摘要:面向作物表型组大数据获取解析、作物种质资源表型鉴定等亟需高效率、智能化和低成本技术、装备及系统的问题，在系统梳理分析国内外农作物高通量表型平台相关技术产品研究现状的基础上，通过组织多学科的协同技术攻关，突破了作物表型组大数据高通量获取和智能化解析中的关键技术难题，设计了具有自主知识产权的轻小敏捷型多传感器阵列、通用化成像单元和适用于多生境的固定式、移动式高通量表型平台装备，以及配套算法和软件平台，构建了农作物表型组大数据工厂成套技术装备体系。该体系由大田和设施作物高通量自主作业表型平台、室内器官和显微表型平台、大田和设施环境自动化种植管控设备、作物模型系统、数字孪生智慧管控平台和大数据计算服务中心等构成，可实现多生境、自动化、高通量、高效率、高精度的多源作物表型-环境数据协同采集，涵盖农作物群体、个体、器官和显微多重尺度，能够重建农林作物的三维形态结构并精准解析株型、产品、品质、抗性等表型组指标，是发展数字育种和智慧栽培的新一代信息化基础设施。农作物表型组大数据工厂技术装备体系创新了作物表型组大数据的产生、处理和服务模式，可为作物表型组理论技术的发展、基于AI for Science 的平台化科研和工厂化的作物种质资源表型鉴定等提供体系化的技术装备支撑。

摘要:作物表型信息的高通量、精准采集与解析是现代农业育种与精准栽培技术体系的基础。然而，田间复杂环境下传统人工测量方式存在效率低、劳动强度大、主观误差高等局限，难以满足大规模、多性状、连续时序的表型获取需求。为此提出了一种基于环绕式无人车表型平台与多模态同源传感阵列的田间原位表型数据融合解析方法。该平台集成了RGB相机、深度相机、近红外和同源传感器，能够实现对作物目标的多角度、立体化原位观测。围绕田间复杂环境下的多源异构数据处理难题，设计了系统的表型信息融合流程，包括图像预处理、深度信息提取、三维重建、时序跟踪与特征解析等关键技术模块，实现了对株高、冠层结构、空间分布等核心表型特征的高精度提取与动态重构。以田间玉米为对象的实地试验表明，该平台可在不同生育时期稳定、连续地获取高质量的多模态表型数据，重建模型的株高测量结果与人工测量高度相关，平均误差控制在5cm以内，验证了方法的准确性与鲁棒性。与传统单点或机械旋转式观测方式相比，该平台具备更高的田间适应性与作业灵活性，可实现快速部署和高效作业，为大规模田间表型数据的采集和解析提供了有效技术支撑。本研究提出的环绕式无人车表型观测与多模态数据融合方法，为农作物育种和精准农业提供了一种高通量、低扰动、可扩展的田间原位表型组学技术解决方案。

摘要:针对设施蔬菜表型信息采集过程中，由于地形不平整产生3~6Hz振动造成采集装置出现高频小角度倾斜、动态响应滞后，进而导致采集图像分辨率下降等问题，设计了基于重力补偿角加速度双前馈-改进串级PID复合控制系统的适用设施表型采集装置的稳衡云台。硬件上，针对30cm窄行距与多源传感器搭载需求，设计300mm×280mm×250mm单臂稳衡云台，整机仅5kg，最大负载能力达15kg。集成X-Y-Z轴重心滑轨，将负载重心偏差控制在±5mm，由此引起的重力矩波动小于0.5N·m。控制策略上，通过线性拟合构建重力补偿前馈模型（R2=0.9912），以抵消重力矩干扰。提出内环速度环叠加外环位置环的改进串级PID，引入积分分离、积分限幅及误差过零复位机制，解决传统PID小角度调整积分饱和问题，稳态误差控制在0.1°以内。融合载体与云台双IMU角加速度前馈，抵消采集车2~3m/s2启停/转向带来的惯性扰动。运行效果验证试验表明，复合控制使系统阶跃响应时间缩短80%且全程无超调。采集车以0.5m/s行驶时，云台三轴角度围绕目标值小幅度振荡，其中横滚轴角度±0.5°、俯仰轴角度±0.3°、航向轴角度±0.2°，满足设施蔬菜表型采集对姿态稳定性的要求。

摘要:高通量作物原位三维重建技术是现代作物表型组学研究的核心方法之一，为作物形态结构解析、株型特征精准评估及表型与基因型关联分析提供了关键数据支持。针对传统人工测量效率低下且易出错的问题，本研究构建了一套基于无人地面车辆（Unmanned ground vehicle, UGV）的高通量作物三维表型数据原位获取平台，并系统探究了4种主流传感器（FLIR可见光相机、Kinect DK、Velodyne VLP-16、Livox Avia）的三维重建算法的性能。对比了基于运动恢复结构与多视角立体视觉（Structure-from-motion and multi-view stereo, SfM-MVS）的可见光图像三维重建、基于迭代最近点（Iterative closest point, ICP）的RGB-Depth图像三维重建、基于激光惯性里程计（LiDAR-inertial odometry, LIO）的固态激光雷达三维重建，以及基于匀速叠加帧的机械式激光雷达点云拼接重建的4种方法。以温室盆栽生菜为例，对4种方法获取的点云数据进行标准化处理，通过开发的自动化处理管道实现了株高和最大冠幅等关键表型参数的精确提取与分析。本研究深入探究并分析了上述方法的优缺点，从点云质量、重建效率、表型性状解析精度与系统成本等方面，对上述方法的适用性进行了全面评估。研究结果不仅可为UGV表型平台的传感器选型和算法开发提供实验依据，也可为育种家和农学家选取高效、精准的表型信息获取方式提供参考。

摘要:高通量作物表型采集设备的飞速发展为育种与栽培研究提供了现代化数据采集手段，同时催生了海量多模态、非结构化表型数据。传统结构化数据存储模式已难以满足此类数据的高效存取需求。为此，提出基于分布式技术的混合存取框架，利用HBase和HDFS构建结构化和非结构化融合存储引擎，集成客户端缓存和Redis缓存设计高效检索机制，并对核心问题进行了优化：针对原生HDFS存储表型数据的固有缺陷，设计基于模态聚合的MCH存储框架，通过将表型数据按模态分类合并存储，并使用双层哈希技术构建局部索引，有效降低NameNode内存压力，同时提高单模态数据的访问效率与存储空间利用率。面向高并发数据读取场景，构建基于数据热度的双层缓存机制，通过元数据分层缓存优化热点数据读取效率，创新提出结合访问频率和时间特性的数据热度评估模型，有效提高缓存命中率。试验结果表明：本文提出的分布式存取方法在数据为1.0×105份时，NameNode内存占用量较最佳原生方案（SequenceFile）降低31.2%，检索时间较最佳原生方案（MapFile）降低25.4%，为海量多模态表型数据的存储和检索提供了技术支撑。

