共查询到20条相似文献,搜索用时 15 毫秒
1.
新时期我国农业机械化发展目标及促进措施 总被引:7,自引:3,他引:7
围绕我国农业机械化发展的新环境和全面建设小康社会对农业机械化的需求,分析我国农业机械化的现状,提出农业机械化发展的阶段目标和区域目标.建立健全农业机械化发展体系,以及促进其发展的主要措施。 相似文献
2.
3.
4.
为进一步实现用于农业果蔬采摘的机器人外形结构优化目标,结合当前三维可视化的艺术设计理念,针对其采摘装置结构参数与布局展开研究.考虑果蔬的物理学特性与作业周边环境光线特征,建立正确的采摘动作空间坐标,设计采摘机器人结构优化流程,从采摘臂杆的偏转角度、臂杆间距与角度阈值3个方面进行参数匹配,并综合协调各采摘关节的运动状态,... 相似文献
6.
7.
肖子遥张伟伟 《农业装备与车辆工程》2023,(1):126-129
道路总里程、密度以及车辆保有量逐年上升,如何在有限的人工成本内有效限制车辆道路上的违法行为至关重要,智能交通系统愈发成为处理车辆交通违法的关键手段。针对监控视频流,提出了一种基于时空信息判别车辆违法行为的检测方法。采用YOLOv4检测视频流中的道路目标,使用Deep Sort算法对目标进行时序跟踪,最终通过对目标在感兴趣区域内的行为判别来识别其是否交通违法。实验结果表明,基于车辆在时序以及空间上的违法行为判别的正确率达到94%,证明了方法的有效性。 相似文献
8.
廖杰吴明晖 《农业装备与车辆工程》2023,(4):122-125
针对传统视觉伺服(IBVS)无人机跟随系统精度低、滞后性、运动不稳定、脱离后难再定位等问题,提出一种通过线性拟合预测目标的改良视觉伺服控制算法,使得整套系统稳定性更好,准确性也更高,运动不再抖动,跟随位置效果更好,快速性得到提高,滞后问题得以改善。对从视觉获得的定位坐标进行线性拟合,根据线性拟合的目标运动轨迹,计算下一步目标速度、加速度,实现预测目标下一时刻位置信息。对自身无人机做预测飞行,消除因采集信号、计算处理导致无人机滞后于目标的飞行,实现精度更高的跟随。 相似文献
9.
许宝阳高延峰 《农业装备与车辆工程》2023,(2):19-24
茶叶嫩芽自动识别分类是实现采茶机器人精采名优茶的关键技术。由于茶叶嫩芽与背景中茶叶差别很小,且茶叶嫩芽形状多样,有一芽一叶和一芽二叶等多种形式,给自动识别带来很大难度。基于Faster-RCNN深度学习神经网络模型多维度进行茶叶嫩芽识别。首先对网络性能进行分析,选取较优的网络模型;在此基础上,研究一幅图像中包含嫩芽的不同数量、形态、拍摄角度、光照条件多维度对识别性能的影响。结果发现,光照条件和拍摄角度对嫩芽识别影响较大。所采用的Faster-RCNN深度学习模型对45°角度拍摄、晴天环境下单株集中一芽两叶的茶叶嫩芽识别效果最佳,同时阴天和90°拍摄时识别效果较差。研究为后续实现机器人现代化智能化的名优茶精采提供了技术支持。 相似文献
10.
为了提高汽车平顺性,减少轮胎对路面的动载,以某1/2载货汽车的弹簧刚度和阻尼系数为设计参数,以最大动挠度为约束条件,以车身垂直加速度、前后轮胎动载荷的均方根值为目标函数,运用多目标遗传算法求得三目标的帕莱托解集,经过后期决策得到不同要求下的最优解。结果表明:优化后的悬架弹簧刚度减少而阻尼系数增大,前悬比后悬变化小,性能有大幅度改善,而且采用先寻优后决策的求解模式,能有效弱化先验知识不足的影响,避免局部最优问题,较传统多目标优化方法更为实用有效。 相似文献
11.
