自卸车举升机构矩阵变换算法统一格式的研究

针对自卸车各种举升机构提出了矩阵变换算法的统一格式,推导出统一格式下各举升机构的变换矩阵,并开发了通用设计系统。该系统可计算任一举升时刻举升机构各铰接点位置和油缸推力。     

基于Markov随机场的猪肉糜微结构图像模拟

利用Markov随机场和Gibbs分布理论，建立了猪肉糜微结构图像的随机场模型，然后通过迭代方法，对不同微结构的猪肉糜图像进行了随机模拟，同时对随机模拟图像和原始图像作了对比分析。糜状食品物料微观结构图像的分析和模拟是定研究其微结构模式形态对流变特性影响的关键问题。通过从已知流变特性反演糜状食品物料微结构的几何形态，可以更深入地探讨、研究微结构形成的动力学机制和过程，进而沟通流变特性和微结构形态之间的联系，从而为定量描述糜状食品物料的流变特性提供了条件。     

利用小波分析诊断农机产品变速箱齿轮故障

介绍小波变换的基本原理，针对农机产品变速箱齿轮出现故障时产生的非稳态脉冲信号特点，选择合适的小波。应用小波变换准确地诊断变速箱齿轮裂纹故障，证明了小波分析的应用价值。     

玉米籽粒内部组分低对比度透射图像精确分割研究

为解决玉米籽粒透射图像由于对比度较低造成内部组分提取不精确的问题,提出一种基于色彩通道非线性变换的多通道重叠区域分割方法,对玉米籽粒图像在灰度、R通道及b通道下得到的二值图像使用重叠区域原理,实现玉米籽粒组分的精确分割。首先,采集不同玉米品种的籽粒透射图像,提取单粒玉米籽粒;其次,采用多通道重叠区域法分割单粒籽粒图像,得到玉米籽粒胚部、角质胚乳和粉质胚乳3部分的图像;最后,以查全率和查准率评价多通道重叠区域法与传统图像分割方法对不同品种玉米籽粒的分割效果。不同品种玉米籽粒的分割试验表明:多通道重叠区域分割方法的查全率、查准率及综合评价指标均达到98%以上,分割效果优于传统的图像分割方法,能够实现不同品种透明角质玉米籽粒透射图像的精确组分分割。     

不要忽视单缸柴油机上的回油阀

很少有人知道这个回油阀 以前,一般单缸柴油机的喷油器的回油管都是直接接到进气管上的,回油直接被吸入气缸燃烧.后来发现,有些单缸柴油机已把喷油器的回油管接到柴油滤清器上了,并且在管接螺钉内装置了一个回油阀.由于以前的使用说明书和培训教材中没有提到过这个回油阀,而且后来的随机说明书中也没有什么文字说明,只有细心的读者才能在其"零件图示"上看到有此回油阀的标记,因此很少有机手知道这里增设了回油阀,更不用说去保养它了.     

基于超参数优化算法下的随机森林模型预测奶牛呼吸频率

奶牛呼吸频率是评估环境造成的奶牛热应激程度的重要指标之一。该研究基于随机森林（random forest,RF）算法提出了适用于生产条件下的奶牛个体呼吸频率准确预测模型,为了平衡模型精度与计算效率问题,利用遗传算法（genetic algorithm,GA）、差分进化（differential evolution,DE）算法、粒子群优化（particle swarm optimization,PSO）算法、贝叶斯优化（Bayesian optimization,BO）算法对模型超参数进行优化,并与网格搜索（grid search,GS）下的人工神经网络（artificial neural network,ANN）和极限梯度提升机（extreme gradient boosting,XGBoost）模型进行了对比分析。研究结果表明,使用融合环境参数的修正温湿指数（adjusted temperature-humidity index,ATHI）、时间区域、奶牛产奶量、泌乳天数、身体姿势以及胎次作为输入特征时,基准RF模型的预测性能最佳。在此基础上,4种智能优化算法下的RF模型性能优于GS-ANN和GS-XGBoost,其中BO-RF的综合性能最优,其决定系数、平均绝对误差、平均绝对百分比误差以及均方根误差分别为0.614、7.723、14.4%、9.737,超参数优化耗时约为DE-RF的1/220。特征重要性分析表明,输入因子对奶牛呼吸频率的影响程度不同,ATHI是影响力最高的因子,相对重要性（relative importance,RI）为0.71,其次是时间区域（RI=0.09）和奶牛产奶量（RI=0.07）。研究为奶牛生产、健康评价及牛舍环境精准调控提供了有效方法和基础。     

基于随机森林特征优选的雪茄烟叶晾制过程含水率预测

针对雪茄烟叶晾制过程含水率人工判断主观性强、准确度低等不足,以及对影响雪茄烟叶晾制过程含水率预测的重要表观特征尚不明确等问题,该研究基于图像特征提取以及机器学习技术实现雪茄烟叶晾制过程含水率的预测。试验以雪茄烟品种“云雪2号”为试验材料,获取晾制过程的烟叶图像的颜色、轮廓、纹理以及部位四类特征并筛选出雪茄烟叶含水率预测的优选图像特征子集。在此基础上,构建了随机森林（random forest, RF）、支持向量机（support vector regression, SVR）与反向传播神经网络（back propagation neural network, BPNN）模型,并利用遗传算法（genetic algorithm, GA）对各模型超参数进行优化,将原始图像特征集与优选图像特征集输入3个机器学习模型,构建出6种模型-特征组合方案,依据晾制时期对原始数据集进行划分,并对测试集进行预测。最终结果显示：GA-SVR模型+优选图像特征子集的组合方案在测试集上表现最优,其决定系数（coefficient of determination,r²）与均方误差（mean square error,MSE）分别为0.980和0.001,且运行时间最短（运行时长=0.128 s）。研究结果可为雪茄烟叶晾制过程智能化控制提供理论依据。     