摘要:高效、准确的玉米穗位高监测对于玉米抗倒伏育种研究至关重要。传统人工测量方法费时费力，现有自动化方案在复杂田间条件下鲁棒性不足或成本高。本研究基于YOLO模型和增强现实（AR）技术，设计了一款用于玉米穗位高智能测量的iOS应用程序，可实现玉米穗位高实时、精准、高效且低成本的测量。该系统包含玉米雌穗检测模型和高度测量模块。雌穗检测模型使用在灌浆期玉米田间采集的1000幅雌穗图像构建的数据集（涵盖不同光照和遮挡条件）进行模型训练与验证，在多个目标检测模型中，YOLO v5s表现出最佳性能，精确率为0.844，召回率为0.724，平均精度AP0.5为0.814。该雌穗检测模型被集成至基于AR技术的实时测量模块，在iOS设备上的兼容性和准确性均表现良好，响应时间小于0.3s。田间验证表明，穗位高检测结果与人工实测值高度一致（R2为0.750~0.864，RMSE为0.10~0.13m）；智能测量系统由单人操作，单个小区测量10株以上雌穗用时2min以内，与传统塔尺测量相比速度提高6倍以上。本系统在保证准确性的同时显著提升了玉米穗位高测量的效率，可为玉米育种研究提供实时精准的数据支持。

摘要:图像语义分割技术是获取玉米植株表型信息的重要手段之一，传统的全监督语义分割方法往往依赖大量像素级标签，但玉米在不同生长阶段形态多变，导致图像标注成本高昂，制约模型在实际生产中的应用。为了去掉模型训练中的人工标注过程，本研究提出了一种基于自监督学习的玉米植株图像小样本语义分割网络（Self-supervised few-shot semantic segmentation network for maize plant images，MSDANet），以提高不同生长时期玉米植株图像的语义分割精度和模型泛化能力。MSDANet利用基于超像素的自监督学习方法生成伪标签，无需人工标注即可为支持集图像构建初步监督信号；设计混合遮蔽机制（Mixed masking，MM），应用基于伪标签的语义遮蔽，在特征空间构建多样性遮蔽样本，促进模型学习更鲁棒性的特征表达，从而提高复杂背景下的分割精度。针对图像中玉米植株存在的弯曲、重叠、遮挡等复杂形态问题，本研究为模型设计了多尺度可变形大核卷积注意力机制（Multi-scale deformable large kernel attention，MS-DLKA），通过融合多尺度感受野和可变形卷积，能够灵活感知玉米植株在不同尺度下的重要结构信息，有效提高了语义分割精度。在小样本数据集上进行验证，在1-shot设置下，MSDANet的mIoU和FB-IoU分别达到75.63%和87.12%；在5-shot设置下，mIoU和FB-IoU分别达到76.04%和87.21%，均优于本研究给出的同类其他模型。此外，与当前主流的全监督小样本语义分割模型对比，在1-shot和5-shot设置下，mIoU分别提升2.9、2.93个百分点。结果表明，MSDANet模型能够在无人工标签和小样本的前提下，实现高精度的玉米植株图像语义分割任务，为不同生长时期的玉米图像分析与植物表型测量提供了技术支持。

摘要:玉米是重要的主粮作物之一，其苗期的管理对产量的影响至关重要。准确、快速的玉米苗情监测对于早期植株的补缺、水肥运筹等田间管理工作具有重要意义。传统的苗情监测方法依赖于人工田间调查，存在主观性强、效率低下等问题。利用RGB图像和计算机视觉技术对作物进行大规模、快速和准确的监测，已成为智慧农业的一个重要发展趋势。本研究在幼苗计数与叶龄估算的基础上，提出一种客观的田间作物整齐度自动化评价方法。首先进行图像行检测和缺苗检测，提取株距、行距、叶龄、植株冠层面积、植株外接框面积的变异系数及缺苗率共6项关键整齐度指标；采用熵权法确定各指标权重；并运用TOPSIS多指标综合评价模型计算整齐度综合得分；结合专家经验，将整齐度划分为整齐、比较整齐、不整齐3个等级。结果表明，该评价体系划分的整齐度等级与人工定级结果具有较高一致性，总体分类精度达0.92。在两个独立验证数据集中总体分类精度分别达到0.94和0.96，显示了该方法在不同图像来源和不同试验地点的适应性与泛化能力。本研究为田间作物整齐度的标准化、自动化评价提供了技术支撑。

摘要:穗部表型参数的高通量、无损获取是水稻育种与表型组学研究的关键环节。针对传统人工测量方法效率低、破坏性强，以及现有图像法依赖人工先验、灵活性差等问题，提出一种基于图结构引导的稻穗骨架解析与关键表型参数无损测量方法。首先，在YOLO v9模型基础上，引入混合背景数据增广与WIoU损失，训练出鲁棒性更强的穗节与穗颈节关键点检测模型；其次，对稻穗图像进行阈值分割与细化，提取其骨架并构建无向图拓扑结构；最后，将模型检测到的关键点与骨架拓扑图深度融合，判别关键点类别，并辅助图论算法自动识别提取穗轴、一次枝梗与二次枝梗，依据标定物实现像素尺度至物理尺度的转换。试验结果表明，优化后的关键点检测模型在穗颈节与穗节检测上的mAP较基准模型分别提高4.5、2.4个百分点，召回率分别提升7.8、4.0个百分点，关键点正确检测比例分别提升4.6、5.0个百分点。在结构计数方面，穗节点计数实现零误差，一次枝梗与二次枝梗计数的平均相对误差分别不超过0.39%、2.38%。在尺度参数测量中，稻穗的一次枝梗、二次枝梗、穗轴长度及穗节间长度的平均相对误差可控制在3.2%、7.5%、3.1%与5.2%以内，平均绝对误差分别不超过2.9、2.3、2.3、1.6mm。本研究实现了稻穗关键表型参数的自动无损提取，可为稻穗表型分析提供一种技术方案。

摘要:植物表型分析在精细农业、作物育种及生产管理中具有重要意义，其中玉米表型研究对于提升产量与品质、推动农业现代化发展具有重要作用。三维点云技术因其高精度与丰富的结构信息，逐渐成为植物表型研究的重要手段。相比传统二维图像方法，三维点云能够更准确地描述作物器官的空间形态，为植株生长监测与表型特征提取提供了新的技术支撑。然而，现有点云分割方法在处理玉米茎叶时仍存在挑战，尤其是在顶部新叶识别、相互重叠叶片分割以及茎秆与叶领边界划分等方面，影响了表型参数测量的精度。为此，提出了一种基于距离场的玉米点云茎叶分割方法。在茎秆提取环节引入Quickshift++算法与闵可夫斯基距离场，结合带约束因子的中值归一化生长分割策略，实现了茎秆的精确提取；同时改进了基于点云骨架与最优传输距离的分割框架，以提升茎叶边界识别的准确性。利用自建点云数据集和公开数据集进行了实验验证。结果表明，该方法能够有效提升茎叶分割的准确性，并显著提高茎高、茎径、叶长及叶宽等表型特征的提取精度。研究成果可为玉米表型学研究提供技术支撑，并为农业智能化与作物精准管理提供参考。

