排序方式: 共有46条查询结果,搜索用时 15 毫秒
1.
2.
研究了农田非结构环境下,通过机器视觉提取导航线的处理算法.首先,根据农作物的特点提出了使用聚类的方法检测作业区域终点;其次,为避免噪声干扰,利用移动窗口检测二值图像白色像素的个数,确定导航路径区域;最后,使用改进的Hough变换提取导航线.实验表明,该算法可以准确提取绿色植物的行信息,处理一帧分辨率为320×240像素的彩色图像平均需要57.404ms,正确识别率达99%. 相似文献
3.
基于机器视觉的棉种破损检测技术 总被引:1,自引:0,他引:1
研究了破损棉种的机器视觉识别方法,采用均值、方差、均方比等统计特性参数,计算棉种边界破损参数.通过实验确定均方比分类阈值为0.58,将棉种分为破损棉种和正常棉种.选取正常棉种330粒、破损棉种110粒,利用该检测系统进行检测,其识别精度达93%. 相似文献
4.
基于激光雷达的巡检机器人导航系统研究 总被引:1,自引:0,他引:1
智能巡检机器人能够高效、可靠地完成巡检任务,降低工作人员的劳动强度,准确、稳定的导航定位是巡检机器人执行巡检任务的基础。本文研究了基于激光雷达的巡检机器人导航系统,可实现机器人在室内外环境下的地图建立、路径规划和导航定位。导航系统由远程监控平台与巡检机器人组成,远程监控平台发布巡检任务、监控机器人状态、查询与存储检测数据,巡检机器人可实现自主导航定位、遍历检测点、执行数据采集等巡检任务,二者通过无线网络实现远程数据交互。融合激光雷达与编码器信息,使用高鲁棒性Gmapping算法建立二维环境地图。根据地图与检测点信息,采用分支界定算法搜索最优巡检路线,以减少巡检时间和能源消耗。使用自适应蒙特卡罗定位(AMCL)算法估计机器人位置和姿态,结合巡检路线,进行导航定位。根据横向偏差与航向偏差,通过经典的PID算法完成机器人驱动控制。机器人搭载可见光相机与红外相机,可对目标进行可见光通道与红外通道的融合图像检测。对巡检机器人进行了室内导航定位试验,试验结果表明,在1 m/s的速度下,位置与航向偏差的平均绝对误差(MAE)分别小于5 cm和1.1°,标准差(SD)分别小于5 cm和1.5°,能够满足巡检导航定位的要求。 相似文献
5.
王库 《湖南农业大学学报(自然科学版)》2013,39(1):73-79
为高效利用土壤和开展精准农业生产,采用地理权重回归方法对区域土壤pH的空间分布进行预测,以获得比普通线性回归方法更高的预测精度和论证其对其他土壤属性进行预测的可行性。实测样点土壤的pH,然后选用与土壤pH相关程度较高且易于获取的环境因子(海拔高程、坡度、归一化植被指数、铁氧化物指数、样点距河流的最近距离、土壤侵蚀强度)来建立与土壤pH的回归方程。因子经过逐步回归及多重共线性检验后,用地理权重回归模型对pH进行预测。通过ME、RMSE及回归决定系数等指标,用验证样点数据对预测效果进行评价。结果表明,地理权重回归模型的预测精度高于普通线性回归模型,能大幅度降低AIC值,显著提高模型的回归决定系数,有效地降低回归的残差值;生成的预测图在空间上过渡自然,制图效果较好;利用地理权重回归法能将环境影响因子纳入模型,并能充分考虑样点的空间位置,适合于具有高度空间变异的土壤属性预测及制图。 相似文献
6.
设计了一种新型的非国家标准微型电机综合测试台系统。该系统以VisualBasicforWINDOWS3.2为软件平台,采用DDE,DLL新技术,通过检测电机的电流、电压和转矩、转速等参数,计算出其输出功率和效率,并依据这些参数判断电机是否合格。以直而电机为对象的现场实验结果表明,该系统可满足厂家的需求。 相似文献
7.
8.
植物根系对土壤抗侵蚀能力的影响 总被引:21,自引:0,他引:21
植物根系增加土壤的抗侵蚀能力主要通过两种方式:一是通过根系在土体中交错,穿插,网络固持土壤;二是通过改善土壤的物理性质,提高土壤自身的水力学性质,从而增强土体的抗侵蚀能力,植物根系能明显增强土壤的抗冲性,土壤的渗透性及土体的剪切强度等水力学性质,根系在提高土壤抗侵蚀能力,防止土壤侵蚀方面有具有重要作用。 相似文献
9.
芨芨草水土保持功能的初步研究 总被引:9,自引:0,他引:9
芨芨草是黄土高原地区广泛分布的禾本科植物.人们对其水土保持方面的定量研究基本上还处于空白.通过对芨芨草草地土壤抗冲性、渗透性、土壤抗剪强度等指标的研究,来探讨芨芨草的水土保持功能.结果表明:芨芨草能明显提高土壤的抗冲性、渗透性及土壤的抗剪强度,并能增加地表的覆盖度.芨芨草在黄土高原地区的水土保持工作中有着广阔的应用前景. 相似文献
10.
基于地理权重回归模型的土壤有机质空间预测 总被引:3,自引:0,他引:3
准确了解土壤有机质的空间分布是合理施肥的重要前提,也是水土流失控制及保护环境的重要基础。利用113个土壤有机质样点数据,以海拔高度、土壤侵蚀强度、土地利用、比值植被指数、样点至河流的欧氏距离、亚铁矿物指数及坡度为参考因子,来尝试利用GWR(Geographically Weighted Regression)模型探索多重因素作用下的土壤有机质空间分布,并通过与普通线性回归(ordinary least squares,OLS)相比较,来了解GWR模型的精度,进而进行了土壤有机质的空间制图,并对其制图效果进行了评价。结果表明,与OLS模型相比,GWR预测模型它能显著降低AIC(Akaike Information Criterion)值,较大程度地提高模型的决定系数,并有效地减少模型的回归残差值。从制图的总体效果看,GWR模型的预测结果与实测值的吻合程度要优于OLS模型。文章还对利用GWR模型进行回归时的样点数量、因子筛选及因子定量化等方面进行了相应的讨论。 相似文献