排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。 相似文献
2.
3.
4.
为了避免小白菜种子在机械播种过程中受到严重损伤,保证小白菜种子的顺利播种,需要对小白菜种子的压缩特性进行研究,从而为播种机械的相关参数设计提供依据。为此,利用万能试验机,通过单因素分析来获得小白菜种子直径、含水率以及加载速度对种子压缩载荷最大值的影响规律,并通过响应面法的正交试验来获得3个因素之间的交互影响及小白菜种子的最佳参数组合。试验结果表明:当直径为1.90mm、含水率为3.01%、加载速度为2.47mm/min时,小白菜种子压缩载荷最大值达到最优为21.79 N,且预测力值与实际力值之间具有很好的拟合性。 相似文献
1