绿素a等生态指标浓度在辽东湾海域的时空变化和分布情况。结果表明：在季节变化上,叶绿素a质量浓度表现为秋季(4.83μg/L)>夏季(4.13μg/L)>春季(3.39μg/L),DO质量浓度表现为春季(9.41 mg/L)>夏季(7.26 mg/L)>秋季(5.84 mg/L),NO₃^--N质量浓度表现为春季(0.76 mg/L)>秋季(0.56 mg/L)>夏季(0.50 mg/L),NH₄⁺-N质量浓度表现为春季(0.0...     

微耕机振动特性仿真及试验研究

提出了一种"微耕机-土壤"系统数学建模结合MatLab仿真的方法,研究微耕机的振动特性。首先建立了五自由度微耕机数学模型,然后利用MatLab软件建立仿真模型并进行仿真分析,得到系统关键振动部件(发动机、机架、变速箱及刀辊)处振动加速度信号的时域变化曲线,其均方根值分别为5.316、7.125、5.564、5.264m/s~2。在发动机全油门作业工况下,测试微耕机机架和变速箱处的振动加速度信号,得到了信号的时域变化曲线,其均方根值分别为7.33m/s~2和4.93m/s~2。将仿真结果与试验结果进行对比,结果表明:相对误差较小,分别为2.8%和12.9%;"微耕机-土壤"系统数学建模比较准确合理,数学建模结合MatLab仿真方法研究微耕机振动特性的方法可行,为同类产品的设计及减振优化提供了参考。     

产气荚膜梭菌α毒素保护性抗原基因在大肠杆菌中的高效表达

对含有产气荚膜梭菌（Ｃｌｏｓｔｒｉｄｉｕｍｐｅｒｆｒｉｎｇｅｎｓ）α毒素基因的重组菌株ＢＬ２１（ＤＥ３）（ｐＸＥＴＡ１）和ＢＬ２１（ＤＥ３）ｐｌｙｓＳ（ｐＸＥＴＡ１）,通过培养性状观察和小鼠接种试验,证明这２株重组菌株均无致病性。随后对这２株重组菌株的表达产物进行了研究,经ＳＤＳ－ＰＡＧＥ和薄层凝胶扫描分析,ＩＰＴＧ诱导３～４ｈ后的ＢＬ２１（ＤＥ３）（ｐＸＥＴＡ１）表达的α毒素占菌体总蛋白３３．２１％,ＢＬ２１（ＤＥ３）ｐｌｙｓＳ（ｐＸＥＴＡ１）表达的α毒素占菌体总蛋白２７．２５％,其相对分子质量约３７５００;经Ｗｅｓｔｅｒｎｂｌｏｔ分析,表达产物可被α毒素抗血清识别。包涵体粗提物的免疫攻毒试验结果表明,以１倍致死量攻击的免疫小鼠可获得１００％（３６／３６）的保护,以２倍致死量攻击的免疫小鼠可获得９４．２８％（３３／３５）的保护,从而说明表达产物具有良好的免疫原性。     

基于三维点云的运输车粮箱动态均匀装载方法研究

为了解决联合收获机运输车协同作业时,运输车粮箱装载不均匀,导致粮箱装载利用率低的问题,提出了一种基于三维点云的动态均匀装载方法。该方法利用相机获取运输车粮箱内装载物的三维点云作为状态反馈信息,建立装载均匀性评估方式,以最均匀装载状态为目标,通过实时调整卸料装载点位置,使粮箱保持在均匀的装载状态。针对装载物相互遮挡对相机形成视觉盲区的问题,通过建立装载物的堆体模型和相机的遮挡模型,以最小期望误差为目标对盲区内装载物高度进行估计,并据此进行点云填充,从而得到能完整反映粮箱装载状态的三维点云。在搭建平台进行的实验中,对粮箱装载过程中可能出现的轻载、中载和重载3种装载状态进行测量,并对盲区点云位置进行估计,其盲区估计的平均误差低于5cm。仿真结果表明,动态均匀装载方法能在有限装载周期内,将粮箱从任意的初始装载状态装载为均匀状态。单次装载量的平均高度增量为2cm、粮箱的初始装载状态为空载时,装载物的最大高度方差为1cm2。单因素仿真结果表明,稳定状态下的装载物高度方差与单次装载量正相关。     

