针对菇房内杏鲍菇表型参数测量任务中,由于扫描设备视角受限,扫描的杏鲍菇点云出现残缺问题,基于AdaPoinTr(Adaptive geometry-aware point transformers)提出了改进的SwinPoinTr模型,实现了对残缺杏鲍菇点云的准确补全和杏鲍菇表型参...针对菇房内杏鲍菇表型参数测量任务中,由于扫描设备视角受限,扫描的杏鲍菇点云出现残缺问题,基于AdaPoinTr(Adaptive geometry-aware point transformers)提出了改进的SwinPoinTr模型,实现了对残缺杏鲍菇点云的准确补全和杏鲍菇表型参数的测量。该方法在使用提出的特征重塑模块的基础上,构建具有几何感知能力的层次化Transformer编码模块,提高了模型对输入点云的利用率和模型捕捉点云细节特征的能力。然后基于泊松重建方法完成了补全点云表面重建,并测量到杏鲍菇表型参数。实验结果表明,本文所提算法在残缺杏鲍菇点云补全任务中,模型倒角距离为1.316×10^(-4),地球移动距离为21.3282,F1分数为87.87%。在表型参数估测任务中,模型对杏鲍菇菌高、体积、表面积估测结果的决定系数分别为0.9582、0.9596、0.9605,均方根误差分别为4.4213 mm、10.8185 cm^(3)、7.5778 cm^(2)。结果证实了该研究方法可以有效地补全残缺的杏鲍菇点云,可以为菇房内杏鲍菇表型参数测量提供基础。展开更多
为探究种植菌草的丘陵地区土壤间、土壤与移栽触土部件间相互作用的规律并获取其仿真参数,运用Hertz—Mindlin with JKR接触模型对特定的12%±1%和20%±1%的含水率土壤—移栽触土部件进行离散元参数标定。开展土壤堆积角物理试...为探究种植菌草的丘陵地区土壤间、土壤与移栽触土部件间相互作用的规律并获取其仿真参数,运用Hertz—Mindlin with JKR接触模型对特定的12%±1%和20%±1%的含水率土壤—移栽触土部件进行离散元参数标定。开展土壤堆积角物理试验、土球斜面滚动物理试验。以土壤颗粒间、土壤与移栽触土部件间的表面能、恢复系数、动摩擦系数、静摩擦系数为标定对象,设计旋转中心组合试验并以仿真的土壤堆积角、土球在65Mn板上滚动距离为响应值,采用Box—Behnken对试验数据回归分析,以实测的土壤堆积角、土球滚动距离为优化目标,采用两种典型含水率下土壤与触土材料(65Mn)的静摩擦系数为约束条件,得到两种典型含水率的土壤间、土壤与移栽触土部件的离散元参数:含水率分别为12%±1%、20%±1%时,土壤颗粒间表面能、恢复系数、动摩擦系数、静摩擦系数为11.042 J/m^(2)和11.851 J/m^(2)、0.412和0.574、0.093和0.129、0.994和1.009;土壤与触土部件表面能、恢复系数、动摩擦系数为5.046 J/m^(2)、8.026 J/m^(2),0.362、0.388和0.066、0.07。为验证优化后离散元参数的准确性,开展验证试验得:两种典型含水率土壤仿真、物理堆积角相对误差为0.96%、0.95%,仿真、物理滚动试验相对误差为0.52%、1%。结果表明,优化标定后的土壤模型参数能够仿真该地区真实的菌草土壤模型,可为菌草移栽械关键部件的设计与优化提供重要理论依据。展开更多
设计了一款物料可翻堆的卧旋式生物有机肥发酵罐,为获得最优有机肥腐熟品质及效率的翻堆工艺参数,以Hertz-Mindlin with JKR作为物料与设备间的离散元接触模型,利用离差系数评价其混合均匀度。试验表明,当发酵罐转罐2 r时物料基本混合均...设计了一款物料可翻堆的卧旋式生物有机肥发酵罐,为获得最优有机肥腐熟品质及效率的翻堆工艺参数,以Hertz-Mindlin with JKR作为物料与设备间的离散元接触模型,利用离差系数评价其混合均匀度。试验表明,当发酵罐转罐2 r时物料基本混合均匀,故将单次转罐翻堆的频次设置为2 r,在4种分阶段变频次的翻堆模式下,对发酵物料含水率、温度、腐熟度进行分析,结果表明,采用模式4(升温期不翻堆,高温期每天翻堆1次,保温期每天翻堆1次,翻堆处理7 d后静置陈化至15 d)得到的最高发酵温度可达68.4℃,有机肥处理的萝卜种子发芽指数为107.6%,达到腐熟要求且发酵过程稳定可靠。研究结果可为生物有机肥的制备提供装备及工艺支撑,保证有机肥腐熟品质,有效解决目前发酵工艺不明确的问题。展开更多
文摘[目的/意义]茶多酚是衡量茶叶品质的关键指标,实现茶鲜叶茶多酚含量快速无损检测对于保障茶叶品质至关重要。同时,实现不同茶叶品种和叶位的快速识别,能够有效指导茶叶生产。[方法]本研究联用可见/短波近红外光谱(400~1050 nm)与长波近红外光谱(1051~1650 nm)技术研制一台茶鲜叶品质成分快速无损检测装置,采用多源数据融合(数据级和特征级融合)和机器学习算法,构建了不同茶叶品种、叶位和茶多酚含量快速检测模型。[结果与讨论]实验结果表明,不同茶树品种或不同叶位的茶多酚含量存在显著差异。相较于单一数据源,基于数据融合所建立的模型能有效提高预测性能,其中经过Savitzky-Golay卷积平滑预处理后结合特征级融合方法建立的偏最小二乘法判别分析模型(Partial Least Squares Discriminant Analysis,PLS-DA)对3个茶树品种和4个叶位识别的预测集准确率分别达到100%和87.93%。此外,基于数据级融合的一维卷积神经网络模型(One-Dimensional Convolutional Neural Network,1D-CNN)对茶鲜叶茶多酚含量的预测决定系数(Predicted Coefficient of Determination,R^(2)_(P))、预测均方根误差(Root Mean Square Error of Prediction,RMSEP)和残差预测偏差(Residual Predictive Deviation,RPD)分别为0.8020、0.6368%和2.2684,优于仅采用可见/短波近红外光谱和长波近红外光谱。[结论]该检测装置能够实现茶鲜叶茶多酚含量的快速检测,也能有效识别茶叶品种和叶位,为多源数据融合技术应用于指导茶叶生产加工提供新思路。
