排序方式: 共有16条查询结果,搜索用时 15 毫秒
1.
2.
研究果蔬的压缩力学性质可为果蔬加工、运输、检测包装等生产环节提供设计参数及工艺优化依据。为此,以几种常见果蔬为研究对象,在INSTRON生物材料性能试验机上搭载了电子显微镜图像采集系统,在进行果蔬试样压缩力学性质试验测试的同时,对压缩变形过程进行了动态图像采集与分析,获得了果蔬的压缩强度极限、弹性模量等力学性质指标。同时,结合电子显微镜采集到的压缩过程果蔬细观结构变形图像,通过观察压缩过程果蔬细胞的变形、微结构变位及渗水等情况,分析了果蔬材料的屈服强度、压缩强度及材料破坏与细观结构变位的关联,了解了果蔬压缩力学性质与压缩过程中细观结构变位的动态响应。 相似文献
3.
4.
果蔬在电场作用下具有的介电特性可反映果蔬的品质,而生物力学性质可反映生物材料的微结构特性,研究两者的相关关系对深入了解果蔬介电特性的机理和更好地应用于果蔬品质检测等领域有一定意义。以苹果和马铃薯为试材,研究其屈服极限、弹性模量、剪切强度和硬度等生物力学性质指标,测试了同等条件下苹果、马铃薯的介电常数,通过对样品各指标与相对介电常数的方差分析得出介电常数与力学性质间的相关性。试验结果表明:样品的剪切强度、屈服极限和弹性模量与介电常数的相关性较强,硬度与介电常数的相关性较弱。结果为果蔬介电常数的应用提供了参考。 相似文献
5.
6.
高压脉冲电场预处理对果蔬动态黏弹特性的影响 总被引:1,自引:1,他引:0
为了解高压脉冲电场(high pulsed electric field,HPEF)预处理对果蔬动态黏弹性的影响,该文应用DMA-Q800热动态力学性能分析仪对几种大众果蔬苹果、梨、萝卜、马铃薯等进行了动态压缩试验研究,获得了不同高压脉冲电场参数、不同振荡频率下果蔬的储能模量、损耗模量及损耗正切等黏弹性参数,并结合果蔬细观组织结构扫描电镜分析了高压脉冲电场预处理对果蔬动态黏弹性的影响机理。结果表明:果蔬的储能模量、损耗模量及损耗正切随频率的增加而增大,随着电场强度、脉冲宽度、脉冲时间的增大,苹果和马铃薯组织模量下降,白萝卜组织模量增加,梨试样组织模量先增大后减小,果蔬细观组织扫描电镜分析表明高压脉冲电场预处理引起的果蔬细胞结构、膨压及细胞间隙变化是造成果蔬动态黏弹性变化的主要原因,在25~90℃温度范围内,随温度的升高4种果蔬组织的储能模量、损耗模量呈下降趋势,梨和白萝卜的对照组试样先上升后下降。研究结果可为高压脉冲电场预处理果蔬实现低能耗冻干加工工艺参数优化等应用提供理性分析基础。 相似文献
7.
为实现复杂田间场景中幼苗期玉米和杂草的准确识别与区域划分,该研究提出改进的双注意力语义分割方法,通过获取形态边界实现玉米幼苗的识别与精细分割,在此基础上采用形态学处理方法识别图像中除玉米外的全部杂草区域。首先对6种当前最高性能的语义分割网络进行对比,确定模型原始架构;建立幼苗期玉米语义分割模型,包括改进深层主干网络增强特征,引入双注意力机制构建特征的场景语义依赖关系,以编码器-解码器结构组建模型并增加辅助网络优化底层特征,改进损失函数协调模型整体表现,制定改进的迁移学习策略;提出图像形态学处理方法,基于玉米像素分割结果,生成杂草分割图。测试结果表明,模型的平均交并比、平均像素识别准确率分别为94.16%和95.68%,相比于原网络分别提高1.47%和1.08%,识别分割速度可达15.9帧/s。该研究方法能够对复杂田间场景中的玉米和杂草进行准确识别与精细分割,在仅识别玉米的前提下识别杂草,有效减少图像标注量,避免田间杂草种类的多样性对识别精度的影响,解决玉米与杂草目标交叠在形态边界上难以分割的问题,研究结果可为智能除草装备提供参考。 相似文献
8.
