排序方式: 共有31条查询结果,搜索用时 15 毫秒
1.
2.
双自由度多铰接仿形免耕精量播种单体设计与试验 总被引:2,自引:0,他引:2
针对2BMFJ系列原茬地免耕覆秸播种机播后镇压效果和播种深度一致性不理想的问题,设计了双自由度多铰接仿形免耕精量播种单体,应用保守系拉格朗日方程建立了种沟深度数学模型,初步确定了影响种沟深度的关键结构与工作参数。采用四因素五水平二次回归正交旋转中心组合试验方法,选取弹簧初始增量、初始牵引角、弹簧刚度、机具作业速度为影响因素,开沟深度合格率、土壤坚实度合格率和开沟深度变异系数为性能评价指标,得到影响开沟深度合格率各因素由大到小顺序为:弹簧刚度、机具作业速度、弹簧初始增量、初始牵引角,影响土壤坚实度合格率各因素由大到小顺序为:弹簧刚度、机具作业速度、初始牵引角、弹簧初始增量,影响开沟深度变异系数各因素由大到小顺序为:初始牵引角、机具作业速度、弹簧刚度、弹簧初始增量。对试验数据进行优化处理,结果表明,在初始牵引角0°、弹簧刚度10 N/mm条件下,弹簧初始增量15~19. 5 mm、机具作业速度6. 7~7. 8 km/h范围内,开沟深度合格率大于95%,土壤坚实度合格率大于95%,开沟深度变异系数小于10%。 相似文献
3.
为提高育种试验机械化水平,降低试验劳动强度,按照小区育种播种机的技术要求,设计了一种插装式排种器,并以作业速度和株距为影响因素对其工作性能进行了测试。结果表明:作业速度为0.4~0.6 m/s,株距为8.5 cm时,粒距合格指数≥82.45%、重播指数≤13.38%、漏播指数≤4.16%,均达到优等品标准;株距为4.0 cm时,合格指数≥65.25%,达到一等品标准;重播指数≤13.87%,达到优等品标准;漏播指数≤19.50%,达到一等品标准。示范试验表明该排种器结构及排种性能满足小区育种农艺要求。 相似文献
4.
5.
集排式大豆精量排种器设计与试验 总被引:1,自引:0,他引:1
为了简化播种单体结构,提高播种质量,适应大豆窄行密植农艺对播种机的要求,设计了一种集排式大豆精量排种器。阐述了该排种器滑落吸种、碰撞清种工作方式,通过对充种区域的种子进行受力分析,确定了种子吸附时排种器所需气压范围;分析下落种子相对滚筒的速度及其通过吸孔的次数;对多自由度密封结构进行了受力分析,确定了气室铰接的结构参数;应用高速摄像技术,选取合格指数A、重播指数D、漏播指数M为试验指标,气压、作业速度为试验因素进行了双因素重复试验。试验结果表明:当气压为3、4 k Pa,作业速度为4~12 km/h时,合格指数随作业速度增大呈下降趋势;当气压为5、6、7 k Pa,作业速度为4~12 km/h时,合格指数随作业速度增大呈先上升后下降趋势;漏播指数随气压增大呈下降趋势,且随作业速度增大呈上升趋势;当气压为5 k Pa,作业速度为4~12 km/h时,合格指数大于95%,漏播指数小于2%,该排种器能够满足播种要求。 相似文献
6.
针对大豆垄三栽培模式下播种机施肥开沟器土壤扰动影响种-肥、种-种的空间配置关系问题,设计了一种双锥环型种床整理装置。通过理论分析确定在典型东北黑壤土、含水率20%和仿形机构下拉弹簧刚度4.48 N/mm条件下,双锥环型种床整理装置关键结构参数取值范围;应用三因素三水平正交试验方法,以作业速度、收土整形环母线长度和仿形下拉弹簧预伸长量为试验因素,选择种床平整度、垄顶5 cm深度土壤坚实度变异系数、播种深度变异系数、种子横向偏移离散度和种肥间距合格率为评价指标,实施关键结构和运用参数组合优化试验及田间对比试验,结果表明:当作业速度小于等于14.4 km/h、弹簧预伸长量为90 mm、收土整形环母线长度为42 mm时,增设该种床整理装置的播种单体可以实现种床平整度达6.22 mm、垄顶5 cm深度土壤坚实度变异系数达17.39%、播种深度变异系数达13.74%、种子横向偏移离散度7.65%、种肥间距合格率达87.86%,较未设置种床整理装置播种单体的播种深度一致性和种肥间距合格率分别提高19.71%和24.26%,种子横向偏移离散度降低44.02%。研究结果为大豆垄三栽培配套高速精量播种机的... 相似文献
7.
8.
为了减少检测整株大豆豆荚及茎秆时相互遮挡对精度造成的影响,提出了一种基于卷积神经网络的大豆豆荚及茎秆表型信息检测方法,根据大豆植株的生长特征和卷积网络的特点,对单次多框检测器(Single shot multibox detector, SSD)进行了改进。与传统SSD相比,改进SSD(IM-SSD)具有更好的抗干扰能力和自学习能力。首先,通过大豆植株图像采集平台获取收获期的大豆植株图像,建立大豆植株RGB空间图像数据集,将数据集分为训练集、测试集和验证集,对训练集进行颜色变换、图像平移、旋转和缩放等方式实现数据的扩增,提高网络的泛化能力。其次,提出一种针对大豆植株图像中豆荚和茎秆的标注方法,仅对未被遮挡的部分进行标注,目的是降低遮挡产生的误判。IM-SSD是在传统SSD结构的基础上增加2个残差层,使用低层特征图融合到高层特征图来增强对小目标的检测能力,提高网络的识别率,输入图像尺寸为600像素×300像素,降低压缩变形带来的影响。对比试验结果表明,IM-SSD的平均精度比SSD300高7.79个百分点,比SSD512高3.83个百分点。由于卷积神经网络获得的大豆植株茎秆定位是分段的,不能体现茎秆的真实特征,提出了一种基于蚁群优化(Ant colony optimization, ACO)算法的大豆植株茎秆提取方法,利用ACO结合IM-SSD的结果提取完整的大豆植株茎秆。最后,通过豆荚定位和大豆植株茎秆提取获得了大豆植株的部分表型信息,包括全株荚数、株高、有效分枝数、主茎与株型。 相似文献
9.
基于投影寻踪法的稻米品质综合评价 总被引:3,自引:0,他引:3
在对稻米品质进行综合评定时,各评价指标的权重由专家给出,因此,所确定的权重难免会受到主观因素影响。文章采用投影寻踪法来确定权重,减小了人为因素的干扰,从而获得一组较为客观的权重。 相似文献
10.