低比转数离心泵叶轮出口紊流流动结构分析

在叶轮内三维紊流流动数值计算的基础上，从介质能量的观点，分析了不同工况下低比转数离心泵叶轮出口处的紊流流动结构。数值计算采用SIMPLEC算法，在贴体坐标系下求解Navier—Stokes方程，紊流模型采用标准的κ—ε模型。计算结果表明，在叶轮的出口附近靠近吸力面一侧存在一个低能区，而压力面一侧能量相对较高。这与有关文献中所指出的离心风机的“射流—尾流”结构相对应。当偏离设计工况时，该低能区的范围和强度略有增加，相对应的叶轮效率也降低。计算结果与水泵在这些工况下的效率实验结果相一致，说明低能区的存在是影响低比转数离心泵效率的重要因素。     

基于改进YOLOv7的苹果生长状态及姿态识别

针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM(convolutional block attention module),改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。     

计算机视觉技术在番茄收获中的应用

运用双目立体视觉技术对红色番茄进行定位,图像进行灰度变换后,对图像的二维直方图进行腐蚀,膨胀以后除小团块,提取背景区边缘,然后用拟合曲线实现彩色图像的分割,将番茄从背景中分离出来,对目标进行标定后,用面积匹配实现共轭图像中目标的配准,运用体视成像原理,从两幅二维图像中恢复目标的三维坐标,从实验数据可知,当目标与摄像机的距离为300－400mm时,深度误差可控制在3％－4％。     

基于遗传算法的遥感数字图像镶嵌研究

遥感数字图像的镶嵌处理是遥感图像处理的基本工作之一，为此介绍了一种基于遗传算法确定图像重叠区和调整图像色度，以辅助完成遥感图像的镶嵌工作的新方法。     

不同治理措施对流动沙地天然植被恢复效果的影响

流动沙地采取不同治理措施7 a后,天然植被恢复效果不同。①生态垫阻断了天然植被的正常演替规律,植被盖度和物种丰富度只有4.31%和3种。同期营造的人工林中,小叶锦鸡儿和侧柏林地的植被盖度和物种丰富度最高,均大大超过同期封育的流动沙地,新疆杨和欧美杨84林地的植被盖度和物种丰富度最低,沙枣和榆树林地居于中间位置。②新疆杨和欧美杨84林地植被一年生草本占绝对优势,榆树和沙枣林地多年生草本和灌木数量有所增加,侧柏和小叶锦鸡儿林地物种生活型结构已趋于多样化。③集沙观测表明,生态垫、侧柏和小叶锦鸡儿林地均无风蚀现象,欧美杨84和新疆杨林地风蚀较为严重,榆树和沙枣林地风蚀较轻。     

金边瑞香的五喜五忌

金边瑞香是肉质根,造成栽培失败的原因之一是烂根。能进行正常呼吸的根系,一般须根根尖都呈白色,这是吸收旺盛、植株健康的标志。除花期及严寒冬季外,平时可放置室外通风处。通风处空气流动、清新,盆土水分蒸发快,土壤介质就透气,有利于减少烂根现象的发生。     

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。     

基于改进YOLOv8n的茶叶嫩稍检测方法

针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化。首先,在主干网络中引入动态蛇形卷积（dynamic snake convolution,DSConv）,增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络（path aggregation network,PANet）替换为加权双向特征金字塔网络（bi-directional feature pyramid network,BiFPN）,强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块（simple attention module,SimAM）,提升模型对茶叶嫩梢的识别关注度。试验结果表明,改进后的模型比原始模型的精确率（precision,P）、召回率（recall,R）、平均精确率均值（mean average precision,mAP）、F1得分（F1 score,F1）分别提升了4.2、2.9、3.7和3.3个百分点,推理速度为42 帧/s,模型大小为6.7 MB,满足低算力移动设备的部署条件。与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考。