摘要:花生作为重要的油料作物，对粮油产量安全起到至关重要的作用，准确、无损、实时的表型监测对花生生产管理具有重要意义。本研究利用无人机平台获取关键生育期多光谱及图像数据，提取冠层光谱（Multispectral, MS）、结构（Canopy height model, CHM）和纹理参数（Textural, TEX）信息，采用偏最小二乘回归（Partial least squares regression, PLSR）、支持向量机（Support vector machine, SVM）、人工神经网络（Artificial neural network, ANN）和随机森林回归（Random forest regression, RFR）4种算法构建花生株高、叶片叶绿素相对含量（SPAD值）、地上部生物量估算模型。研究结果表明：花生地上生物量和株高与近红外波段有强相关性（皮尔森相关系数分别为0.77和0.69），融合纹理、结构和光谱特征后的随机森林模型取得了对生物量最优的模型反演效果（决定系数R2为0.96），融合纹理和光谱特征后的偏最小二乘回归模型对株高的反演效果最优（R2为0.94）；融合纹理和结构特征后的偏最小二乘回归对SPAD值反演效果相对较好(R2为0.39，均方根误差（RMSE）为3.06，归一化均方根误差（nRMSE）为0.062，百分偏差比率（RPD）为1.30）。本研究明确了不同机器学习方法对花生不同表型指标估算所需的特征指标，构建的基于无人机多源数据的表型估算模型可以实现对花生株高和生物量的准确、无损、高效估算，为花生长势监测和生产管理提供了一种有效技术手段。

摘要:全球三大谷类作物（水稻、小麦、玉米）穗部的检测，是精准农业与谷类作物表型分析中的基础任务。然而，在复杂田间环境中，穗部分布密集、尺度差异显著且存在大量小目标严重影响检测精度。为解决这些问题，本研究提出一种基于RT-DETR架构的门控注意力DETR（GA-DETR），并引入3个创新组件：针对谷物穗部细节特征，设计门控机制C2F（GMC2F）模块，通过动态通道加权与跨阶段局部特征融合，提升骨干网络的特征判别能力。为解决谷物穗部形态差异导致的尺度不匹配问题，提出注意力上采样尺度序列特征融合（AUSSFF）模块，借助3D卷积强化多尺度特征依赖。针对无人机图像中小目标检测难题，提出FPIoU损失函数，结合目标尺寸自适应加权与难度感知分层策略，优化对难检测样本的处理能力。在水稻穗数据集（RiceR）、小麦穗数据集（GWHD）和无人机玉米雄穗数据集（MTC-UAV）上，GA-DETR性能优于基准模型RT-DETR及其他5种主流检测模型，mAP@0.5分别达到92.8%、91.7%和91.3%，对于水稻穗数据集（RiceR）模型内存占用量减少32.5%，浮点运算量降低14.4%。在GWHD数据集的穗部计数任务中，该框架性能超过5种主流框架，平均绝对误差（MAE）为5.650，均方根误差（RMSE）为7.383。GA-DETR有效平衡了检测精度与效率，为谷物穗部通用检测框架提供了跨物种特征建模范式，且兼容小麦、水稻、玉米等多种谷类作物，以及地面相机、无人机等不同采集平台的数据，可支持谷物自动化高通量田间表型监测，进一步推动精准农业发展。

摘要:番茄作物生长过程中容易受到多种病害的侵袭。基于深度学习模型的病害检测策略，其计算量通常较大。针对这个问题，本文提出了一种轻量化深度学习模型ResDepSepNet。该模型基于残差模块构建，引入深度可分离卷积，并通过增加卷积运算步长实现下采样。同时引入SE（Squeeze-and-excitation）注意力模块，提升病害识别能力。采用PlantVillage番茄作物病害数据集对ResDepSepNet模型进行了测试，并将测试结果与MobileNetV2模型和TrioConvTomatoNet模型进行对比。测试结果显示，ResDepSepNet模型的整体识别正确率分别比MobileNetV2模型和TrioConvTomatoNet模型高4.8、1.1个百分点，且其浮点运算次数仅为3.5×107，约为MobilenetV2模型和TrioConvTomatoNet模型的1/18和1/7。本研究为番茄作物病害检测提供了技术参考。

摘要:植物表型分析是制约农林现代化发展的关键瓶颈之一。传统表型分析方法存在效率低下、操作复杂等局限，难以实现大规模、动态监测植物在环境胁迫下的生理响应。随着高通量表型技术的快速发展，多源传感器数据融合已成为研究植物健康与胁迫适应的重要手段。然而，现有系统难以应对植株高度变化不一、不同生长阶段表型特征变异大的现象，导致采集设备适应性差、作业效率有限，制约动态生理响应的精准捕捉。为此，本研究以湿地松为研究对象开展梯度养分胁迫试验（正常、轻度、重度），设计并构建了一种自走式高通量表型监测系统，该系统集成可见光、多光谱等多源成像传感器，可根据株高动态变化自动调节传感器空间位置，实现对360株样本的植物表型信息高效采集。在算法层面，系统引入了一种基于遗传算法的递归特征消除交叉验证方法（Genetic algorithm-recursive feature elimination with cross-validation，GA-RFECV），用于筛选与养分胁迫高度相关的敏感特征，并结合机器学习模型构建湿地松养分胁迫响应的分类框架。试验结果表明GA-RFECV方法提高了模型监测精度，其中随机森林（Random forest，RF）模型在验证集上的准确率、精确率、召回率和F1分数分别达到0.694、0.695、0.694、0.685。在进一步结合超参数优化后，差分进化算法（Differential evolution，DE）优化的极端梯度提升（Extreme gradient boosting，XGBoost）模型在验证集上的综合性能最优，相比于其他模型表现较好，准确率、精确率、召回率和F1分数分别提升至0.759、0.770、0.759、0.756，验证了混合特征选择与超参数优化策略在植物养分胁迫分类中的有效性。本研究提出并构建的自走式高通量表型监测系统在植物养分胁迫的精准高效追踪方面展现出较大优势，为精准施肥、抗逆品种选育、林木养分大规模监测提供了可靠的技术支撑与研究方法。

