割草机器人自动控制系统 —基于智能视觉和人工算法

为解决无导航功能的智能割草机割草区域最佳覆盖的问题,将智能视觉和人工智能聚类算法引入到了割草机控制系统的设计上,通过分解目标区域和计算质心位置,实现作业区域的全覆盖识别。机器人控制系统利用智能视觉来判断割草作业区域,代替了以信号和微波等为依据的导航功能,可以有效地提高作业区域的识别效率和精度。为了验证方案的可行性,以割草机器人路径规划为例,对割草机器人的路径规划时间和准确率进行了测试。结果表明:基于智能视觉和人工聚类算法的割草机器人具有较高的路径规划效率,且路径规划的准确率也较高,可以满足割草机器人控制系统的设计需求。     

黄颡鱼池塘精养高产模式

黄颡鱼，在福建、广东俗名黄骨鱼，四川等地俗名又称黄腊丁、黄辣丁等，原为我国江河湖泊的优质野生鱼类，广泛分布于广东、福建、湖南、湖北、江西、浙江、山东、广西、辽宁、四川等二十多个省市各天然水域，长江水系资源特丰富。     

安龙县大数据村域经济服务社运行模式及存在的问题

从2016年开始,贵州省农村综合经济信息中心和贵阳银行联合启动在全省各村建立大数据村域经济服务社,助推全省精准扶贫。黔西南州安龙县作为第一个正式启动建设县,县政府重视、县气象局全力配合。本文就安龙县大数据村域经济服务社的运行模式、运行中存在的问题等方面进行调研,并提出整改建议。     

Alpha-shape算法构建枣树点云三维模型

为了实现枣树智能化修剪作业，该研究提出了基于点云配准的自然光照环境下的果树三维重构方法，并针对传统最近点迭代（Iterative Closest Point，ICP）算法对待配准点云的空间位置要求苛刻的问题，提出了改进的点云配准算法。首先，使用彩色深度（RGB-D）相机采集不同角度下的枣树彩色和深度图像，并通过信息融合实现相应角度下的点云获取。其次，对点云进行背景去除和滤波处理，基于直方图设定分割阈值，提取单株枣树点云，并将放置在树根附近的标靶球作为标记，使用人工标记法进行两站点云初配准。最后，在初配准基础上计算点云的曲面法向量和曲率，由曲率相近的点构成配对点对，使用k维树最近点迭代（k dimensional-tree-Iterative Closest Point，kd-tree-ICP）算法完成精配准，对点云使用Alpha-shape算法面片化，实现表面重构。利用上述方法对多棵枣树进行全局配准并完整重构果树模型。试验结果表明，通过引入初配准，有效提高了点云配准的准确性和稳定性，配准误差均控制在1.0 cm以内，平均配准误差为0.78 cm；重构模型真实感较强，在外观上更加接近真实树，枝干相对误差控制在7%以内。该研究重构模型精度较高，可为枣树智能修剪提供可视化研究基础和技术支持。     

滑坡稳定性分析中的抗剪强度指标的确定方法

滑坡是现代工程中经常遇到的问题,对滑坡稳定性的分析往往决定着工程质量的好坏,而在分析滑坡稳定性时,抗剪强度指标的计算选取有起着关键性的作用。本文通过剪切试验、反算法、经验数据分析三个方面讨论了抗剪强度的确定方法,并对比了三种方法的优劣,明确了反算法在实际工程中应用的重要地位。     

基于精英策略的多目标规划问题的粒子群算法

多目标规划问题的解通常不是唯一的,而是一个最优解集合,因此问题具有不适定性。提出了一种求解多目标规划问题的基于精英策略的粒子群算法:该算法以群组为操作单元,以有效应对多目标规划问题的多解特征;外部存档的精英策略可以保证粒子的多样性,可以有效克服算法易陷入局部最优的缺陷。最后利用3个数值算例验证了算法的可行性和有效性。     

基于傅里叶变换自由曲面测量技术研究

本文对几种傅里叶变换轮廓术进行了分析研究,结合实验的方法对传统FTP法以及两种改进FTP法(π相移法和灰度图法)的测量范围进行了对比研究,通过实验的手段分析了这两种改进方法间的异同。实验显示,π相移法的测量结果要优于灰度图法的测量结果,且随着物体高度梯度值的增加,π相移法的测量结果越优于灰度图法的测量结果。     

基于产业导向的村规划编制方法研究

通过分析编制村规划的必要性,探讨了新时代村级规划的基本理念与思路以及存在的问题,结合产业导向研究了村规划的编制方法,实证分析试点区规划内容,以此总结出村规划编制的一系列经验与教训。     

基于优化算法的阔叶树种生长模型研究

随着优化算法的发展和应用,分析优化算法在林分断面积生长模型参数估计中的运用并分析其优劣就显得尤为的迫切。采用昆明市森林资源二类调查数据,筛选树种组成大于等于6成的小班剔除异常值后作为建模样本单元。采用地位级指数和林分密度指数引入到生长模型中,分别采用麦夸特算法、差分进化算法、遗传算法、模拟退火算法和粒子群算法进行参数求解,根据算法迭代次数比较各优化算法的算法效率,并求解生长模型参数稳定性。结果表明,桤木、栎类和桉类断面积生长模型拟合决定系数分别为0.94,0.87,0.84,均方根误差分别为1.10,1.59,2.20,模型通过T检验和残差分析;麦夸特算法、差分进化算法、遗传算法、模拟退火算法和粒子群算法迭代次数平均值分别为68,2 188,4 147,4 492和2 324;Richards,Schumacher和Korf模型各参数拟合结果间欧式距离分别为1 408.47,10.11,45.22,Korf模型的拟合优度大于Schumacher和Richards模型。     

基于特征金字塔注意力与深度卷积网络的多目标生猪检测

在生猪饲养环境中,猪只黏连、杂物遮挡等给生猪个体多目标检测带来很大困难。该研究以猪圈群养生猪为研究对象,以视频帧为数据源,提出一种适用于生猪形体检测的特征金字塔注意力(FeaturePyramidAttention,FPA)与Tiny-YOLO相结合的模型FPA-Tiny-YOLO。该模型将注意力信息融入到特征提取过程,在不大幅增加计算量的前提下即可提升特征提取能力、提高检测精度。对8栏日龄20～105 d的45头生猪视频截取图像进行图像处理,获得标注图片4 102张,构建了4种深度FPA模块分别加入YOLOV3与Tiny-YOLO模型中。试验表明,深度为3的FPA模块(即FPA-3)的Tiny-YOLO模型在测试集上对群养生猪多目标检测的召回率Recall、F1与平均检测精度m AP指标值最佳,分别达到86.09%、91.47%和85.85%,比未引入FPA模块的Tiny-YOLO模型均有不同程度的提高。选用不同的IOU(Intersection Over Union)和score阈值超参数值对模型预测结果均有不同程度影响;将测试集图像按照是否黏连与遮挡划分4种场景来探究该模型的鲁棒性。试验表明,加入FPA-3模块后Tiny-YOLO的Recall、F1与m AP比Tiny-YOLO分别提升6.73、4.34和7.33个百分点,说明特征金字塔注意力信息有利于精确、有效地对不同场景群养生猪进行多目标检测。研究结果可为后续开展生猪身份识别和行为分析移动端应用提供参考。