排序方式: 共有17条查询结果,搜索用时 0 毫秒
1.
2.
3.
4.
5.
基于卷积神经网络的玉米根茎精确识别与定位研究 总被引:4,自引:0,他引:4
为了能精准地识别和定位玉米根茎,本文建立了基于迁移学习方法的玉米根茎检测网络,模拟人眼识别功能从复杂的田间环境中识别和定位玉米根茎,实现履带自走式热雾机玉米行间对行行走。以履带自走式热雾机为图像采集平台获取玉米作物田间图像,采用DOG金字塔算法提取图像中的目标根茎,构成样本训练数据库。通过训练网络,首先实现了单株玉米根茎的精准识别,然后开展玉米作物行间环境下多株玉米根茎精确识别和根茎定位。基于已识别的玉米根茎位置采用最小二乘法拟合行驶路径,试验结果表明,提出的玉米根茎识别方法与传统图像处理的方法相比,具有更好的定位精度,能够实现玉米作物田间路径的准确规划,为履带自走式热雾机玉米行间对行行走提供了技术支撑。 相似文献
6.
7.
正快速发展的市场经济为各行各业营造了良好的发展环境,同时也加大了各行各业间的市场竞争压力。作为电力工程行业,为了满足现实发展需要,就要不断提升自身的管理水平。而通过将先进的信息技术应用于电力工程管理中,不仅有效提升了电力工程企业管理模式与管理方式的科学合理性,也更好地弥补了过往管理工作 相似文献
8.
9.
为了能够快速、准确地获取花生出苗质量,提出了基于机器视觉的花生出苗质量评价方法。首先通过田间自走机器人获取花生图像信息,然后采用机器视觉的方法获取图像中花生苗的数量、花生苗冠层投影面积以及花生苗中心点坐标位置。将花生缺苗率和花生苗活力指数作为花生出苗质量评价指标,以花生苗数量结合花生苗坐标计算花生缺苗率,以花生苗叶片包络面积计算花生苗活力指数。针对花生图像识别易受环境干扰的问题,提出了鲁棒性强的花生苗提取算子,采用K均值聚类方法对花生苗提取算子进行分类,结合花生苗和土壤自适应分类算法,有效地将花生苗从土壤中提取出来。针对花生苗棵数误判现象,提出了采用图像全局分割和区域分割相结合的方法对图像进行分割,并基于形态学方法剔除田地杂草等噪声。试验结果表明:采用机器视觉识别花生苗数量的平均准确率为95.4%,花生苗株距计算平均误差为5.35 mm,验证了所提出的图像自适应分类算法的可行性。基于机器视觉所得花生缺苗率结果与人工测量结果两者之间的相关性为0.991(皮尔逊相关系数),人工评价与基于机器视觉评价具有较高的一致性。 相似文献
10.