排序方式: 共有91条查询结果,搜索用时 15 毫秒
21.
22.
23.
24.
基于多特征的田间杂草识别方法 总被引:7,自引:5,他引:2
该文阐述了通过利用植物的多种特征实现田间杂草的精准自动识别的方法。该方法先利用颜色特征分割土壤背景,然后利用位置和纹理特征识别行间和行内杂草,最后利用形态特征后处理误识别的作物和杂草。在实验室内利用实地采集的3~5叶期、不同作物行数的麦田图像对该方法进行了测试。作物和杂草的正确识别率最低为89%,最高为98%;处理时间最低为157 ms,最高为252 ms。试验结果表明:基于多特征的田间杂草识别方法具有较高的识别率和较快的识别速度。 相似文献
25.
超低空无人飞行器虚拟现实技术实现与仿真 总被引:4,自引:2,他引:2
为了远程控制超低空无人飞行器起降和监视其飞行状况,设计了基于虚拟现实技术的导航与控制方法.借助Multigen Creator软件,建立了飞行器的三维仿真模型,由DEM数据生成了地形场景,研究了三维模型的驱动方法.根据飞行器上装载的GPS接收机和其他传感检测设备实时传递的参数对虚拟环境下的飞行器模型及飞行场景进行驱动.同时给出反馈信号,控制飞行器按预定路线和姿态飞行,利用GIS技术,在数字地图上显示飞行轨迹.对飞行器的飞行轨迹和飞行姿态进行实时控制,仿真试验表明,对飞行器的远程导航控制是可行的. 相似文献
26.
27.
28.
为了准确、自动地提取蝗虫信息进行蝗灾测报,提出了一种基于机器视觉的草地蝗虫识别方法,用于超低空蝗灾预警系统所自动采集的视频中草地蝗虫头数信息的提取。该方法先根据跃起草地蝗虫的背景构成,把原始图像分为天空子图像和草地子图像;然后,采用帧间差分法检测两子图像中的运动区域;最后,运用蝗虫的形态特征因子对检测的运动区域进行再分类,识别跃起蝗虫。把自动识别的跃起蝗虫头数,带入建立的跃起蝗虫头数与和地面蝗虫头数之间的数学模型中,从而得到地面蝗虫的数量,进行地面上草地蝗虫的间接计数。试验结果表明:跃起草地蝗虫的识别率为80%~100%,由建立跃起蝗虫和地面蝗虫的之间模型计算的地面草地蝗虫的精度大于80%。因此,基于机器视觉的草地蝗虫识别方法能满足蝗虫精准测报的要求。 相似文献
29.
30.
为了提高自动驾驶系统对车身纵向速度和滑移工况等影响因素的自适应能力,提出了一种基于航向预估模型的路径跟踪控制算法。首先对NF-752型履带式拖拉机进行适应性改造,将其手动转向机构和无级变速机构改造为大扭矩舵机控制,通过绝对值编码器测量两侧履带转速,利用RTK-GNSS定位系统测量车辆地理位置和车身速度,结合车载计算机和底层控制器搭建了自动驾驶系统试验平台。然后以车身速度和两侧履带速度为状态变量,考虑履带滑移率建立了航向预估控制模型,进而提出了一种基于航向预估模型的路径跟踪控制方法。最后在沥青路面分别以低速(1 km/h)、中速(5 km/h)和高速(9 km/h)进行了直线路径跟踪试验,结果显示,在不同作业速度条件下,路径跟踪误差无明显差异,最大跟踪误差为-2.00 cm,标准差为0.93 cm。进行了田间曲线路径跟踪试验,结果显示,当拖拉机以6 km/h速度跟踪曲线路径时,跟踪误差优于10 cm,在滑移区域无明显误差增大现象。试验表明,提出的航向预估控制方法对作业速度有较好的适应性,一定程度上克服了滑移现象对控制精度的影响,可满足履带拖拉机耕整地作业精度要求。 相似文献