排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
基于视觉的苗期作物和杂草的图像分割技术逐渐成熟,通过视觉技术对苗期作物进行精准识别和定位,是实现株间除草的关键技术和难点。作物的精准识别首先需要利用颜色特征将图像中的作物、杂草和土壤背景进行分割;其次利用实际识别对象的位置特征,形状特征,纹理特征,光谱特征等构造新的特征向量,结合成熟的分类算法对作物和杂草进行特征分类识别。针对棉苗和大豆苗,主要提取位置特征、形状特征,多采用支持向量机为主分类算法;针对玉米,主要提取位置特征、纹理特征,多采用人工神经网络为主的分类算法;针对部分蔬菜苗,主要提取形状特征、光谱特征,多采用算法结合的优化算法,具体实现时需要根据离线样本学习的结果来平衡苗期作物的识别准确率与实时性。在目前的算法中,主要存在三方面的问题:作物特征提取效果易受到遮挡、光照等干扰;分类算法目前还不能得到非常令人满意的准确性和实时性;目前算法一般是针对某种时段的作物,不具有通用性。这些都是后续算法研究中需要进一步解决的问题。 相似文献
2.
基于姿态与时序特征的猪只行为识别方法 总被引:3,自引:1,他引:2
生猪行为监测是生猪养殖管理过程中的一个重要环节。该研究提出了基于姿态与时序特征的猪只行为识别方法。首先采集和标注猪栏内猪只图像,分别构建了猪只目标检测数据集、猪只关键点数据集和猪只行为识别数据集;利用构建的数据集,分别训练了基于YOLOv5s的猪只检测模型、基于轻量化OpenPose算法的猪只姿态估计模型和基于ST-GCN算法的猪只行为识别模型,并搭建了猪只行为识别系统。经测试,文中训练的YOLOv5s猪只检测模型mAP(mean Average Precision)最高达到0.995,姿态估计模型平均精度和平均召回率达到93%以上,基于ST-GCN的猪只行为识别模型的平均准确率为86.67%。文中构建的猪只行为识别系统中基于LibTorch推理猪只检测模型和猪只姿态估计模型的单帧推理耗时分别约为14和65 ms,单只猪行为识别推理耗时约为8 ms,每提取200帧连续姿态进行一次行为识别推理,平均17 s更新一次行为识别结果。证明提出的基于姿态与时序特征的猪只行为识别方法具有一定可行性,为群养猪场景下的猪只行为识别提供了思路。 相似文献
3.
液体射流泵内部三维流场的数值模拟 总被引:4,自引:6,他引:4
应用FLUENT6.0软件对液体射流泵三维流场进行了计算分析。在前处理软件GAMBIT2.1.6中将泵内的流场划分为71153个计算单元。计算中采用可实现K-6双方程模型,边界条件为压力进口、压力出口,速度、压力采用SIMPLEC算法。计算得出了射流泵内部的流场分布,其结果可以为射流泵的设计提供依据。 相似文献
4.
运用模糊数学中的相关理论,建立了水轮泵站工程老化评价的数学模型.该模型通过递阶层结构评价体系的建立、因子权重的确定、各种定性指标和定量指标的数字量化,并结合综合评价理论的应用,形成了一种建立在模糊综合评价理论基础上、适于水轮泵站采用的新的评价系统. 相似文献
5.
在大中型水轮泵站技术改造中,运用模糊决策法对各个改造方案进行综合评价。通过确定评价指标,特征值矩阵,隶属度矩阵,权重向量和最终模糊决策集,最终确定最佳方案。实例说明,决策结果符合实际情况,具有一定的应用价值。 相似文献
6.
基于视觉的苗期作物目标识别技术逐渐成熟,对作物进行准确识别和精准定位,是实现株间除草的技术关键和难点。本文以苗期玉米为研究对象,提出了一种苗期作物的识别与定位方法,通过作业车辆的图像采集装置来实时获取田间作物的苗期图像,基于HSV色彩空间对输入图像进行预处理,根据作物与土壤背景颜色差异,选取固定取值范围的三通道阈值,通过二值化处理去除土壤背景,再通过深度开运算来去除杂草噪声,对得到的苗期作物提取轮廓信息,经过骨架提取算法后得到作物骨架,并以此确定作物茎秆位置坐标,从而实现对作物的精准定位。作物图像中幼苗的识别率为98.3%,定位误差距离在10 mm以内的定位精准度为85.9%,基本可以满足智能除草机器人实时除草作业要求。 相似文献
1