排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
2.
基于全卷积神经网络的荔枝表皮缺陷提取 总被引:1,自引:1,他引:1
【目的】增强荔枝表皮缺陷提取效果,满足其品质检测分级准确性要求。【方法】采用Tensorflow框架构建基于AlexNet的全卷积神经网络AlexNet-FCN,以ReLU为激活函数,Max-pooling为下采样方法,Softmax回归分类器的损失函数作为优化目标,建立荔枝表皮缺陷提取的全卷积神经网络模型,并用批量随机梯度下降法对模型进行优化。【结果】模型收敛后在验证集上裂果交并比(IoUd)为0.83,褐变交并比(IoUb)为0.60,褐变与裂果的总体交并比(IoUa)为0.68;与利用线性SVM、朴素贝叶斯分类器缺陷提取效果相比,该模型的特征提取能力显著提高。【结论】全卷积神经网络在水果表面缺陷提取中具有良好的应用前景。 相似文献
3.
为减少采后荔枝储运过程堆叠存放不当产生的挤压损伤,对荔枝进行了堆叠存放试验,分析了不同的堆叠存放条件对底层荔枝失重率及其果壳褐变指数的影响。结果表明:底层荔枝失重率及其果壳褐变指数随着堆叠层数的增加和存放时间的延长而分别增加;相同堆叠层数,箱体材质为塑料时,底层荔枝失重率及其果壳褐变指数最大,其次为瓦楞纸,最小为泡沫;试验范围内,有利于减少荔枝堆叠挤压损伤的最大堆叠层数:塑料材质,存放2 d为8层,存放4 d低于6层;瓦楞纸材质,存放2 d为8层,存放4 d为6层;泡沫材质,存放2 d为10层,存放4 d为8层;存放6 d,不管何种箱体材质,均为6层以下。 相似文献
4.
大视场下荔枝采摘机器人的视觉预定位方法 总被引:8,自引:7,他引:1
机器人采摘荔枝时需要获取多个目标荔枝串的空间位置信息,以指导机器人获得最佳运动轨迹,提高效率。该文研究了大视场下荔枝采摘机器人的视觉预定位方法。首先使用双目相机采集荔枝图像;然后改进原始的YOLOv3网络,设计YOLOv3-DenseNet34荔枝串检测网络;提出同行顺序一致性约束的荔枝串配对方法;最后基于双目立体视觉的三角测量原理计算荔枝串空间坐标。试验结果表明,YOLOv3-DenseNet34网络提高了荔枝串的检测精度与检测速度;平均精度均值(mean average precision,m AP)达到0.943,平均检测速度达到22.11帧/s。基于双目立体视觉的荔枝串预定位方法在3 m的检测距离下预定位的最大绝对误差为36.602 mm,平均绝对误差为23.007 mm,平均相对误差为0.836%,满足大视场下采摘机器人的视觉预定位要求,可为其他果蔬在大视场下采摘的视觉预定位提供参考。 相似文献
5.
【目的】减小机器人采摘荔枝时因回收放置不当产生的跌落碰撞损伤。【方法】对荔枝进行跌落碰撞试验,分析不同的跌落碰撞条件对荔枝失质量率及果壳褐变指数的影响。【结果】荔枝失质量率及果壳褐变指数随着采摘回收下放高度的提高和储藏时间的延长而分别增加;相同下放高度,碰撞接触材料为PVC板时,荔枝失质量率及果壳褐变指数最大;试验范围内,回收装置采用塑料框时,储藏2 d机器人采摘回收的最大起始下放高度为60 cm,储藏1周为30 cm;回收装置为瓦楞纸果箱,储藏2 d机器人采摘回收的最大起始下放高度为75 cm,储藏1周为45 cm;回收装置底层布满荔枝后,储藏2 d机器人采摘回收的最大起始下放高度可提高到90 cm,储藏1周可提高到60 cm。【结论】该研究可为荔枝机器人采摘回收放置减损策略的构建提供指导。 相似文献
6.
【目的】开发荔枝自动分级设备。【方法】设计自动单体排序输送装置,对其进行排序输送试验,分析装置不同的工作和结构参数对荔枝卡果次数和空穴率的影响,同时,建立回归及组合模型,并对各影响因素进行综合优化。【结果】荔枝卡果次数和空穴率都随着大转盘转速、小转盘运动周期和喂入量的增大而增多,荔枝卡果次数和空穴率都随大转盘孔数的增多先增多后减少,空穴率随着小转盘运动幅值偏移系数的增大而增大;影响荔枝卡果次数和空穴率的最主要因素是喂入量,其次是大转盘转速和小转盘运动幅值偏移系数。回归组合模型求解得到的最优参数组合优于基于正交试验水平值的综合平衡最优参数组合和独立回归模型得到的最优参数组合;输送装置最优参数组合为大转盘转速7.35 r·min~(–1)、小转盘运动幅值为14.30 r·min~(–1)、小转盘运动周期16.93 s、小转盘运动幅值偏移系数0.33、小转盘运动规律以线性变化、喂入量1.31 kg、大转盘孔数10个,此时,荔枝卡果0次、空穴率为6%。【结论】研究可为荔枝自动分级单体排序装置的设计提供参考。 相似文献
1