基于PIV技术的圆形循环水养殖池流场

为研究进水管的设置距离和角度对双管进水式圆形循环水养殖池水动力特性的影响,该研究通过模型试验的方法,利用粒子图像测速技术（Particle Image Velocimetry,PIV）测量了不同进水管设置方式下养殖池内的流场。试验设计了3组进水管距池壁距离（进水管与池壁的最近距离,即进水管设置距离d）,每组距离工况下设计了8组进水角度（出水方向与养殖池切线形成的锐角,即进水管设置角度α）。利用PIV技术测量了不同工况下距离池底1 cm水层的流场,从水动力特征量（平均流速vavg和速度均匀系数U）分析进水管设置方式对养殖池水动力特性的影响。试验结果表明进水管设置方式明显影响养殖池的水动力特性：d=0时,随着α的增加,平均流速整体呈现先增大后下降的规律,在α=45°时取得最大值,但流场均匀系数随角度的增加而逐渐增加;d=1/4 r（r为养殖池半径）时,随着α的增加,平均流速和流场均匀系数都先缓慢增加然后再下降,分别在α=40°和30°时取得最大值;d=1/2 r时,随着α的增加,平均流速和流场均匀系数整体都呈现逐渐下降的趋势。综合比较24个试验工况的平均流速vavg和速度均匀系数U,建议将进水管设置为d=1/4 r,α=30°～40°,以期使养殖池内水动力特征有利于固体颗粒物的运动汇集,提升养殖池的集排污能力。本文研究成果可以为工厂化循环水圆形养殖池进水管设置方式提供参考。     

西宁盆地黄土区荷载条件下植被护坡力学效应

为探讨西宁盆地黄土区边坡在荷载条件下植物根系对边坡稳定性的影响,该项研究以西宁盆地西山长岭沟流域为试验区,在自建边坡上种植草本植物垂穗披碱草(Elymus nutans)和灌木植物柠条锦鸡儿(Caragana korshinskii),通过在边坡坡顶施加载荷,边坡坡面布设位移计与土压力盒的方式,监测荷载条件下边坡坡面土体位移与土压力变化;在此基础上,对边坡植被根-土复合体开展剪切试验,分析荷载条件下边坡坡面不同位置处根-土复合体抗剪强度及其变化特征。试验结果表明:在坡顶荷载条件下,在边坡相同位置处的根-土复合体粘聚力c值均大于施加载荷前;3种植物边坡的根-土复合体粘聚力c值均大于相同条件的未种植素土边坡;在荷载条件下,组合植被边坡的坡面土体位移量显著小于单一植被边坡和素土边坡,组合植被边坡在竖直和水平方向的位移量与草本植被边坡相比减小1.60~1.77 mm,与灌木植被边坡相比减小3.78和4.11 mm,与素土边坡相比减小7.39和6.29 mm。研究结果对防治高寒半干旱地区坡面水土流失、浅层滑坡等地质灾害,具有参考价值和指导意义。     

基于语义部位分割的条纹斑竹鲨鱼体运动姿态解析

条纹斑竹鲨具有较高的经济价值和医用研究价值。人工驯养对环境和温度等因素要求较高,时常出现大规模病死现象。利用视频图像量化分析鱼体运动行为,有助于进行异常识别和早期预警,将有效提高养殖养护水平。该研究针对人工驯养的条纹斑竹鲨鱼,提出一种基于深度神经网络的语义部位分割方法,并将分割结果应用于剖析条斑鲨鱼体运动姿态。首先,依据条斑鲨形态特征将其划分为7个可视的身体组成构件(头部、右胸鳍、左胸鳍、右腹鳍、左腹鳍、躯干、尾巴);再对全景养殖监控视频中抽取的476幅条斑鲨子图进行各部位的像素级标记,通过数据增强到1 944幅建立鱼体语义部位数据集,其中训练集为1166幅图像,测试集为778幅图像;然后,在语义分割网络模型基础上进行深度学习训练,使用深度学习框架对网络参数进行微调使得网络训练结果达到最优。最后,利用语义部位分割结果定位躯干和鱼头质心建立随体坐标,通过随体坐标的方向变化判明鱼体动作姿态。基于FCN-8s和Segnet两种深度网络模型进行了鱼体部位分割的对比试验,测试结果表明基于Segnet网络的分割方法在头部、右胸鳍、左胸鳍、右腹鳍、左腹鳍、躯干、尾巴部位的准确度分别高出FCN-8s深度网络1.50,4.70,6.95,6.56,6.01,0.85,0.84个百分点。语义部位分割结果能够有效判别条斑鲨鱼体目标的动作姿态,可为鱼体异常行为识别和进一步开展面向条斑鲨的动物行为学试验提供技术参考。     

火龙果周年液流特征及其对环境因子的响应

为探明火龙果蒸腾规律,采用田间大棚试验,研究了4 a生火龙果树主茎的液流速率,并同步监测相关环境因子,分析其液流特征及其与各因子间的关系。结果表明:火龙果单日液流以春季(3—5月)最高(平均值11.95 g/h),其次是冬季,最小是夏季,呈显著性季节变化;单日液流主要呈单峰曲线,峰值出现频率最多的时段是在10:00-13:00,谷值主要出现在17:00-20:00,随后至24:00液流呈增长趋势,零点到日出前液流速率变化平缓;白天(日出-日落期间)的液流量占全天的49.60%～71.51%,夜间则降低。伴随春季火龙果新梢的大量生长,白天的液流峰值和日液流总量为四季中最高,说明生育期起主导作用,但春季的夜间液流占比(平均31.05%)显著低于其他季节(P0.01);夏季峰值出现的时间分散在上午或者下午,且液流量较低,说明高温和强光产生了抑制作用;其余季节峰值则集中在中午。白天与夜间液流总量呈显著正相关,相关系数为0.917(R~2=0.841,n=84)。瞬时尺度下液流速率与光合有效辐射(Photosynthetically Active Radiation,PAR)呈正相关(P0.01),但与饱和水汽压差(Vapor Pressure Deficit,VPD)等呈负相关(P0.01)。昼夜间液流对空气相对湿度(Relative Humidity,RH)和气温的响应相反。研究结果为火龙果水分及营养管理提供科学依据,在火龙果大棚生产的周年水肥管理中,满足春季需求是重中之重。     

