行星变速机构换挡变胞与其构态属性自动识别

针对数学表征行星变速机构换挡变胞过程及自动识别各挡位构态属性较难的问题，首先，解析了行星变速机构变胞理论，基于机构转换法定义相对转速意义下行星排构件间运动副约束函数的转换规则，构建以约束函数为元素的行星变速机构构件和关联关系的邻接矩阵；然后，根据换挡逻辑分析了操纵离合器和制动器的换挡变胞过程，基于邻接矩阵分别推导这两种换挡构态演变的变胞方程，建立包含行星排空转和整体回转等特殊构态的判别准则，结合实例分析揭示换挡变胞机理；最后，通过建立相对转速方程和行星变速机构特性参数识别，结合行星变速机构等效拓扑模型的约束条件，提出了基于构态变胞方程的行星变速机构传动比和转矩自动建模和求解方法，实现了行星变速机构各挡位构态属性的自动识别。以某拖拉机行星变速器为例进行了分析，验证了该方法的可行性和有效性。     

基于图像处理的疏透度测定及结构关系研究

为快速、准确地测定防风林林带疏透度，建立林带疏透度与林带结构因子间的关系模型，为防风林建设及调整提供合理化意见。使用图像处理技术对获取的防风林林带照片进行自动识别，通过Otsu算法自动将树木实体区域和孔隙区域分割，从而测定林带疏透度。并采用相关性分析和逐步线性回归法建立疏透度与林带结构因子间的关系模型。结果表明，采用Otsu算法测定林带疏透度的方法与图像处理软件(Photoshop)测定结果无明显差异，该方法操作简单、效率高，能够快速、准确测定防风林林带疏透度。防风林疏透度与林带行数、棵数、枝下比例、株行距、密度存在显著性相关关系，构建疏透度与林带行数、密度间的关系模型:β=-0.060 1N-0.065 8ρ+0.810 9(R²=0.961 3,P=0.000 29)。根据建立的防风林林带疏透度与林带结构因子间的关系模型，可对防风林的建设提供科学合理化的指导，使其发挥更好的防护效应。     

智能化城市道路拥挤收费系统中关键技术的研究

对智能化城市道路拥挤收费系统中基于无线射频识别和图像处理与光学字符识别的车辆自动识别技术,以及基于数据共享中心的自助缴费管理技术等关键技术进行研究,以解决城市道路的智能化拥挤收费问题。     

基于不变矩和神经网络的泵机组轴心轨迹自动识别

基于泵机组故障信号处理的需要,介绍了不变矩原理,同时对神经网络建模,包括其样本获取进行了详细讨论;由于泵机组的多种故障与表征其运行状态的轴心轨迹形状有关,根据不变矩的平移、伸缩和旋转不变性特征,对实时检测的轴心摆度信号进行不变矩处理,利用BP型神经网络对其进行模式识别,进而判断出轴心轨迹的形状．为了弥补泵机组用于神经网络训练样本的不足,采用数值模拟与现场测试相结合的方法,将获取的所有样本进行求不变矩处理,并连同样本对应的实际形状作为神经网络的训练样本．网络训练完成后,将其输出结果与轴心轨迹图形进行比较验证．以山西大禹渡泵站水泵机组故障检测及诊断为例,在样本中选取其中的10组数据,比较的结果表明神经网络自动识别的结果准确．该方法为泵机组轴心轨迹自动识别和实现泵机组故障诊断智能化提供了依据．     

基于道路自动识别ABS模糊控制系统的研究

道路状况自动识别是保证车辆防抱制动系统（ABS）正常工作的前提，本文提根据制动压力，滑移率和车轮减速度进行道路自动识别的方法，并依此设计了ABS模糊控制器，结合7自由度车辆模型，考虑悬架和轮胎的非线性影响，对单一附着系数路变附着系数路面进行了ABS制动模拟试验，试验结果表明，基于路面自动识别ABS模糊控制系统能准确判断出路面状况的变化，据此调整控制策略，使车辆获得最大地面制动力和较好的横向稳定性，对比试验证明它优于传统PID控制，且具有较强的鲁棒性。     

计算机视觉描述缺素番茄叶片颜色变化的研究

利用计算机视觉系统代替人眼对番茄缺素进行自动识别的方法，通过对缺素番茄叶片彩色图像的分析研究，利用图像处理技术中的颜色分析方法，分析缺N和正常叶片的特征量随着缺素时间的变化规律．提出用G体均值、H色调均值来定量描述缺N叶片随时间的变化。结果表明：利用计算机视觉能定量描述缺N叶片颜色随缺素时间的变化。     

采棉机器人的研究现状及关键技术

对国内外机械化采棉技术的研究现状进行了综述,构建出了基于计算机视觉的智能型采棉机器人原型系统,分析了采棉机器人的应用价值.同时,介绍了采棉机器人的作业环境和工作对象的特殊性,总结了采棉机器人所涉及的关键技术,包括采棉机器人本体的优化设计、棉花的自动识别和分类以及路径规划和运动控制技术等,最后指出了目前应用采棉机器人存在的主要问题并提出相应对策.     

浙江省石灰土光谱特征及其自动识别分类技术研究

本文通过石灰土专题调查，室内土壤光谱测定及其特定及其特征分析，并在此基础上进行土壤光谱自动识别分类方法的对比试验。明确了浙江省石灰土的四个土类，六个土属的光谱特征分异规律；提出了一种参数少，运算量小，精度高的光谱自动识别新方法－分层提取判别法。     

基于多特征的田间杂草识别方法

该文阐述了通过利用植物的多种特征实现田间杂草的精准自动识别的方法。该方法先利用颜色特征分割土壤背景,然后利用位置和纹理特征识别行间和行内杂草,最后利用形态特征后处理误识别的作物和杂草。在实验室内利用实地采集的3～5叶期、不同作物行数的麦田图像对该方法进行了测试。作物和杂草的正确识别率最低为89%,最高为98%;处理时间最低为157 ms,最高为252 ms。试验结果表明：基于多特征的田间杂草识别方法具有较高的识别率和较快的识别速度。