基于转向特性曲线的拖拉机前轴改进设计

针对轮式拖拉机转向系统的关键问题,对比、分析拖拉机前轴转向的2种布置方式的转向特性曲线,在此基础上对原有拖拉机前轴转向布置方式进行改进,提高其与整机的匹配性能,解决了实际操作中出现的侧滑、磨损等问题。     

Solid Model Design on the Features of Products

To research the problem of plastic art design and emulation of products with the virtual reality technology can short the product development cycle and reduce the cost. This paper discusses the information based on the product feature ,solid model with parameters, the structure and function of this system. Combined the product properties with its solid model. Proposed a method with CAD to create the model of the product based on features in the product design. Expressed its feature parameter and shape of model fully .In the case for a deceleration box the feature model has solved the problem of physical information ,geometry information and the informative process in its production management system efficiently.     

基于双池化与多尺度核特征加权CNN的典型牧草识别

针对自然背景下牧草难识别的问题,提出一种基于双池化与多尺度核特征加权的卷积神经网络牧草识别方法。双池化特征加权结构通过将卷积层输出的特征图分别进行最大值池化和均值池化得到两组特征图,引入特征重标定策略,依照各通道特征图对当前任务的重要程度进行加权,以增强有用特征、抑制无用特征;多尺度核特征加权结构通过在卷积层中同时使用3×3和5×5两种卷积核,并将网络的前几层特征复用后进行加权,以提高重要特征的利用率。对10类牧草图像进行识别实验,结果表明,该方法识别率为94.1%,比VGG-13网络提高了5.7个百分点,双池化与多尺度特征加权有效提高了牧草识别精度。     

基于多尺度特征提取深度残差网络的水稻害虫识别

【目的】在水稻生产过程中,针对不同虫害需要采用不同的防治方案,水稻害虫的准确识别分类是制定针对性防治方案的前提。【方法】采用深度学习结合机器视觉的方法,基于Res2Net结构提出了一种多尺度特征提取的深度残差网络,通过准确地提取害虫特征实现复杂自然背景下的水稻害虫识别;采用改进的残差结构,使用等级制的类残差连接取代了原本的3×3卷积核,增加了每个网络层的感受野,可以更细粒度地提取多尺度特征。【结果】本网络训练的模型能够有效地识别自然背景下的水稻害虫,在自建的包含22类常见水稻害虫的图像数据集上,平均识别准确率达到了92.023%,优于传统的ResNet、VGG等网络。【结论】本文提出的模型可应用于水稻虫情自动监测系统,为实现水稻害虫虫情的机器视觉监测提供参考。     

基于区域语义和边缘信息融合的作物苗期植株分割模型

为在自然环境下准确分割作物苗期植株,实现苗期植株定位及其表型自动化测量,本文提出一种融合目标区域语义和边缘信息的作物苗期植株分割网络模型.以U-Net网络构建主干网络,基于侧边深度监督机制,引导主干网络在提取特征时能感知植株边缘信息;利用空间空洞特征金字塔构建特征融合模块,融合主干网络和边缘感知模块提取的特征,融合后的...     

雾滴图像粘连特征改进判断及分离计数方法优化

雾滴在靶标上常出现粘连的情况,为准确测量雾滴尺寸、掌握雾滴分布规律,需要判断雾滴是否粘连,并用图像处理技术将粘连雾滴分开。首先提出判断雾滴是否粘连的改进方法,该方法结合雾滴的形状因子和面积阈值对粘连雾滴进行判断和特征提取,并用极限腐蚀法和迭代开运算法对粘连雾滴进行计数处理,其次调用迭代开运算标记的分水岭算法分割,最后对分割后雾滴的连通域进行标记及形状圆整。试验结果表明：该方法可实现粘连雾滴的自动判断和特征提取,弱粘连准确率100%,强粘连可达97.2%以上。该算法获得的雾滴粒径参数与激光粒度仪试验测量结果接近,其尺寸测量准确度较Deposit Scan软件计算平均提高了7.67%。基于相同的样本,与人工计数标定结果对比表明,该方法获得的雾滴个数快速且精准度达97.06%以上。     

