排序方式: 共有5条查询结果,搜索用时 77 毫秒
1
1.
2.
监测与识别林下落果的数量和分布信息,是实现落果自动收获和果园智能化管理的重要基础。针对目前落果识别智能化程度较低等问题,提出一种基于深度学习的林下落果识别方法。首先,以不同类型、品种落果图像为基础,通过数据预处理、增强等方法建立林下落果图像数据集。其次,利用YOLO-v3深度卷积神经网络优势特性,建立落果智能识别方法。最后,以柑橘、梨、苹果三种典型落果,对基于深度学习的林下落果识别方法进行测试与验证,分析相关试验结果。试验结果表明:所提出的基于YOLO-v3落果识别方法,在不同条件均能准确识别落果,三种典型落果识别精度大于89%;相对于SSD,RCNN和CenterNet三种网络模型,YOLO-v3的准确率分别提高7%,2%和3.5%;在腐烂落果识别层面,YOLO-v3、SSD、RCNN和CenterNet的识别准确率分别为86%,59%,64%和43%;YOLO-v3的识别准确率高于其他深度学习模型。所提出的方法可以精确的识别林下落果,为后期的落果精准管理提供必要的技术支撑。 相似文献
3.
在长有小灌木等干扰物和机耕道崎岖不平的复杂香蕉园环境中,机器人定位导航方法有时效果不佳、甚至失效,准确测量机器人与香蕉树的最短距离是实现定位与导航的前提和关键,为此提出一种基于拟合滤波的激光和超声波香蕉树测距方法。首先,在各采样时刻由激光和超声波传感器分别测得机器人到香蕉树的距离数据,并相互校验,生成待测香蕉树的一组距离数据;选择二次多项式以最小二乘法对该组距离数据进行拟合,基于拟合的二次多项式和设定阈值对该组距离数据进行滤波,去除其中偏差较大的距离;最后,对滤波后的距离数据中3个最小值求平均值,以此作为机器人到待测香蕉树的最短距离。实验表明,该测距方法在理想环境下对香蕉树的最大测距误差率为1.0%,在有小灌木等干扰物或者道路崎岖不平的环境以及室外自然场景下最大测距误差率为2.0%,相应的最大测距误差为1.0cm,且测距稳定性良好。 相似文献
4.
针对香蕉果串识别系统中传统的UNet网络存在实时性差、参数量多、下采样后丢失空间信息等问题,该研究提出基于UNet模型的轻量化分割网络,构造一个轻量级的主干特征提取模块,在降低模型参数量和计算量的同时增强网络提取特征的能力,使用膨胀率为[2,1,2]锯齿波形的多尺度串联空洞卷积组合在增大感受野的同时保持对细节的敏感度。该研究算法在自建香蕉果串数据集上的试验结果表明,网络参数量为0.45 M时,香蕉果串识别分割速度可达41.0帧/s,平均像素分类准确率为97.32%、交并比为92.57%。相比于其他模型具有准确率高、参数量小等优点,能够较好地实现精度和速度的均衡。该算法对自然种植环境下的香蕉果串具有良好的识别效果,可为智能化香蕉采摘等应用提供视觉识别技术支持。 相似文献
5.
1