摘要:蚜虫数量是直观表征烟草虫害侵染程度的表型指标之一，针对环境光照动态变化、图像模糊等田间图像采集问题，提出了一种GEB-YOLO v8n轻量化的烟草蚜虫检测算法。首先，主干网络引入GSConv与有效通道注意力机制(Efficient channel attention, ECA)，增强了协同输出烟蚜丰富的图像特征信息和目标导向能力；其次，颈部网络引入加权双向特征金字塔网络(Bidirectional feature pyramid network, BiFPN)，增强了模型检测烟蚜特征图的语义表达能力和空间信息质量；最后，引入WIoU作为边界框回归损失函数，通过动态聚焦复杂样本，使模型更好地泛化到新的、挑战性强的烟蚜检测场景。经模型结构重参数化与超参数优化后，形成面向田间烟蚜检测的网络架构。结果表明，改进后的模型平均精度均值(Mean average precision，mAP)和F1值分别达到了91.8%和90.4%，参数量(Parameters)降低42.8%，模型内存占用量(Model memory footprint)和浮点运算次数（Floating point operations, FLOPs)分别降低至3.5MB和4.1×109，平均推理时间缩短至3.6ms。基于GEB-YOLO v8n模型开发了一款面向小区田间烟草蚜虫识别与计数系统，系统具备在线式图像检测与视频检测双功能，能够在界面上直观展示烟蚜数量检测结果，满足小区田间烟蚜实时检测以及移动端部署的需求。本研究轻量化GEB-YOLO v8n模型为田间环境中烟草植物病虫害识别与表型分析提供了方法参考。

摘要:叶绿素相对含量（SPAD）是评估谷子生长势态与氮素营养状况的关键指标。为实现谷子关键生育期（拔节期、抽穗期、灌浆期、成熟期）叶绿素相对含量的高精度、广覆盖动态监测，本研究融合田块尺度的无人机与卫星多源遥感数据，提出一种基于改进灰狼优化算法（IGWO）优化长短期记忆神经网络（LSTM）的叶绿素相对含量反演模型。同步获取各关键生育期的无人机遥感数据、卫星遥感数据及地面点状SPAD实测值，通过地面实测样点的经纬度坐标，将点状SPAD值与对应位置的无人机影像像元、卫星影像像元进行空间匹配关联，构建影像-实测对应数据集；采用点扩散函数法（Point spread function, PSF）进行无人机影像的尺度上推，结合均值-方差法对卫星数据进行初步修正，再利用支持向量回归（Support vector regression, SVR）建立无人机-卫星多源遥感数据协同校正模型；基于校正后的高精度卫星数据，通过皮尔逊相关性分析与XG-Boost特征重要性排序，筛选对叶绿素相对含量敏感的光谱特征参数；引入非线性收敛因子提升灰狼优化算法的超参数寻优能力，最终构建IGWO-LSTM 叶绿素相对含量反演模型。结果表明，相较于其他重采样方法，点扩散函数法在升尺度过程中信息损失最小，处理后影像像元的平均值与标准差分别为0.103和0.056；经直方图匹配法校正后的卫星遥感数据有效保持原始光谱形状，光谱角映射值（Spectral angle mapper, SAM）低至0.062°；SVR算法在关键生育期的B/G/R/NIR 波段校正模型精度均最高，四波段决定系数分别为0.920、0.961、0.963、0.900；IGWO-LSTM 模型在关键生育期叶绿素相对含量反演中的决定系数（R2）达0.985，均方根误差（RMSE）为0.111，显著优于偏最小二乘回归（PLSR）、BP神经网络（BPNN）及随机森林回归（RF）等传统模型。本研究实现了谷子关键生育期叶绿素相对含量的精准动态反演，对作物生长智能监测与氮肥精准施用具有重要意义。

摘要:针对播种开沟器在黏重土壤环境下作业时粘土严重、开沟阻力大等问题，本文设计了一种适宜黏重土壤的芯铧式播种开沟器。通过理论分析与经验设计，确定了芯铧式播种开沟器的结构参数为：入土角45°、入土隙角5°、斜切角30°、起始滑切角23°、终止滑切角45°、芯铧幅宽45mm。为进一步改善黏重土壤环境下芯铧式播种开沟器减粘脱附性能，基于仿生学的非光滑表面减粘降阻原理，采用增加凸筋方式对芯铧式播种开沟器犁体表面局部进行织构化改形设计，以凸筋几何参数为试验因素，利用EDEM软件模拟开沟器在土槽中的运动情况，采用响应面试验分析凸筋几何参数对土壤粘附量和开沟阻力的影响规律，优化凸筋几何参数最佳组合为：凸筋宽度7.623mm、凸筋高度1.344mm、相邻凸筋间距11.782mm，此时开沟器土壤粘附量为159.88g，开沟阻力为60.065N。土槽试验结果表明：在相同工作条件下，织构化改形开沟器较普通开沟器土壤减粘率为16.33%，开沟阻力降低了2.91%~4.45%，达到了预期的减粘降阻效果。

摘要:针对田间水稻育秧盘摆盘收盘装置功能单一、体积庞大和摆盘收盘效果不佳等问题，设计了一种体积较小、兼备摆盘和收盘功能的水稻育秧硬盘摆盘收盘机，由摆盘收盘一体机构、连杆式分盘机构、传送带和链式集盘机构组成，可实现摆盘收盘模式切换，高效完成摆盘和收盘。阐述了摆盘收盘一体机构和连杆式分盘机构的基本结构和工作原理，确定了关键机构的工作参数，并通过ADAMS验证机构可行性。设计并搭建样机进行试验，通过收盘试验表明，装置在4~6s/盘的收盘速度时，收盘成功率不低于90%。以分盘高度、作业周期、秧盘数量作为试验因素，摆盘成功率为试验指标，进行三因素三水平正交试验，建立二次回归模型，得到因素影响显著主次排序为：分盘高度、秧盘数量、作业周期，最佳参数组合为分盘高度5cm，作业周期5s/盘，秧盘数量8盘/组，测得该参数下摆盘成功率为93%，整机运行稳定，符合设计要求，能够实现快速有效的秧盘摆盘和收盘作业。

摘要:甘薯横向水平移栽可提高产量和商品率，但二者被移栽深度严重制约，且机械化移栽对甘薯苗形态要求极高。为此，根据甘薯横向水平移栽农艺要求，针对大田苗移栽的甘薯横向水平移栽机设计了一种刮板式覆土装置以保证移栽深度。首先，对刮板式覆土装置进行结构设计，对其作业时的土壤颗粒运动过程进行理论分析，确定土壤颗粒运动速度和运动方向的主要影响因素为安装倾角α、刮板倾角β、刮板线速度vb，而刮板长度L、宽度W和间距D会影响上土量。然后，进一步理论分析获得刮板式覆土装置安装位置，α、W和D的取值以及vb、β和L的取值范围。最后，基于RecurDyn-EDEM的耦合仿真建立田垄-刮板式覆土装置耦合作用模型，采用Box-Behnken试验设计方法，以vb、β、L为试验因素，以平均覆土厚度为评价指标，分析各试验因素及其交互作用对平均覆土厚度的影响。利用Design-Expert软件得到回归方程的预测模型并进行响应面分析，确定了刮板式覆土装置的最优参数组合：刮板倾角100.35°、刮板线速度1.74m/s、刮板长度150.32mm时性能最优，平均覆土厚度为50mm。田间试验表明最优参数组合下，平均覆土厚度为48mm，移栽深度合格率为96%，覆土厚度标准差为4.6mm。

