红碎茶CTC齿辊数控加工及误差统计研究

介绍了自行研制的红碎茶CTC齿辊微机数控加工车床的总体方案，进给系统结构设计以及微机数控硬件系统主要构成、软件功能和加工子程序。利用数理统计学方法，对齿辊3mm节距误差进行了分析研究，结果表明采用微机数控加工齿辊，节距精度得到明显提高。该机同时也保留了普通车床基本功能。     

2020年江苏春茶减产原因分析

2020年江苏早春气温平稳上升,几乎未发生晚霜冻,茶叶产量较往年却减产10％～20％.文章利用主产区气象站历史观测资料和2020年茶叶生产相关资料,分析其减产原因,认为2020年早春气温异常偏高,开采期比常年提前10 d以上,3月17—27日最高气温基本维持在20℃以上,采摘洪峰来得早,受疫情影响引起的茶场人力不足,严...     

基于离散元法的茶叶抖筛机结构参数优化与试验

茶叶抖筛机是茶叶精加工的关键装备,传统抖筛装备主要通过经验设计,筛分性能较差,主要表现在筛净率较低、误筛率较高。该研究结合抖筛机的筛分原理,运用solidworks构建虚拟样机,利用EDEM软件建立茶叶颗粒离散元仿真模型,通过单因素仿真试验对茶叶颗粒进行动力学分析,结果表明,连杆长度、曲柄半径和筛面倾角是茶叶抖筛机筛分性能的主要影响因素。以筛净率、误筛率为评价指标,设计三因素三水平二次旋转正交试验,并运用Design-Expert软件对试验数据进行回归分析,当连杆长度为1 977 mm、曲柄半径为25 mm、筛面倾角为2.8 °时,茶叶筛净率为94.5%、误筛率为4.61%,筛分性能最优。以最优结构参数进行验证试验,筛净率为93.8%,误筛率为4.73%,生产效率为319kg/h,较优化前筛净率提高3.42%,误筛率降低7.62%,生产效率提高8.87%。该研究结果可为茶叶筛分装备的优化提供理论依据。     

基于改进YOLOv8n的茶叶嫩稍检测方法

针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化。首先,在主干网络中引入动态蛇形卷积（dynamic snake convolution,DSConv）,增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络（path aggregation network,PANet）替换为加权双向特征金字塔网络（bi-directional feature pyramid network,BiFPN）,强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块（simple attention module,SimAM）,提升模型对茶叶嫩梢的识别关注度。试验结果表明,改进后的模型比原始模型的精确率（precision,P）、召回率（recall,R）、平均精确率均值（mean average precision,mAP）、F1得分（F1 score,F1）分别提升了4.2、2.9、3.7和3.3个百分点,推理速度为42 帧/s,模型大小为6.7 MB,满足低算力移动设备的部署条件。与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考。     

降水、氮沉降及放牧对草地生态系统凋落物分解的影响研究进展

草地生态系统对我国建设生态文明、提供生态系统服务、保障食品安全和维护边疆稳定有举足轻重的作用。全球气候变化和过度的人为干扰打破了草地生态系统原有的平衡及稳定性,造成草地退化、沙化和盐渍化现象严重。草地生态系统结构、功能与过程的稳定是保证草地生态系统稳定的基础。凋落物分解过程是草地物质循环的重要环节,对维持草地生态系统稳定性具有重要作用。草地生态系统凋落物分解对降水格局变化、大气氮沉降增加及放牧干扰的响应已有较多的研究。对目前国内外相关研究进行了梳理和总结,发现降水、氮沉降和放牧对草地生态系统凋落物分解的影响,因地理位置和气候变化以及草地类型的异质性而不同,也有针对同一地区开展的研究呈现不同结果的现象。目前对这三种干扰因素中的两因素或三因素交互作用对草地生态系统凋落物分解过程的影响研究较少,而研究气候变化及人为干扰对草地生态系统凋落物的影响对正确理解草地生态系统结构与功能,以及可持续利用与保护草地生态系统具有重要的意义。     

不同种质茶籽脂质代谢特征分析

叶籽两用茶树种质的研发利用对于茶产业结构调整、茶园综合效益提升具有特殊意义,因此深入研究现有茶树种质与茶籽相关性状特征,可为叶籽两用茶树的遗传育种提供基础信息.从福建、云南和湖南采集了31份同年结实茶籽,对种仁的含油率和脂肪酸组成特征进行测定.结果表明,不同茶树茶籽含油率存在2倍以上的差异;从茶籽油脂中检测到10种脂肪...     

贵州碾茶茶园覆网方式浅析

贵州碾茶茶园覆网方式主要有直接覆盖、隧道式覆盖和大棚覆盖3种,其中直接覆盖成本最低,用工最少,操作简单,但容易使蓬面芽叶受损或被灼伤,芽叶产量相对偏低且品质有所下降;大棚覆盖成本最高,用工最多,操作复杂,但蓬面芽叶较完整,受损小,产量较高,芽叶品质有所提高;隧道式覆盖一次性投入比大棚覆盖少,但实际操作时用工较多,芽叶品...     

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。