基于无人机影像的冠层光谱和结构特征监测甜菜长势

甜菜是中国北方地区重要的经济作物。快速、准确、高通量的获取甜菜的地上部和块根鲜质量、块根含糖率、叶绿素含量对甜菜生产具有重要意义。该研究采用无人机搭载数码和多光谱相机,获取甜菜叶丛快速生长期、块根及糖分增长期和糖分积累期的数码影像和多光谱影像,提取了冠层的结构特征和光谱特征。选择随机森林回归（Random Forest Regression,RFR）和偏最小二乘回归（Partial Least Squares Regression,PLSR）2种建模方法基于获取的冠层特征,构建甜菜全生育期的地上部和块根鲜质量、块根含糖率和SPAD（Soil and Plant Analyzer Development）值估算模型。研究结果表明,随机森林回归模型和偏最小二乘回归模型对地上部和块根鲜质量、含糖率都做出较好的预测,R2范围分别为0.9～0.94、0.88～0.9,rRMSE范围分别为7.6%～17%、8.8%～20%。对SPAD值的预测均较弱,R2分别为0.66和0.67。为了减小输入变量集的大小以及去掉对预测不敏感的变量,该研究采用置换重要性（Permutation Importance,PIMP）来筛选冠层光谱特征和结构特征中对预测有重要影响的变量。结果表明基于筛选出的重要性特征构建的随机森林回归模型和偏最小二乘回归模型对地上部和块根鲜质量、含糖率都做出较好的预测,R2范围分别为0.89～0.94、0.74～0.91,rRMSE范围分别为7.3%～19%、7.6%～19%。对SPAD值的预测均较弱,R2分别为0.65和0.68。进一步表明随机森林回归模型在精度上略好于偏最小二乘回归模型。同时基于PIMP筛选变量的方法在保持原有精度的同时能实现降低数据收集复杂性的目的。研究结果为基于无人机遥感技术快速、准确监测甜菜长势和估测块根类作物的根部活性物质提供了参考。     

基于GF-1和Sentinel-2时序数据的茶园识别

由于茶园大多分布在地形复杂的山区,地块破碎,分布零散,形状差异大、植被混杂且茶园所处环境长期受到云雨的影响,增加了茶园遥感识别的难度与不确定性,针对这一问题,该研究提出了利用高分1号(GF-1)和哨兵2号(Sentinel-2)时序数据提取茶园的方法,以浙江省武义县王宅镇为研究区,采用GF-1号为主要数据源,并利用MODIS地表反射率产品和Sentinel-2反射率数据,基于时空融合算法得到时间分辨率5 d的10 m Sentinel-2完整的时序数据。综合利用GF-1在空间细节方面的优势和重建的Sentinel-2高观测频率时序数据在反映茶树生长过程方面的优势,分别基于GF-1的光谱和纹理特征及GF-1的光谱、纹理特征和Sentinel-2时序特征两种特征组合方式,采用随机森林算法提取茶园。结果表明,GF-1光谱、纹理信息结合Sentinel-2时序信息分类结果的准确率、错误率、精确率、召回率和F1分数分别为96.91%、3.09%、89.00%、83.09%和0.86,仅基于GF-1光谱和纹理信息的分类准确率、错误率、精确率、召回率和F1分数分别为94.72%、5.28%、73.09%、84.61%和0.78,添加时序信息分类结果总体优于未添加时序信息的分类结果。表明高空间分辨率结合高频率时序遥感数据是提高茶园分类精度的有效手段。     

基于中值点Hough变换玉米行检测的导航线提取方法

为解决机器视觉对早期玉米苗带在多环境变量下导航线提取耗时长、准确率低的问题,该研究提出了一种基于中值点Hough变换作物行检测的导航线提取算法。首先,改进了传统的2G-R-B算法,再结合中值滤波、最大类间方差法和形态学操作实现土壤背景与玉米苗带的分割。其次,通过均值法提取玉米苗带特征点,然后采用中值点Hough变换拟合垄间两侧玉米苗列线,最后将检测出的双侧玉米苗列线为导航基准线,利用夹角正切公式提取导航线。试验结果表明：改进的灰度化算法能够正确分割玉米苗带与土壤,处理一幅640×480像素彩色图像平均耗时小于160 ms,基于中值点Hough变换检测玉米苗列再提取导航线的最大误差为0.53°,相比于传统Hough变换时间上平均快62.9 ms,比最小二乘法平均精确度提高了7.12°,在农田早期玉米苗带多环境变量影响因素下导航线提取准确率均达92%以上,具有较强的可靠性和准确性。