摘要:针对传统自走式喷雾机液压转向系统存在能耗高、效率低的问题，以3WPZ-1800G型自走式喷雾机为研究对象，对其液压转向系统存在的节流损失和溢流损失等能量损失问题进行分析。基于此，设计并实现了一种以负载敏感变量泵为核心、结合电液比例阀的节能型液压转向系统，该系统能够动态匹配转向液压泵的输出压力、流量与转向油缸负载所需的压力、流量。为验证该系统的有效性，采用AMESim及Matlab/Simulink软件分别搭建了原系统和节能系统的仿真模型，并设计了模糊PID控制器用于转向同步控制，对两种系统在不同工况下的能耗进行仿真对比分析，仿真结果表明，节能系统相较于原系统可减小约90.1%、71.3%和66.7%的能量输出。同时，进行了实车试验，结果显示节能系统相较于原系统可减小约90.7%、60.7%、68.7%的功率输出，与仿真结果基本一致，验证了本文设计的负载敏感节能型液压转向系统的节能效果良好。

摘要:目前名优茶主要通过人工采摘，名优茶的机械化采摘存在茶茎剪切断口发红影响品质、末端执行器尺寸较大影响精准采摘的问题。为此设计了一种模拟人手指夹紧茶茎并提拉的末端执行器，以所测茶叶几何参数、生物力学参数为约束，设计采摘机构、收集机构各杆件尺寸参数；通过Matlab软件和Solidworks软件运动学仿真，验证收集机构各杆件的尺寸参数。确定采摘成功率的影响因素夹具厚度、采摘高度和夹指张角的参数范围，采用Box-Behnken响应面分析方法，以采摘成功率为响应值建立二次回归模型，研究各因素对采摘成功率的交互影响。各因素对采摘成功率的影响显著性主次排序为：夹指张角、夹具厚度、采摘高度；以采摘成功率为优化目标优化各因素，将优化后的各参数最优组合近似处理为：夹具厚度6mm、夹指张角59°、采摘高度3mm。以优化后的参数进行田间试验，结果表明末端执行器采摘成功率为91.67%，试验值与预测值的误差小于5%，影响因素优化结果可靠，表明所设计采摘末端执行器可以达到茶叶高效采摘的要求。

摘要:三七作为云南地区名贵中药材，其机械化收获存在挖掘阻力大的问题，减小挖掘阻力对提高三七机械化收获效率具有重要意义。针对这一问题，本文设计了一种新型复合仿生铲。通过理论分析确定了影响复合仿生铲挖掘阻力的因素：仿生刀长度、宽度和高度，铲体宽度、长度和铲刃斜角，结合上述因素和标定试验获得的物理参数，使用Hertz-Mindlin (no-slip)模型设计正交试验，得出挖掘阻力最小的复合仿生铲结构参数组合。设计跟踪颗粒位移流向的仿真试验，评估所提出的复合仿生铲减阻能力和挖掘效果。采用正交试验方法进行现场试验，确定了复合仿生铲最佳工作参数组合：入土角为15°，前进速度为0.3m/s，铲片中心间距为80mm；得到复合仿生铲的平均挖掘阻力为1094.51N，与平面铲、二阶铲和组合铲相比分别降低了25.30%、19.55%和10.76%。以上结果表明，所提出的复合仿生铲能够满足降低挖掘阻力、提高三七中药材机械化收获效率的需求。

摘要:针对玉米根茬大且易缠附残膜，从而导致膜卷打包成型难且易散开的问题，设计了一种适用于玉米大根茬作物的倾角揉搓型残膜打包装置。通过对打包支撑架和打包空间进行设计与优化，提高膜卷在打包过程中所受的摩擦力，使膜卷更易打包成型。建立打包装置受力分析模型，得出打包皮带表面摩擦因数越大、打包空间角度越小，膜卷所受摩擦力越大，残膜打包成包率与膜卷密度越高，但前进速度过快会导致打包密度不均匀。利用EDEM离散元仿真分析打包皮带摩擦因数对成包率和膜卷密度的影响。通过田间试验与Design-Expert 13对试验参数进行分析与优化，确定了影响成包率的主次顺序为打包皮带摩擦因数、打包空间角度、前进速度，影响膜卷密度的主次顺序为打包空间角度、前进速度、打包皮带摩擦因数。优化后的理论最佳参数组合为：前进速度6.758km/h、打包皮带摩擦因数1.378、打包空间角度55°，在此条件下成包率达到100%、膜卷密度为131.835kg/m3。在前进速度6.8km/h、打包皮带摩擦因数1.38、打包空间角度55°的参数组合条件下进行田间验证试验，得出实际成包率为100%，膜卷密度为127.31kg/m3，膜卷密度误差为3.55%，证实模型符合实际、满足作业要求。

摘要:阻力模型是影响悬移质固液两相流固相浓度分布计算结果的重要因素，现有的相间阻力模型未考虑颗粒动态尺度引起的周围流体湍流强度改变对颗粒运动和扩散的影响，导致固相浓度计算结果与试验值相比仍有误差。为此，针对悬移质固液两相流，采用流体湍流强度变化率与颗粒动态尺度的表达式，对MTE-Wen-Yu模型进行修正得到改进的PDS-MTE-Wen-Yu模型。通过圆管内固液两相流数值计算对改进模型进行了验证。结果表明，在不同进口流速、不同进口固相浓度和不同固相颗粒粒径时，相比于Wen-Yu模型和MTE-Wen-Yu模型，PDS-MTE-Wen-Yu模型计算得到的固相浓度分布与试验值更加吻合，计算精度更高。在湍流核心区，PDS-MTE-Wen-Yu模型和MTE-Wen-Yu模型的计算精度基本相同；但在近壁区内，PDS-MTE-Wen-Yu模型具有更高的计算精度。但是，随着颗粒粒径和固相浓度的增大，由于大粒径颗粒的惯性增大，湍流改变对颗粒的影响随之降低，PDS-MTE-Wen-Yu模型的计算误差逐渐增大。在固液两相流压力场计算时，MTE-Wen-Yu模型和PDS-MTE-Wen-Yu模型计算得到的压力降基本相同，都更接近试验值，但仍存在一定的误差。因此，PDS-MTE-Wen-Yu模型具有较高的计算精度，更适用于固相颗粒粒径较小的低浓度悬移质固液两相流固相浓度和小流速、低浓度固液两相流压力场的计算。