基于鱼体特征点检测的淡水鱼种类识别

针对传统机器视觉技术对淡水鱼种类进行检测时特征提取过程复杂的问题,该研究提出了基于特征点检测的淡水鱼种类识别方法。以鳊、鳙、草鱼、鲢、鲤5种大宗淡水鱼为对象,构建了淡水鱼特征点检测数据集;以AlexNet模型为基础,通过减小卷积核尺寸、去除局部响应归一化、引入批量归一化、更换损失函数,构建了改进AlexNet模型用于特征点检测;并以特征点为依据提取特征值、构造特征向量,使用Fisher判别分析方法实现了淡水鱼的种类识别。试验结果表明：改进AlexNet模型在测试集上的归一化平均误差的均值为0.0099,阈值δ为0.02和0.03时的失败率F_0.02、F_0.03分别为2.50%和0.83%,具有较好的精准度和误差分布情况;基于该模型和Fisher判别分析的淡水鱼种类识别方法对5种淡水鱼的识别准确率为98.0%,单幅图像的平均识别时间为0.368 s,保证了时效性。由此可知,提出的改进AlexNet模型能实现淡水鱼的特征点检测并具有较高的精度,可为淡水鱼种类识别、尺寸检测、鱼体分割等提供条件,该方法可为淡水鱼自动化分类装置的研发奠定基础。     

菲律宾蛤仔对石油烃的污染动力学和阈值研究

以食用菲律宾蛤仔为研究对象,采用半静态动力学富集实验方法,探讨双壳贝类对石油烃的污染动力学特征。结果表明:经过4d石油烃在贝体和水环境之间达到稳态平衡;生物富集系数(BCF)为545;浓度为0.068 mg/L的石油烃水体组,富集平衡后贝体内的石油烃含量高于贝体内的石油烃异味阈值(25~30mg/kg)。参考USEPA、GB18421-2001等关于双壳贝类中石油烃限量的规定,根据石油多环芳烃的毒力机理,把菲律宾蛤仔对石油烃污染的安全阈值定为0.03~0.05mg/L较为合理。     

基于图像特征选择识别田间籽棉品级

依据中国籽棉品级文字标准,在HSI颜色空间提取了反映籽棉颜色和杂质含量的14个纹理特征以及反映棉瓣大小、结构的16个形状特征,该特征集存在维数灾难,需要进行降维。面向籽棉品级识别的特征选择问题属于非多项式(NP)难题,该文基于交叉验证、混合Filter-Wrapper和启发式搜索提出了一种求解算法。首先,以最优特征组合和浮动搜索为启发式搜索策略,基于10-折交叉验证在每一个训练集上用Filter启发式搜索最优l维特征子集（l=1, 2, 3,…, 30）,评价函数为类可分性准则;其次,在10个训练集上用Wrapper从最优l维特征子集中选择最优特征子集的容量（l=1,2,3,…,30）,评价函数为Bayes分类器的误分率,10个验证集的平均误分率极小处产生最优特征子集的容量;最后,在最优特征子集容量处验证预测集的平均误分率。结果表明,所选择的10个最优特征子集在预测集上的平均识别率为88.39%,混合Filter-Wrapper和浮动搜索的特征选择算法效率高、效果好。     

基于视觉的苗期作物株间除草关键技术研究现状

基于视觉的苗期作物和杂草的图像分割技术逐渐成熟,通过视觉技术对苗期作物进行精准识别和定位,是实现株间除草的关键技术和难点。作物的精准识别首先需要利用颜色特征将图像中的作物、杂草和土壤背景进行分割;其次利用实际识别对象的位置特征,形状特征,纹理特征,光谱特征等构造新的特征向量,结合成熟的分类算法对作物和杂草进行特征分类识别。针对棉苗和大豆苗,主要提取位置特征、形状特征,多采用支持向量机为主分类算法;针对玉米,主要提取位置特征、纹理特征,多采用人工神经网络为主的分类算法;针对部分蔬菜苗,主要提取形状特征、光谱特征,多采用算法结合的优化算法,具体实现时需要根据离线样本学习的结果来平衡苗期作物的识别准确率与实时性。在目前的算法中,主要存在三方面的问题:作物特征提取效果易受到遮挡、光照等干扰;分类算法目前还不能得到非常令人满意的准确性和实时性;目前算法一般是针对某种时段的作物,不具有通用性。这些都是后续算法研究中需要进一步解决的问题。