排序方式: 共有3条查询结果,搜索用时 31 毫秒
1
1.
基于多视角立体视觉的拔节期玉米水分胁迫预测模型 总被引:2,自引:0,他引:2
针对现有采用生理特性指标的玉米水分胁迫检测方法影响玉米植株生长的问题,提出了一种基于多视角立体视觉的玉米水分胁迫预测模型。首先,利用RGB相机获取玉米拔节期-30°、0°(玉米叶片展开平面)和30°的3视角图像;然后,基于加速稳健特征点(Speeded up robust features,SURF)检测的双目立体视觉原理,建立-30°~0°、0°~30°2个玉米点云模型,采用基于KD树(K-dimensional tree,Kd-tree)的最近迭代(Iterative closest point,ICP)点云配准算法,将2个玉米点云模型数据合并到同一坐标系下;最后,用L1-中值法提取玉米点云骨架,在该玉米骨架基础上提取玉米节间高度、叶片长度及株高等参数,建立基于单一参数的玉米水分胁迫预测模型,并建立基于多参数纠错输出编码思想的支持向量机(Error correcting output codes-support vector machine,ECOC-SVM)水分胁迫预测模型。试验结果表明,玉米叶片长度、节间高度和玉米株高每日生长量与水分胁迫程度呈显著线性关系,故分别以节间高度、株高每日生长量和全展叶叶长为自变量,以土壤含水率为因变量,建立水分胁迫预测模型,得到相关系数分别为0. 892 2、0. 892 8和0. 817 6,RMSE分别为2. 92%、2. 53%和2. 76%。为了准确判断玉米水分胁迫程度,以上述3个玉米参数为特征向量,建立ECOC-SVM水分胁迫预测模型,该模型测试集预测准确率为93. 33%,具有较高的准确性。本研究可以快速检测拔节期玉米的水分胁迫情况,为农情信息精准获取提供技术支持。 相似文献
2.
基于改进YOLO v3模型的挤奶奶牛个体识别方法 总被引:3,自引:0,他引:3
为实现无接触、高精度养殖场环境下奶牛个体的有效识别,提出了基于改进YOLO v3深度卷积神经网络的挤奶奶牛个体识别方法。首先,在奶牛进、出挤奶间的通道上方安装摄像机,定时、自动获取奶牛背部视频,并用视频帧分解技术得到牛背部图像;用双边滤波法去除图像噪声,并用像素线性变换法增强图像亮度和对比度,通过人工标注标记奶牛个体编号;为适应复杂环境下的奶牛识别,借鉴Gaussian YOLO v3算法构建了优化锚点框和改进网络结构的YOLO v3识别模型。从89头奶牛的36790幅背部图像中,随机选取22074幅为训练集,其余图像为验证集和测试集。识别结果表明,改进YOLO v3模型的识别准确率为95.91%,召回率为95.32%,mAP为95.16%, IoU为85.28%,平均帧率为32f/s,识别准确率比YOLO v3高0.94个百分点,比Faster R-CNN高1.90个百分点,检测速度是Faster R-CNN的8倍,背部为纯黑色奶牛的F1值比YOLO v3提高了2.75个百分点。本文方法具有成本低、性能优良的特点,可用于养殖场复杂环境下挤奶奶牛个体的实时识别。 相似文献
3.
奶牛体温植入式传感器与实时监测系统设计与试验 总被引:2,自引:0,他引:2
针对接触式奶牛体温检测方法测量精度低、实时性差,且易引起交叉感染等问题,设计了奶牛体温植入式传感器,并开发了相应的体温实时监测系统,利用无线传感网络实现奶牛体温信号的智能化监测。奶牛体温植入式传感器利用PT1000铂电阻作为温度测量探头,综合利用ADS1256模数转换器、MSP430控制芯片,对采集到的电压进行滤波处理,提高了测量精度。结合433M无线信号模块与ZigBee网络设计了项圈节点,作为将奶牛的体温数据从体内传到体外的中继节点,其中从奶牛体内传输到项圈节点使用433M无线信号模块,项圈节点再到远程监控中心使用2.4GHz的ZigBee网络,从而达到稳定、可靠传输的效果,实现了奶牛体温的高精度实时监测。分别对传感器准确性、稳定性、反应速度、传输性能及系统丢包率进行试验,结果表明,传感器温度测量误差在0.05℃以内,12h内温度最大波动为0.02℃,在15s内稳定,植入式传感器射频(RF)信息能有效传输至项圈节点,单个牛场内,整体系统的丢包率不超过1.2%,可高精度、实时检测奶牛的体温变化。 相似文献
1