摘要:为实现对液环泵内非稳态气液两相流场的快速预测，提出了一种基于深度学习的非定常周期性流场预测方法，可以实现样本集之后未来一定时间段内流场的高精度快速预测。通过对液环泵非稳态CFD结果获取的各时间步上的流场快照建立流场数据集，利用卷积神经网络(CNN)对流场快照进行特征提取，并结合长短期记忆神经网络(LSTM)构建时间序列神经网络预测模型，预测结果与CFD数值模拟结果进行对比，分析表明，CNN-LSTM模型能够实现对未来时刻非稳态流场的高精度预测；相态场、压力场、温度场的预测结果平均相对误差分别为1.37%、1.28%、1.78%；在利用LSTM预测壳体及进口压力脉动时，在样本集之后叶轮旋转360°时间上平均相对误差分别为1.61%、0.09%、0.20%。在样本空间外的预测集上，CNN-LSTM的预测性能优于本征正交分解(POD)方法，尽管在外延时间序列上的预测精度随时间增加逐渐下降，但在整个时间历程上保持了较好的预测精度，在预测内流场结果方面具有显著优势。

摘要:为了提高磁悬浮离心泵的水力效率，选取某型号的磁悬浮离心泵为研究对象，在流量15L/min、转速6000r/min的工况下以泵的效率最大值作为优化目标，基于泵的基本方程采用Plackett-Burman试验设计筛选出对效率影响最为显著几何参数，最终选出叶片进口边交点节圆直径、节圆切线与工作面切线的夹角、叶片工作面型线半径、叶片背面型线半径、前盖板轴面投影线与竖直方向的夹角作为优化变量。采用最优拉丁超立方设计方法设计了50组试验方案，并结合数值模拟的方法计算出相应的扬程和效率，引入RBF神经网络进行训练得到优化变量与优化目标之间的近似模型，最后利用改进后的灰狼算法进行寻优。结果表明：经过优化，磁悬浮离心泵的扬程提高了0.06m，水力效率提高了0.56个百分点，同时流量-扬程曲线变得更加平滑，使泵的运行更加稳定；优化后叶轮流道变宽，流道内的压力梯度变小，漩涡在径向收缩，叶片工作面的漩涡几乎消失，流动状况有所改善；叶轮流道内湍动能分布更加合理，同时低湍动能区域增加，流动损失减少，叶片做功能力提高，水力效率也因此提高。

摘要:利用基准数据集对模型进行评估，是衡量大语言模型（LLMs）在特定领域能力的重要方法，主要用于评测其知识水平与推理能力。为更好地评估大语言模型在农业领域的能力，本文提出了 Agri-Eval：一个用于评估农业领域大语言模型知识与推理能力的基准。Agri-Eval的评测数据集涵盖农业领域7个主要学科：作物科学、园艺学、植物保护学、畜牧学、林学、水产科学和草业科学，共包含2283道试题。在国内通用大语言模型中，DeepSeek-R1 表现最佳，准确率达 75.49%；在国际通用大模型中，Gemini-2.0-Pro-exp-02-05以74.28% 的准确率位居首位。作为农业垂直领域大模型，神农V2.0（Shennong V2.0） 的综合表现超越了所有国内通用大模型，其在农业知识问答的准确率亦优于所有现有的通用模型。Agri-Eval的发布有助于开发者通过多样化任务与测试，全面评估模型在农业领域的综合能力，从而推动农业领域大语言模型的发展。

摘要:农机备件是农机维修的重要基础，是农机故障及时维修和农业生产正常开展的必要保障，因此，对农机备件需求量的精准预测至关重要。然而，农机备件的需求量具有非平稳性、非线性、多零值、波动大等特点，使得预测任务变得困难。本文提出了一种基于卷积神经网络的时间序列高效卷积网络(Time series efficient convolution network, TECNet)，用于农机备件需求量的预测。该模型首先利用快速傅里叶变换对原始一维序列进行周期性提取，然后根据周期性构建二维时间序列卷积模块进行特征提取，最后将二维特征重塑回一维特征，并通过线性变换得到预测值。利用某农机备件供应商4种不同备件类型的销售数据进行了评估验证，并引入均方根缩放误差作为衡量指标，以统一不同序列间的预测效果。试验结果表明，提出的模型预测效果显著优于其他参考模型，4种不同备件需求量预测的均方根缩放误差分别为0.775、1.349、0.822、0.205，均表现出良好的预测效果。该模型能有效考虑时间序列中的时间依赖关系，具有捕捉时间序列数据中非线性模式的能力，对不同农机备件类型的预测任务均能取得良好的效果，可为预测农机备件需求量提供参考。

摘要:为了降低柚子等水果目标检测对大量标注数据的依赖，本文提出了一种融合视觉语言模型的柚子分形树图像生成增强方法。该方法仅需3~5幅无标注真实图像，即可在无训练条件下生成大规模带标注的训练数据集。首先利用基于文本提示的零样本分割模型（Grounded segment anything model，Grounded SAM）提取柚树组件，然后结合稳定扩散模型Stable Diffusion使用文本提示生成随机背景，最后使用改进的分形树算法生成柚树以提升多样性及真实感。试验采用YOLO v10轻量化版本进行验证，在自建的非结构化环境柚子目标检测数据集上，当训练集真实图像数量分别为0、8、16、32、64幅时，使用本文方法后模型多阈值平均精度均值（Mean average precision at intersection over union thresholds from 050 to 095，mAP50-95）提升率依次达到662.3%、24.9%、13.7%、8.8%、1.8%。当训练集中真实图像数量为221幅，生成图像数量为512幅时，模型达到最优性能：精确率为76.9%，召回率为62.7%，mAP50为70.3%，mAP50-95为38.4%。迁移到橙子目标检测任务，相同数据规模下的性能提升分别为212.9%、16.5%、14.0%、5.2%、4.1%。当训练集中真实图像数量为1302幅，生成图像数量为512幅时，模型同样达到最优性能：精确率为90.3%，召回率为87.8%，mAP50为94.0%，mAP50-95为54.0%。试验结果表明，该图像生成增强方法在零样本和少样本学习场景中能够有效扩展训练数据，提高YOLO v10轻量化版本目标检测的性能，并展现出良好的泛化能力。