棉铃作为棉花重要的产量与品质器官,单株铃数、铃长、铃宽等相关表型性状一直是棉花育种的重要研究内容。为解决由于叶片遮挡导致传统静态图像检测方法无法获取全部棉铃数量的问题,提出了一种以改进Faster R-CNN、Deep Sort和撞线匹配机制为主要算法框架的棉铃跟踪计数方法,以实现在动态视频输入情况下对盆栽棉花棉铃的数量统计。采用基于特征金字塔的Faster R-CNN目标检测网络,融合导向锚框、Soft NMS等网络优化方法,实现对视频中棉铃目标更精确的定位;使用Deep Sort跟踪器通过卡尔曼滤波和深度特征匹配实现前后帧同一目标的相互关联,并为目标进行ID匹配;针对跟踪过程ID跳变问题设计了掩模撞线机制以实现动态旋转视频棉铃数量统计。试验结果表明:改进Faster R-CNN目标检测结果最优,平均测量精度mAP75和F1值分别为0.97和0.96,较改进前分别提高0.02和0.01;改进Faster R-CNN和Deep Sort跟踪结果最优,多目标跟踪精度为0.91,较Tracktor和Sort算法分别提高0.02和0.15;单株铃数计数结果决定系数、均方... 相似文献
12.
针对多机协同导航作业中本机前方的拖拉机识别精度低、相对定位困难,难以保障自主作业安全的问题,提出了一种基于深度图像和神经网络的拖拉机识别与定位方法。该方法通过建立YOLO-ZED神经网络识别模型,识别并提取拖拉机特征;运用双目定位原理计算拖拉机相对本机的空间位置坐标。对拖拉机进行定点识别与定位试验,分别沿着拖拉机纵向、宽度方向和S形曲线方向测量拖拉机的识别与定位结果。试验结果表明:本文方法能够在3~10m景深范围内快速、准确地识别并定位拖拉机的空间位置,平均识别定位速度为19f/s;在相机景深方向和宽度方向定位拖拉机的最大绝对误差分别为0.720m和0.090m,最大相对误差分别为7.48%和8.00%,标准差均小于0.030m,能够满足多机协同导航作业对拖拉机目标识别的精度和速度要求。 相似文献
13.
针对封江口水库存在体制不顺、机制不活、经济来源不畅、工程运行和维修不足及管理落后,效益衰减等问题,提出了水库的改革原则和改革目标. 相似文献
14.
15.
16.
17.
基于改进AlexNet的广域复杂环境下遮挡猕猴桃目标识别 总被引:2,自引:0,他引:2
为了提高猕猴桃采摘机器人的工作效率和对猕猴桃复杂生长环境的适应性,识别广域复杂环境下相互遮挡的猕猴桃目标,采用Im-AlexNet为特征提取层的Faster R-CNN目标检测算法,通过迁移学习微调AlexNet网络,修改全连接层L6、L7的节点数为768和256,以解决晴天(白天逆光、侧逆光)、阴天及夜间补光条件下的广域复杂环境中猕猴桃因枝叶遮挡或部分果实重叠遮挡所导致的识别精度较低等问题。采集广域复杂环境中晴天逆光、晴天侧逆光、阴天和夜间补光条件下存在遮挡情况的4类样本图像共1 823幅,建立试验样本数据库进行训练并测试。试验结果表明:该方法对晴天逆光、晴天侧逆光、阴天和夜间补光条件下存在遮挡情况的图像识别精度为96. 00%,单幅图像识别时间约为1 s。在相同数据集下,Im-AlexNet网络识别精度比LeNet、AlexNet和VGG16 3种网络识别精度的平均值高出5. 74个百分点。说明该算法能够降低猕猴桃果实漏识别率和误识别率,提高了识别精度。该算法能够应用于猕猴桃采摘机器人对广域复杂环境下枝叶遮挡或部分果实重叠遮挡的准确识别。 相似文献
18.
海参目标检测是实现海参自动化捕捞的前提。为了解决复杂海底环境下背景和目标颜色相近以及遮挡导致的目标漏检问题,本文在Faster R-CNN框架下,提出了Swin-RCNN目标检测算法。该算法的骨干网络采用Swin Transformer,同时在结构上融入了多尺度特征提取层和实例分割功能,提高了算法的自适应特征融合能力,从而提高了模型在复杂环境下对不同尺寸海参的识别能力。实验结果表明:本文方法对海参检测的平均精度均值(mAP)达到94.47%,与Faster R-CNN、SSD、YOLO v5、YOLO v4、YOLO v3相比分别提高4.49、4.56、4.46、11.78、22.07个百分点。 相似文献
19.
乌海市是一个典型的城郊型农业城市,农业人口仅占全市总人口的10%.拥有独特的自然资源,经济综合能力强,2004年推行了城乡一体化改革,在城乡一体化改革的基础上进行社会主义新农村建设,根据乌海市实际明确了乌海市新农村建设目标,针对乌海市新农村建设存在的问题和面临的困难,提出了相应的对策和措施。 相似文献
20.
文章阐述了吕梁山区农业可持续发展策略选择必须真正反映农业可持续发展实践要求和客观规律,以能够最终形成促进、推动中国农业可持续发展策略目标实现的新型策略。 相似文献