基于改进YOLO v4的自然环境苹果轻量级检测方法

针对苹果采摘机器人识别算法包含复杂的网络结构和庞大的参数体量,严重限制检测模型的响应速度问题,本文基于嵌入式平台,以YOLO v4作为基础框架提出一种轻量化苹果实时检测方法(YOLO v4-CA)。该方法使用MobileNet v3作为特征提取网络,并在特征融合网络中引入深度可分离卷积,降低网络计算复杂度;同时,为弥补模型简化带来的精度损失,在网络关键位置引入坐标注意力机制,强化目标关注以提高密集目标检测以及抗背景干扰能力。在此基础上,针对苹果数据集样本量小的问题,提出一种跨域迁移与域内迁移相结合的学习策略,提高模型泛化能力。试验结果表明,改进后模型的平均检测精度为92.23%,在嵌入式平台上的检测速度为15.11f/s,约为改进前模型的3倍。相较于SSD300与Faster R-CNN,平均检测精度分别提高0.91、2.02个百分点,在嵌入式平台上的检测速度分别约为SSD300和Faster R-CNN的1.75倍和12倍;相较于两种轻量级目标检测算法DY3TNet与YOLO v5s,平均检测精度分别提高7.33、7.73个百分点。因此,改进后的模型能够高效实时地对复杂果园环境中的苹果进行检测,适宜在嵌入式系统上部署,可以为苹果采摘机器人的识别系统提供解决思路。     

玉米联合收获机清选损失监测装置设计与试验

针对玉米籽粒收获时,损失率检测不准的问题,以压电薄膜作为敏感材料,设计了一种由冲击传感器、信号处理电路和安装装置等组成的玉米收获机籽粒清选损失监测装置,并采用支持向量机多分类算法提取玉米籽粒冲击信号,实现了玉米籽粒损失的实时监测。首先,在不同冲击角度和高度的试验条件下,对不同大小的玉米籽粒和杂余进行冲击信号的采集试验,提取冲击信号的主要特征。采用支持向量机多分类算法对模型进行训练,并在监测装置上实现实时分类。使用不同品种和含水率玉米对分类模型进行验证。然后,在不同风机转速和清选筛开度条件下,得到测试时间内传感器检测的籽粒数与总损失量之间的关系,并根据谷物流量值,计算得到实时的清选损失率。最后,将该监测装置安装在4YL-8型玉米联合收获机上进行田间试验。结果表明,该监测装置与人工检测相比,平均相对误差为12.98%,可以为收获机的控制提供反馈信息。     

基于Mask R-CNN的复杂背景下柑橘树枝干识别与重建

为了获取自然环境下完整柑橘果树枝干信息,以引导采摘机器人进行避障采摘作业,提出了一种基于Mask R-CNN模型与多参数变量约束的柑橘果树枝干识别与重建方法。该方法采用网格化的标记方式对果树枝干进行标记,完成了对柑橘果树枝干的小区域识别;然后对该模型获得的离散mask进行最小外接矩处理,以获得更精确的目标区域;接着利用多参数变量约束完成同一枝干mask(掩码)的划分;最后为了使重建枝干更符合实际枝干的生长姿态,以及完善未识别区域的检测,对同一枝干mask中心点进行了四次多项式拟合。实验结果表明,模型在测试集下的平均识别精确率为98. 15%,平均召回率为81. 09%,果树单条枝干平均拟合误差为11. 47%,果树枝干整体平均重建准确率为88. 64%。