摘要:针对现有紫花苜蓿根系动态生长模型和岩土工程生态防护方面的护坡植物根系模型空缺，将传统的L系统进行改进，提出了一种基于L系统的可应用于岩土工程生态防护领域的动态生长根系建模方法。通过控制伊犁黄土干密度、初始含水率和种植环境的温湿度等，开展了紫花苜蓿种植，统计了不同生长时间下的紫花苜蓿的主根根长、主根直径、侧根数量、侧根直径、侧根长度和侧根分支点等。结合紫花苜蓿生长参数，基于L系统和建模技术，完成了紫花苜蓿动态生长根系模型的构建。结果表明：紫花苜蓿根系生长满足Logistic方程，侧根与主根夹角为15°~60°, 侧根数量、分支间距和开始分支的长度等随着生长时间增加而增加, 主根下段直径稳定在0.01~0.04mm, 靠近土壤表面的主根直径随时间变化较大；侧根直径小，直径变化也小。使用Logistic方程为紫花苜蓿根系生长模型，基于L系统结合建模技术构建了可用于数值仿真的紫花苜蓿动态生长根系模型，对该模型进行了验证，结果表明根系模型整体误差小。本文基于L系统的紫花苜蓿动态生长根系模型成功将紫花苜蓿根系的动态生长可视化，可应用于农业生产、植物学和岩土工程的数值仿真领域，为紫花苜蓿根系动态生长模型和岩土工程生态防护方面的植物动态生长根系模型建立提供参考。

摘要:针对采摘机器人在连续采摘多个目标番茄时存在采摘成功率低、规划路径长等问题，提出一种基于视觉引导的多目标番茄采摘序列优化方法。建立空间异构双目立体视觉定位系统，获取多目标番茄三维坐标，判断番茄的成熟度与遮挡情况，建立非封闭空间下基于视觉引导的番茄采摘任务空间与集合，并将连续采摘问题转换为三维旅行商问题；构建基于改进麻雀算法（VG-ISSA）的连续采摘序列优化方法，采用立方混沌映射对种群初始化，获得随机性、遍历性高的麻雀种群，结合粒子群优化策略对探索者位置进行自适应调整，加入Levy飞行策略增强追随者的遍历性，提出一种视觉信息引入策略，使算法能够根据实际遮挡情况进行合理序列优化；通过仿真与实验室番茄采摘实验对所提方法进行验证，并与遗传算法、粒子群算法、标准麻雀算法进行比较，结果表明：所改进算法相较于遗传算法、粒子群算法、标准麻雀算法响应时间分别减少19.8%、32.9%、42.4%，采摘路径长度分别减少25.8%、24.0%、16.24%，实验证明所提方法在采摘机器人实现番茄连续采摘过程中具有一定的先进性。

摘要:针对传统农用车辆的运输方式存在效率低、成本高以及安全性差的问题，提出了一种用于农业无人机路径规划的改进河马算法(Dynamic modified hippopotamus optimization, DMHO)。该算法综合了Lévy飞行、成长比例机制、自适应学习率的棱镜对立学习算法及随机扩散的优势，提升算法的全局搜索及探索能力。算法在23个经典基准函数的测试结果表明，与原始河马算法等8种算法相比，DMHO在21个函数上展现出最优性能。构建丘陵种植区域无人机飞行环境的三维地形，搭建农业无人机在此环境下的路径规划模型，设计满足多条件约束的代价函数。在3种不同复杂程度的飞行任务中，DMHO找寻的平均适应度最短,相较于原始河马算法标准差分别降低33.39%、72.81%和7.08%，表现出显著的优越性和稳定性。

摘要:在复杂非结构化农田环境中，导航线精确提取对农机和农业机器人实现自主作业至关重要。农业环境中普遍存在光照多变、地形起伏和杂草干扰等挑战性因素，传统图像处理方法在适应性、准确性和实时性方面表现不佳，难以满足智慧农业的视觉导航需求。针对这些问题，本文提出一种基于改进UNet的ResAC-UNet深度学习网络模型。该模型采用ResNet-50网络替代传统UNet的编码器结构，增强特征提取能力。通过优化跳跃连接，提高了分割速度和实时响应能力。在网络的瓶颈部分引入ASPP模块，实现多尺度感受野建模，保持高分辨率特征的同时捕获更丰富的上下文信息。此外，模型整合CBAM，增强对作物行边界的精确感知，有效防止了关键特征信息的丢失，进一步提升了分割质量。在分割结果的基础上，采用行锚法和RANSAC算法实现了高精度导航线的提取与平滑处理。将获取的前视图像进行鸟瞰图转换，消除透视效应，生成保留ROI的作物行俯视图。试验结果表明，ResAC-UNet模型在精确率、平均像素精度、平均交并比和召回率方面分别达到99.23%、95.44%、85.23%和94.71%，性能优于当前主流的Segformer、DDRNet、HRNet及DeepLabV3+等分割网络，ResAC-UNet的平均推理时间为15.26ms，满足智能农机视觉导航识别的实时性需求。在相机的ROI区域内可提取3条导航线，中间导航线的最大角偏差仅为0.96°，最大像素偏差为4.3像素，实现了高质量导航线可靠提取。对比其他导航路径提取方法，本文方法具有更高的准确性和稳定性。

摘要:为解决农业机器人在运动过程中出现的转向不稳定和滞后问题，提出了一种粒子群优化（PSO）与遗传算法（GA）融合的PID控制方法。该融合算法利用PSO的快速优化能力，对GA的种群筛选环节进行优化。Simulink仿真结果表明，融合算法的适应度函数收敛速度加快，系统响应调整时间缩短，超调量几乎为零。随后，该算法被应用于农业机器人在不同场景下的转向测试。在对农业机器人的转向系统进行建模后，无负载悬浮状态下的转向测试结果表明，与人工试错PID控制和基于GA的PID控制相比，基于融合算法的PID控制减少了系统的上升时间、响应调整时间和超调量，提高了系统的响应速度和稳定性。实际道路转向测试结果表明，基于融合算法的PID控制响应上升时间最短，约为4.43s。当目标脉冲数设为100时，稳态调节阶段实际均值约为102.9，在3种控制方法中最为接近目标值，同时超调量也有所减小。不同场景状态下的转向测试结果表明，本研究提出的基于融合算法的PID控制具有良好的抗干扰能力，能够适应环境和负载的变化，提高控制系统的性能。该方法在农业机器人的转向控制中效果显著，为其他机器人的精确转向控制提供了参考。

