排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
目的 获取水稻田的低空遥感图像并分析得到杂草分布图,为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法,对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较;引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN),对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s,分类精度分别达到89.75%、85.58%和90.25%,CNN对图像的分类精度达到92.41%,高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草,获取杂草的分布信息,生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高,生成的水稻田杂草分布图效果最好。 相似文献
2.
5G技术与无人机图传的结合,有助于提高图传的画质和传输速率,推进无人机在多个行业的深入应用,并且运用在植保无人机上,还能促进植保无人机对靶喷洒技术的发展。通过梳理无人机图传的几种方式,分析5G无人机图传的优势,综述国内外5G无人机图传和植保无人机对靶喷洒的研究现状,指出5G信号不稳定、图传系统功能单一、5G无人机图传在植保无人机对靶喷洒中研究缺乏等问题,最后提出提高5G信号覆盖与安全建设、增加地面端功能、加强5G无人机图传与植保无人机对靶喷洒研究相结合的发展建议。期望为应用5G无人机图传发展植保无人机精准施药技术提供参考。 相似文献
1