排序方式: 共有115条查询结果,搜索用时 15 毫秒
2.
植保无人机旋翼风场模型与雾滴运动机理研究进展 总被引:3,自引:3,他引:0
近几年,植保无人机施药技术在中国获得广泛应用,并逐渐发展为国内主要植保技术之一。但由于对植保无人机施药技术基础理论研究不够深入,相关机理尚不明晰,且植保无人机作业平台的稳定性依然有待提高,导致国内植保无人机施药效果不够理想。深入研究植保无人机施药技术的基础理论,理论结合试验结果共同指导植保无人机田间施药是提高其施药效果的经典方法。该研究综述了植保无人机旋翼风场分布特性、雾滴与无人机旋翼风场交互机理、雾滴沉降与飘移机理、雾滴与叶片表面的交互机理及雾滴分散和蒸发特性等植保无人机施药技术基础理论及其模型构建情况的国内外研究现状,并结合其基础理论与模型构建的国内外研究现状,给出植保无人机施药技术的未来发展建议,以期为植保无人机施药技术的发展提供参考。 相似文献
3.
4.
5.
6.
为提高番茄器官目标识别的准确率,提出一种基于RGB和灰度图像输入的双卷积链Fast R-CNN番茄器官识别网络。该方法通过番茄器官图像数据集训练基于VGGNet基本结构的特征提取网络,并用其参数初始化Fast R-CNN,通过再训练,用以识别植株图像中的番茄花、果、茎器官。首先分析了网络深度和宽度、图像输入类型、激活单元对特征提取及网络分类性能的影响。详细阐述了基于Fast R-CNN的番茄器官识别网络的设计及训练方法,基于试验观察,提出了基于双卷积链的Fast R-CNN,融合自动提取的RGB和灰度图像特征,由全连接层对Selective Search算法生成的候选区域进行分类识别。结果表明:针对番茄器官图像数据集,5个卷积层的网络即可具有较高的特征提取和分类性能,增加或降低卷积层数都会使网络性能下降;与ReLU激活单元相比,PReLU和ELU能够显著提高番茄特征提取网络的性能,而提高效果和具体的网络结构有关;基于Fast R-CNN的识别方法能够对番茄的花、果、茎器官进行识别,且能够识别不同成熟度的果和不同形态的花;单卷积链Fast R-CNN网络对花、果、茎的识别平均精度(AP)最高分别为64.79%、66.76%和42.58%,双卷积链Fast R-CNN识别网络对三种器官的识别AP最高分别为70.33%、63.99%和44.95%,相较于单链网络,双卷积链Fast R-CNN的mAP提高2.56%,说明该方法对提高番茄器官识别性能是有效的。 相似文献
7.
正沈阳农业大学承担的子课题"基于低空遥感的东北水稻营养诊断与变量追肥管理模型",搭建完成了无人机农田信息遥感平台、试验设计等基础研究工作与硬件平台,并开展了东北粳稻无人机低空遥感试验,提取氮素敏感特征波段,建立了基于高光谱特征的东北粳稻氮素含量反演模型。在东北粳稻分蘖期、拔节期、抽穗期3个关键生育期,以生育期内提取的植被指数作 相似文献
8.
9.
10.
基于无人机高光谱遥感的水稻氮营养诊断方法 总被引:1,自引:0,他引:1
氮亏缺量能够直接反映作物氮营养缺失程度,快速、大面积获取水稻氮亏缺量信息对实现水稻精准施肥具有重要意义。而现有的研究大都集中于利用无人机遥感监测水稻氮营养情况,对氮亏缺量本身的研究较少。本研究基于无人机高光谱遥感获取冠层光谱数据、通过田间采样获取水稻农学数据,研究东北地区水稻临界氮浓度曲线构建方法,在此基础上确定水稻氮亏缺量;以氮亏缺量约等于0状态下光谱为标准光谱,分别对光谱反射率进行比值、差值、归一化差值变换,通过竞争性自适应重加权采样法对原始光谱反射率与变换后光谱反射率进行特征波长提取,并以二者提取的特征波长为输入变量,氮亏缺量为输出变量,分别构建基于多元线性回归、极限学习机与蝙蝠算法优化极限学习机3种算法的水稻氮亏缺量反演模型。结果表明:基于田间数据构建东北地区水稻临界氮浓度曲线方程系数a、b分别为2.026与-0.460 3,和以往研究基本一致;相比其余变换方法,对水稻冠层光谱进行归一化差值变换与特征波长提取显著提高了冠层光谱反射率与水稻氮亏缺量的相关性,也提高了后续反演模型的反演结果;以归一化差值光谱为输入的蝙蝠算法优化极限学习机反演模型预测效果显著优于其余模型,验证集R 相似文献