摘要:涝渍限制黑龙江省东部三江平原耕作土壤（白浆土）生产潜力，制约粮食稳产、丰产。本研究针对三江平原涝渍区域白浆土存在坚硬的障碍层，通气透水性差、排水不畅，易形成涝渍灾害问题，采取自主研发的鼠洞犁（RHPT）和秸秆深埋犁（SDBT）进行耕作改土作业，以常规耕作（灭茬起垄）为对照（CK），基于人工模拟涝渍对正处吐丝期的玉米进行7d的涝渍胁迫，研究两种深耕改土方式打破障碍层，改善土壤耕层构造，抵御涝渍对玉米根系生长、干物质积累、产量构成的性能。试验结果表明：相对常规耕作（CK)，2种耕作措施降低土壤硬度，改善土壤透性，三相比更合理。RHPT、SDBT处理与CK相比，亚表层（20~40cm)土壤硬度最大降幅分别为25.9%、19.3%，土壤固相率降低7.9%、9.2%，液相率增加11.5%、10.6%；耕层透水系数增加451.1%、407.1%，各项指标差异均显著（P<0.05）。2种耕作措施减缓涝渍对玉米的生长胁迫，提高玉米产量。RHPT、SDBT处理与CK相比，玉米根活力分别增加25.0%、28.0%，干物质量增加11.1%、11.8%；SPAD值增加17.1%、14.4%；花粉活力提高26.1%、22.7%；籽粒产量增加11.3%、12.0%。本研究采取2种耕作改土措施，增加土壤库容，减缓涝渍对玉米根系胁迫，提高作物抗逆性，为东北春玉米减灾保产调控提供技术支撑。

摘要:为了更好地推动秸秆球磨预处理技术应用，评估球磨预处理工艺实现放大生产的可行性，通过离散元法仿真模拟预测规模放大的秸秆球磨预处理中的能耗，并验证球磨规模放大后的预处理效果。将实验室规模的CJM-SY-B型振动球磨机筒体尺寸按容积放大24倍后建立三维几何模型，导入EDEM软件，通过输入玉米秸秆初始和球磨后的物理属性参数仿真模拟得到球磨机内部的碰撞能量耗散情况，来估算放大后的球磨能耗；同时，对比了两种规模下仅球磨预处理的玉米秸秆粒径及酶解产糖浓度，验证了秸秆球磨工艺放大后的预处理效果。结果表明仿真预测能耗为1.48kW·h/kg，实际能耗为1.65kW·h/kg，预测相对误差为10.3%，实验室规模与规模放大后的球磨玉米秸秆粒径跨度仅相差0.8%，酶解产生的总单糖质量浓度分别为85.5g/L和88.5g/L，表明玉米秸秆的酶解效果未因球磨规模放大而发生明显变化。本研究证明利用离散元法对玉米秸秆球磨进行放大仿真是可行的，为实现秸秆球磨工艺放大应用提供一定的理论参考和技术支持。

摘要:为克服传统卷烟配方设计与维护过程中存在的主观性强、过度依赖人工经验及感官评吸等技术瓶颈，利用“近红外光谱-化学成分-感官指标”的间接关联，提出了一种基于近红外光谱与Transformer架构的端到端烟叶感官质量指标预测方法。首先采用Savitzky-Golay卷积平滑法（SG）、一阶导数法（D1）、多元散射校正（MSC）3种光谱预处理技术有效消除基线漂移和散射干扰；进而设计了一种面向光谱数据特征的Transformer预测模型，实现了烟叶感官质量三维评价体系（风格特征：清香、甜香、焦香；烟气特征：浓度、劲头；质量特征：香气质、香气量、杂气、刺激、余味）的精准预测，并采用了SHAP方法对模型进行分析，增强了模型的可解释性。结果表明，模型对各感官指标测试集预测的平均绝对误差均不高于0.56，具有较好可用性；针对不同感官指标，模型表现出对不同光谱特征波段的捕捉，有效挖掘了光谱特征的协同作用机制，具有较好可解释性。在此基础上，进一步结合多维相似度分析设计了一种辅助烟叶替代方法，可为烟叶替代与配方优化提供量化决策支持。

摘要:检测农作物体内腺苷三磷酸(ATP)水平对于评估作物生长代谢、监测环境胁迫反应、开展病理生理研究以及指导农业生产实践具有重要意义。为实现快速准确地检测和定量ATP，开发了一种基于CuInS2@ZnS量子点(QDs)的近红外荧光传感器。利用热分解法制备了CuInS2@ZnS QDs,通过MPA修饰赋予其负电荷,并与带正电荷的羧基壳聚糖形成CHIT/CuInS2@ZnS纳米复合材料。ATP的强负电荷适配体通过静电和氢键作用诱导纳米复合材料聚集，导致荧光猝灭。当目标物ATP与适配体特异性结合后，形成适配体-ATP复合物，从荧光探针表面解离，导致探针的荧光信号恢复。该传感器在5pmol/L至10nmol/L ATP浓度范围内,荧光强度(I/I0)与ATP浓度呈现良好的线性关系,检测限为1.67pmol/L。该传感器能够在复杂生物样品中有效区分和检测ATP,展现出优异的应用前景。

摘要:为解决传统机械系统在大范围运动中高精度定位问题，本文设计了一种精密宏微驱动系统，通过微驱动系统补偿宏驱动系统定位误差，实现亚微米级精密定位。基于柔性铰链杠杆原理和平衡附加力原理，设计了一种微动放大机构，可将输入位移按设计放大比1.5精密放大且无附加位移。在宏微驱动系统中，伺服电机和滚珠丝杠结合作为宏驱动系统，采用压电陶瓷制动器驱动微动放大机构作为微驱动系统，并用以补偿宏驱动系统的定位误差，实现大行程高精度运动。在完成宏微驱动系统工作原理设计的基础上，分析系统定位误差并提出误差补偿方案，开展宏微驱动系统定位误差补偿试验。试验结果显示：在运动行程2mm范围内，经过定位误差补偿后，宏微驱动系统的平均定位误差由14.49μm降低至0.34μm，平均定位误差降低97.65%。定位误差补偿试验验证了宏微驱动系统设计及误差补偿方案的有效性与精确性。

摘要:首先提出一种可轮换用动平台的部分运动解耦三自由度并联机构，该类机构在工作过程的不同阶段可轮换使用两个不同的动平台以产生两平移一转动（2T1R）和三平移（3T）两种不同模式的输出运动，最终实现不同的工艺操作，可视为一种新的两模式输出运动机构。进一步，分析该三自由度并联机构在两种不同模式下的拓扑学、运动学与动力学性能，包括以方位特征（POC）、自由度（DOF）和耦合度（k）为内容的拓扑性能分析，基于其拓扑特征的机构符号式位置正反解的求解，基于位置正解的机构工作空间分析，以及基于位置反解的机构奇异位置分析；基于虚功原理序单开链法的机构动力学建模及其驱动力曲线的求解。然后，将可达工作空间作为优化目标，对机构的尺寸进行优化设计。最后，对该机构用作激光切割工艺的执行机构，并对2T1R和3T两种模式应用场景的概念设计进行阐述。本研究为可轮换用动平台的并联机构的设计、分析与潜在应用提供了理论依据，也拓展了多模式机构的概念、设计方法与应用范围。