基于移位窗口Transformer网络的玉米田间场景下杂草识别 总被引:2,自引:2,他引:0
针对实际复杂田间场景中作物与杂草识别准确性与实时性差,易受交叠遮挡影响,像素级数据标注难以大量获取等问题,该研究提出基于移位窗口Transformer网络(Shifted Window Transformer,Swin Transformer)的高效识别方法,在实现作物语义分割的基础上快速分割杂草。首先建立玉米语义分割模型,引入Swin Transformer主干并采用统一感知解析网络作为其高效语义分割框架;改进Swin Transformer主干调整网络参数,生成4种改进模型,通过精度与速度的综合对比分析确定最佳模型结构;基于玉米形态分割,建立改进的图像形态学处理组合算法,实时识别并分割全部杂草区域。测试结果表明,该研究4种改进模型中,Swin-Tiny-UN达到最佳精度-速度平衡,平均交并比为94.83%、平均像素准确率为97.18%,推理速度为18.94帧/s。对于模拟实际应用的视频数据,平均正确检测率为95.04%,平均每帧检测时间为5.51′10-2 s。该方法有效实现了玉米与杂草的实时准确识别与精细分割,可为智能除草装备的研发提供理论参考。 相似文献
9.
荞麦籽粒生物力学性质及内芯黏弹性试验研究 总被引:3,自引:1,他引:3
针对可供相关作业机械设计参考的荞麦籽粒生物力学性质指标可用参数缺乏的现状,该文研究了优种荞麦籽粒的常规力学性质及芯粉黏弹性力学性质,并对相关影响因素进行了分析。试验测定了不同品种荞麦籽粒在不同含水率下的三轴尺寸、千粒质量、容重等基本物性参数,采用斜面仪、休止角测定装置测定了荞麦籽粒的滑动摩擦系数及休止角,应用DMA(Q800)动态力学性能分析仪测定了荞麦(粉状)的动态黏弹性,运用物性分析仪测定了荞麦籽粒的破坏力、破坏能等力学性质,利用摆锤式动载试验机测定了荞麦籽粒所能承受的最大撞击载荷。结果表明:同一品种荞麦籽粒的长、宽、高、千粒质量、几何平均径均随含水率的降低而减小,容重随着含水率的降低而增大;摩擦系数随含水率的降低而减小,籽粒与Q235钢板的摩擦系数最大,与7075铝合金板的次之,与304不锈钢板的最小;休止角随含水率的降低而减小;随着含水率的降低,破坏力、表观弹性模量和最大接触应力逐渐增大,变形量逐渐减小,破坏能呈上升趋势。而在相同含水率下,不同品种荞麦籽粒的物性参数及上述力学特性参数均呈现极显著差异(P0.0001)。荞麦粉末的储能模量随含水率的降低而增大,弹性性能提高,损耗模量和损耗正切随含水率的降低而减小,黏性性能降低。同一品种荞麦在相同含水率下,撞击载荷越大,破碎率越高;同一撞击载荷下,随着含水率的降低,籽粒的破碎率先减小后增大。研究结果可为荞麦收获及加工装备研制、参数优化提供基础依据。 相似文献
10.
基于卷积神经网络提取多尺度分层特征识别玉米杂草 总被引:3,自引:10,他引:3
为提高作物与杂草识别的准确率、稳定性和实时性,该文以幼苗期玉米及杂草为研究对象,提出了基于卷积神经网络提取多尺度分层特征的玉米杂草识别方法。首先建立卷积神经网络模型,以从图像的高斯金字塔中提取多尺度分层特征作为识别依据,再与多层感知器相连接实现图像中各像素的识别;为了避免目标交叠所带来的问题,对图像进行超像素分割,通过计算每个超像素内部的平均像素类别分布确定该超像素块的类别,再将相同类别的相邻超像素合并,最终实现图像中各目标的识别。试验结果表明:该方法的平均目标识别准确率达98.92%,标准差为0.55%,识别单幅图像的平均耗时为1.68 s,采用GPU硬件加速后识别单幅图像的平均耗时缩短为0.72 s。该方法实现了精确、稳定和高效的玉米与杂草识别,研究可为精确除草的发展提供参考。 相似文献