基于液压加载的拖拉机PTO测试装置设计与试验

针对当前多数负荷车仅适用于拖拉机牵引试验测试,模拟完整田间作业状态不全面的现状,设计了一种可挂接负荷车的液压加载式拖拉机动力输出轴测试装置,在满足负荷车牵引试验国标要求的基础上可以进行拖拉机PTO测试试验。该装置采用的液压测功机与应用普遍的直流电力测功机经过试验对比,系统响应和稳定速度更快,综合加载性能更好。对该测试设备进行拖拉机PTO田间转矩载荷谱模拟动态加载试验,结果显示：实际加载转矩与转矩载荷谱试验数据相关性良好,拟合优度为0.83。通过数据分析计算实际液压加载系统响应时间约为2.1s,最大超调量为7.52%,均在可控范围内。说明该测试设备可以通过输入转矩载荷谱的形式有效模拟田间作业拖拉机PTO工作状态,为后续拖拉机牵引及转矩全面加载田间模拟试验提供参考。     

秸秆还田深度对春玉米农田土壤有机碳、氮含量和土壤酶活性的影响

为研究秸秆还田旋耕深度对土壤理化性质和酶活性的影响,明确不同秸秆还田深度条件下土壤理化性质与酶活性的关系,在3年（2016—2018年）田间微区定位试验条件下,研究秸秆旋耕还田10 cm（S₁D₁）、20 cm（S₁D₂）、30 cm（S₁D₃）和秸秆移除旋耕10 cm（S₂D₁）、20 cm（S₂D₂）、30 cm（S₂D₃） 6个处理对东北春玉米农田土壤理化性质和酶活性的影响。结果表明：旋耕深度（D）及其与秸秆处理（S）交互作用（S×D）显著影响土壤有机碳（SOC）含量,0~20 cm土层S₁D₁、S₁D₂处理SOC含量较S₁D₃处理高1.2%~16.0%,而20~40 cm土层S₂D₃处理SOC含量最高。旋耕深度、秸秆处理及两者交互作用对土壤硝态氮（NO₃^--N）和铵态氮（NH₄⁺-N）含量、蔗糖酶和过氧化氢酶活性影响显著。在0~40 cm土层,D₁、D₂旋耕深度下秸秆还田处理NO₃^--N含量比秸秆移除处理平均提高46.9%和34.9%,NH₄⁺-N含量平均降低31.6%和4.4%。在各旋耕深度下,S₁处理0~20 cm土层蔗糖酶和脲酶活性高于S₂处理,20~30 cm土层过氧化氢酶活性低于S₂处理。相关性分析表明,SOC、土壤全氮（TN）与NO₃^--N、NH₄⁺-N含量和蔗糖酶活性呈显著正相关,与pH、土壤含水量（SWC）呈显著负相关。主成分分析表明,与S₁D₁相比,S₁D₂对0~20土层蔗糖酶、脲酶、过氧化氢酶活性和0~40 cm土层SOC、TN含量影响更明显。综上所述,秸秆旋耕还田20 cm可改善0~40 cm土层养分水平,提高土壤酶活性,推荐为东北春玉米产区农田土壤培肥的合理秸秆还田方式。     

外来入侵杂草宽叶酢浆草的研究进展

宽叶酢浆草(Oxalis latifolia)在全球分布广泛,且危害多种农作物,2007年中国将其列入进境植物检疫性有害生物名录.目前,在中国仅发生于云南省,但其适生性强,定殖和传播扩散的风险极高.本文就宽叶酢浆草的生物学特性、发生分布和危害以及防控措施等相关研究进行综述,为制定有效的防控措施提供参考.     

基于WEB辅助教学平台的设计

根据高校信息化教育的要求和目标,结合应用实例,介绍WEB环境下的网络辅助教学平台的分析、设计与实现的一般要求和方法。     

现代教育技术在我校计算机教学中的应用现状及改进措施

分析我校计算机教学中现代教育技术的应用现状及改进措施。从教育观念、教育体制、教学内容和教学方法等多方面提出如何充分利用现代教育技术促进我校计算机教学的改革,提高我校计算机公共教学和专业教学水平的措施。     

基于优化Transformer网络的绿色目标果实高效检测模型

果园环境中,检测目标果实易受复杂背景、果实姿态和颜色等因素影响,为提高绿色目标果实检测的精度与效率,满足果园智能测产和自动化采摘要求,本研究针对不同光照环境和果实姿态,提出一种适于样本数量不足的绿色目标果实高效检测模型。该模型采用优化Transformer结构,首先借助卷积神经网络(Convolutional Neural Network,CNN)网络提取图像特征;然后输入编码-解码器生成一组目标果实预测框,最后通过前馈神经网络(Feed-forward Network,FFN)结构预测检测结果。在训练过程中,引入重采样法扩充样本数量,解决样本数量不足问题;引入迁移学习,加速网络收敛。分别制作苹果、柿子数据集用于模型训练。试验结果表明,经迁移学习后该模型训练效率大幅提高;与流行的目标检测模型相比,优化后的模型在检测绿色柿子与绿色苹果时,精度分别为93.27%和91.35%。该方法可为其他果蔬绿色目标检测提供理论借鉴。