Effects of Stitcing on the Buckling Strength of Stitched Composite Laminates

A theoretic model is proposed based on the mechanism of the buckling failure of the stitched composite laminates containing delaminations. The buckling strength of the stitched composite laminates under the in-plane compressive load is predicted. The critical percentage elongation of the stitching thread is taken into account as a control parameter of the buckling failure. The energy method is used to calculate the buckling strength of the stitched composite laminates, and the minimal potential energy is used to calculate that of the unstitched composite laminates. The result shows that the buckling strength of the stitched composite laminates is larger than that of the unstitched composite laminates. The effects of stitching technical parameters such as the stitch thread diameter, stitch step and stitch space on the stitched composite laminates are also analyzed.     

Effect of Stitching on the In-plane Tensile Strength of Stitched Composite Laminates

Some additional effects of stitching on the in-plane mechanical properties of composite laminate is introduced while it was used to improve the interlaminar of plane mechanical properties of the composite laminate. The paper investigates the effect of stitching on in-plane tensile strength of composite laminates. The results show that the effect of stitching is dependent on the stitching parameters. The in-plane tensile strength of laminates is degraded with the decreasing of stitching space and step and increasing diameter of stitching thread. It is found that the initial damage of laminate increased with increasing of stitching parameters such as stitching density. This causes the decrease in the in-plane strength of composite laminate.     

农机制造业钢板板形拼接算法研究

随着我国经济的高速发展,板形控制已成为当今冶金业迫切需要解决的问题。为此,对用于农机制造的钢板板形图像拼接和特征提取过程中进行了图像预处理,利用图像本身的特点,进行了特征提取后的拼接算法研究,并针对准确和快速的特点,对几种算法进行了对比分析,给出了典型算法的计算机框图和算法选用的建议。     

排种器试验台检测系统的设计与试验

基于计算机视觉和自动控制技术,设计了排种器试验台检测系统.该系统适用于各种排种器的精播、穴播及条播性能的试验和检定,并可生成丰富翔实的试验数据报表.为此,论述了检测系统的设计与构成,对排种图像采集处理的总体流程、图像的拼接、阈值分割和种子边缘提取等内容一一做了叙述,并讨论了数据的综合处理、各种统计和评价的依据等.同时,为了检验该系统的可靠性和准确性,在JPS-12排种器试验台上进行了多种速度下的玉米精播性能检测试验.     

农田环境下无人机图像并行拼接识别算法

为改善在农田环境下无人机图像计算速度和效率,该研究提出了一种农田环境下无人机图像并行拼接识别算法。利用倒二叉树并行拼接识别算法,通过提取图像拼接中的变换矩阵,实现拼接识别同时进行。根据边缘设备的CPU核心数和图像数量自动将图像拼接识别任务划分为多个子进程,并分配到不同核心上执行,以提高在农田环境下的计算效率。试验结果表明：相同试验环境和数据集条件下,倒二叉树并行拼接算法的拼接耗时相较于商业软件平均减少了60%～90%左右;在农田环境下,倒二叉树并行拼接识别相较于串行拼接识别的耗时减少了70%,图像识别的平均像素交并比提升了10.17个百分点,说明在农田环境下采用多线程倒二叉树并行算法可以更好地利用农田环境下边缘设备的计算资源,大幅提升无人机图像的拼接和识别的速度,为无人机的快速实时监测提供技术支撑。     

Harris角点自适应检测的水稻低空遥感图像配准与拼接算法

图像配准和拼接的自动化是微小型无人机能否被广泛应用于水稻长势低空遥感监测的关键技术之一。为了改进Harris角点检测算法中阈值需要人为设定的局限,文章提出了基于Harris角点自适应检测的水稻低空遥感图像配准与拼接算法。该算法在Harris角点检测算法的基础上进行改进,采用基于图像像素灰度值标准差标准化的方法进行角点的自适应确定,并对角点进行特征描述,利用角点特征描述算子之间的欧式距离进行配准。为了验证算法的有效性并进行相关参数的优化,采用多旋翼无人直升机获取了水稻长势的低空遥感图像,并设计了重复率(衡量角点检测的稳定性)、辨识率(衡量角点描述算子的辨识度)、配准率(衡量图像的拼接精度)以及运行时间(衡量算法的运算速度)4个评价指标对配准与拼接的结果进行评判。随机选取获得的低空遥感图像分成3组进行测试,试验结果表明,平均配准率达到了98.95%,且各组图像之间的重复率与配准率差异不显著(显著性水平为0.05),说明改进后的算法稳定。设计了角点自适应检测算法阈值参数的优选试验,阈值参数为标准化处理后的图像像素灰度值标准差,方差分析结果表明,图像像素灰度标准差为1和2时配准率的差异不显著(显著性水平为0.05),但当图像像素灰度标准差为1时,图像配准与拼接平均运行时间是其为2时的2.5倍,因此,可设定图像像素灰度标准差为2作为本算法的较优参数。     

基于改进密度峰值聚类算法的梨花密度分级

精准判断梨花疏密程度是自动疏花的基础。为了更好地判断梨花密度,该研究提出了基于改进密度峰值聚类算法的梨花密度分级方法。该方法首先提取梨花位置坐标,获取需要聚类的数据点。其次,为了实现梨花图像的密度分级,针对原有密度峰值聚类算法在梨花密度分级中的不足,结合梨花密度分级需求,改进了对聚类中心的选取方式,通过4组局部密度和中心偏移距离分割阈值将决策图划分为4部分来选取聚类中心,分别对应高、中、低密度以及无需疏花处理等4个等级,实现了对疏密合理的梨花图像的准确分级。最后,针对只有团状分布、稀疏分布及大尺度特写的梨花分布聚类分级不准确的问题,改进了两点间的距离d_ij参数的计算方法,统一梨花尺度大小和密度分级标准,对所有分布类型的梨花图像均能实现合理的密度分级。试验结果表明,该研究算法能够适应不同尺度大小的梨花图像,预测准确率为94.89%,密度分级准确率达到94.29%,可实现自然环境下局部花簇的密度分级,为机器智能疏花提供了技术支持。     

基于阵列式ESP32-CAM的番茄根系表型原位测量方法

为原位采集番茄根系图像，解决番茄根系表型原位测量问题，该研究提出一种基于阵列式ESP32-CAM的番茄根系表型原位测量方法。通过4×4阵列式ESP32-CAM结合OV2640镜头模组实现土壤中根系图像原位自动化无线采集，并采用张正友标定法实现相机标定和畸变校正，利用尺度不变特征转换和最邻近分类的特征检测匹配算法实现图像配准，基于离线标定方法获取相机间变换矩阵实现根系图像拼接；通过引入多头自注意力机制改进U型卷积神经网络（Uarchitecture convolutional networks,U-Net）模型对根系图像进行语义分割，采用形态学处理和骨架提取测量根系长度、面积、平均直径、根深和根宽。研究结果表明：相机阵列图像的拼接迭代均方根误差小于1.11 mm，全局拼接图像的拼接融合质量评分大于0.85；改进后的U-Net模型应用于番茄根系分割的精度、召回率、交并比和F1值分别为86.06%、78.98%、71.41%和82.37%，相比于原始U-Net模型分别提高了18.97、13.21、21.67和16.30个百分点；与人工测量值相比，根系的面积、长度、平均直径、根深和根宽的平均绝...