排序方式: 共有18条查询结果,搜索用时 15 毫秒
1.
基于双目立体视觉的机械手移栽穴盘定位方法 总被引:1,自引:1,他引:0
为了解决自动化机械手移栽过程中穴盘放置偏斜和底部局部"凸起"而引起的移栽效果不理想的问题,为机械手提供穴盘精准坐标,对穴盘准确定位方法进行研究。首先,根据机械手移栽特点提出穴盘定位总体方法及图像获取手段。其次,利用单目相机获取的图像采用像素标记法和Radon变换法计算穴盘中心坐标和角度,完成穴盘平面定位。再次,对双目相机获取的图像采用SIFT(scale invariant feature transform)特征匹配的算法获得匹配点对坐标,并提出区域整合匹配点的方法。最后,利用整合的区域双目匹配点坐标配合相机标定结果重建匹配点的三维世界坐标,并且与穴盘平面定位结果相结合完成穴盘空间位置重构。试验结果表明,提出的穴盘定位方法能够真实地恢复穴盘空间姿态,中心像素横纵坐标相对误差分别在(-7,+7)和(-6,+7)像素内,角度检测值与实测值相对误差值在(-0.51°,+0.53°)内,利用SIFT特征匹配算法匹配双目图像,在2×4区域内对8对整合匹配点进行三维世界坐标重建,其中7个坐标的三个维度与测量值相对误差在2 mm内,1个坐标与测量值相对误差为4.6 mm内。该方法所应用的算法成熟,可以满足机械手移栽实际应用处理要求。 相似文献
2.
沼液的科学施用能提高土壤中有机质和营养元素的含量,改善土壤结构,提高土壤肥力。为此,常温下沼液经过螺旋滚筒式沼液沼渣精密分离装置过滤分离出植物纤维、砂粒、悬浮物等大颗粒物质,过滤液由输送泵输送至沼液机械过滤装置和多介质过滤装置以及精密过滤装置滤除泥沙、藻类及农药残留物等大分子物质后,再经过沼液错流超滤装置进一步精密过滤和分离;未透过液进入浓缩液储罐,透过液进入浓缩装置继续进行浓缩分离,分离出的浓缩液进入浓缩液储罐后输送至配液罐进行液肥的配制;液肥再经过在线灭菌装置消毒后进行包装,作为农作物及花卉等植物液肥使用。经过处理的沼液,减少了农业生态环境,并创造了显著的经济效益和社会效益。 相似文献
3.
本粉碎机特别设计有一个揉搓壳和一个粉碎机壳及一个风机。物料(如秸秆)经揉搓机壳内的切刀铡切成段后,在机壳内锤片和齿条的作用下,变成条状的物料,较轻的粉末被风机气流吸到粉碎机壳内,进一步在锤片与环形筛片的作用下,撞击粉碎。通过安装不同孔径的筛片获得不同规格的产品,该机由于安装了防缠绕架板,避免了秸秆缠绕在轴上的可能,并且采用了特殊圆齿形的长锤片,使得工作效率得到了提高。工作时风机在机壳内形成负压,使得物料可以分轻重不同,不断地向出口处流动,风通过360°的环形筛片,产生了不糊筛片的效果,特别适合将东北地区的玉米秸秆粉碎成适合生物质燃料的原料。 相似文献
4.
5.
6.
7.
8.
用多阈值多目标无人机图像分割优化算法检测秸秆覆盖率 总被引:1,自引:1,他引:0
为了适应航拍采集秸秆覆盖图像大尺度处理需求,提高当前多阈值差分灰狼优化算法(Differential Evolution Grey Wolf Optimizer,DE-GWO)的图像分割质量和速度,提出一种用于检测秸秆覆盖率的图像分割优化算法。该研究借鉴了人工蜂群多目标灰狼优化算法(Artificial Bee Colony Survey Multi-Objective Grey Wolf Optimizer,AS-MOGWO),在DE-GWO算法中加入了多目标灰狼优化算法(Multi-Objective Grey Wolf Optimizer,MOGWO)的外部存档,引入多目标的概念,并添加了人工蜂群算法(Artificial Bee Colony,ABC)中观察蜂的搜索策略,提出了基于多阈值的多目标秸秆覆盖图像自动分割的优化算法(Differential Evolution Artificial Bee Colony Survey Multi-Objective Grey Wolf Optimization,DE-AS-MOGWO)。该算法不仅继承了DE-GWO算法的自动分割特性,还兼备AS-MOGWO算法的高效收敛性,提高了图像分割的准确性和处理速度。分析结果显示,在无外界影响的情况下,该研究提出的DE-AS-MOGWO优化算法与人工实际测量法匹配的误差可控制在8%以内。在算法性能方面,DE-AS-MOGWO相比于PSO(Particle Swarm Optimization)、GWO(Grey Wolf Optimizer)、DE-GWO和DE-MOGWO在平均匹配率上分别提高了4.967%、3.617%、2.188%和3.404%,平均误分率分别降低了0.168%、0.131%、0.089%和0.116%,而算法耗时分别降低了82%、84%、17%和32%。试验结果表明,多阈值多目标图像分割方法在大尺度无人机图像中可获得较好的分割效果,且针对不同秸秆覆盖率图像均具有普遍适用性,为大面积秸秆覆盖率检测以及其他相关图像检测提供了高效算法支持。 相似文献
9.
基于多阈值图像分割算法的秸秆覆盖率检测 总被引:4,自引:0,他引:4
针对目前秸秆覆盖率人工检测费时费力、准确率低、信息难以存储的问题,提出了一种基于图像分割的秸秆覆盖率检测方法。考虑到传统图像分割方法精度不高,且多阈值分割时计算量过大,将灰狼算法中的搜索机制与差分进化算法相融合,提出一种基于图像多阈值的自动分割方法(DE-GWO),用于田间秸秆覆盖率检测。首先,对现场采集的秸秆覆盖图像进行预处理,采用自适应Tsallis熵作为目标函数,评估图像分割效率;其次,根据图像的复杂程度选取分割阈值的数量,利用DE-GWO算法对其进行多阈值图像分割;然后,分别按照灰度级别计算分割后图像比例;最后,根据拍摄高度、fov视角等参数,将图像中秸秆覆盖率与实际地理面积进行转换。实验结果表明,本文算法田间秸秆覆盖率与实际测量误差在8%以内,且相比于改进粒子群算法(PSO)和灰狼算法(GWO),DE-GWO算法精确度更高,平均耗时为人工测量的1/1500。开发了一套依据DE-GWO算法的秸秆覆盖率检测软件系统,为后续监控系统的实时检测提供了算法基础和软件支持。 相似文献
10.