排序方式: 共有39条查询结果,搜索用时 950 毫秒
21.
针对果园目标检测时相机抖动以及物体相对运动导致检测图像模糊的问题,本文提出一种将DeblurGAN-v2去模糊网络和YOLOv5s目标检测网络相融合的D2-YOLO一阶段去模糊识别深度网络,用于检测识别果园模糊场景图像中的障碍物。为了减少融合网络的参数量并提升检测速度,首先将YOLOv5s骨干网络中的标准卷积替换成深度可分离卷积,并且在输出预测端使用CIoU_Loss进行边界框回归预测。融合网络使用改进的CSPDarknet作为骨干网络进行特征提取,将模糊图像恢复原始自然信息后,结合多尺度特征进行模型预测。为了验证本文方法的有效性,选取果园中7种常见的障碍物作为目标检测对象,在Pytorch深度学习框架上进行模型训练和测试。试验结果表明,本文提出的D2-YOLO去模糊识别网络准确率和召回率分别为91.33%和89.12%,与分步式DeblurGAN-v2+YOLOv5s相比提升1.36、2.7个百分点,与YOLOv5s相比分别提升9.54、9.99个百分点,能够满足果园机器人障碍物去模糊识别的准确性和实时性要求。 相似文献
22.
基于改进型YOLOv4的果园障碍物实时检测方法 总被引:9,自引:6,他引:3
针对农业机器人在复杂的果园环境中作业时需要精确快速识别障碍物的问题,该研究提出了一种改进型的YOLOv4目标检测模型对果园障碍物进行分类和识别。为了减少改进后模型的参数数量并提升检测速度,该研究使用了深度可分离卷积代替模型中原有的标准卷积,并将主干网络CSP-Darknet中的残差组件(Residual Unit)改进为逆残差组件(Inverted Residual Unit)。此外,为了进一步增强模型对目标密集区域的检测能力,使用了软性非极大值抑制(Soft DIoU-Non-Maximum Suppression,Soft-DIoU-NMS)算法。为了验证该研究所提方法的有效性,选取果园中常见的3种障碍物作为检测对象制作图像数据集,在Tensorflow深度学习框架上训练模型。然后将测试图片输入训练好的模型中检测不同距离下的目标障碍物,并在同一评价指标下,将该模型的测试结果与改进前YOLOv4模型的测试结果进行评价对比。试验结果表明,改进后的YOLOv4果园障碍物检测模型的平均准确率和召回率分别为96.92%和91.43%,视频流检测速度为58.5帧/s,相比于原模型,改进后的模型在不损失精度的情况下,将模型大小压缩了75%,检测速度提高了29.4%。且改进后的模型具有鲁棒性强、实时性更好、轻量化的优点,能够更好地实现果园环境下障碍物的检测,为果园智能机器人的避障提供了有力的保障。 相似文献
23.
柑桔幼树大多数营养生长旺盛,生殖生长较弱,因而开花量少,着果率低。为此,笔者于1983年至1985年在本县芶角镇七村果园作了早秋梢摘心促花试验。 1983年选用1976年9月定植的枳砧锦橙27株为试材,树势较旺,生长基本一致。试验设摘心、环 相似文献
24.
陶瓷膜过滤澄清绿茶提取液的研究 总被引:16,自引:2,他引:14
测定了不同操作条件下陶瓷膜过滤绿茶提取液的渗透通量数据 ,确定了操作条件对绿茶提取液过滤过程的影响。结果表明 ,采用 0 0 5 μm的陶瓷膜可显著地提高绿茶提取液的澄清度 ,操作条件对主要理化指标无显著影响 ,为提高膜通量应选择较高的压力和较高的温度 ;膜的使用过程中通量的衰减是必然的 ,采用多种清洗剂交替清洗可使膜通量得到很好的恢复 相似文献
25.
翻领成型器交接曲线简化数学模型初探 总被引:2,自引:0,他引:2
论证了翻邻盛开在空间交接曲线的简化函数表达式,为简化成型器的设计计算提供了理论依据。 相似文献
26.
猪粪堆肥过程中NH_3和H_2S的释放及除臭微生物的筛选研究 总被引:2,自引:1,他引:2
为了治理粪便臭气污染,测定了猪粪好氧堆肥过程中NH_3和H_2S的释放量以及堆肥温度、pH值、含水率、水溶性铵态氮等指标。结果表明,NH_3在前20天释放量占总释放量的84.6%、H_2S在前13天释放量占总释放量的100%。因此,在堆肥初期的前20天是控制臭气的最佳时期。并从畜禽粪便、垃圾、土壤和堆肥中分离、纯化了一些微生物,经过初筛得到能利用NH_3的微生物41株,经过复筛得到脱除H_2S较好的细菌一株,与对照相比其去除率达85.7%,经鉴定该菌是松鼠葡萄球菌。 相似文献
27.
28.
29.