排序方式: 共有12条查询结果,搜索用时 250 毫秒
1.
水洗处理在不影响生物质炭性质的前提下,可以去除附着在其表面的热解副产物,从而保证对重金属离子的去除能力。以小麦和玉米秸秆为原料,比较两种秸秆类生物质炭对溶液Cd2+和Pb2+的吸附解吸特点及其水溶性盐分含量的影响。结果表明,小麦和玉米秸秆生物质炭对Cd2+和Pb2+的吸附过程均更好地符合准二级动力学方程和Langmuir方程。小麦秸秆生物质炭对Cd2+和Pb2+的最大吸附量达12.82 mg g?1和9.91 mg g?1,为玉米秸秆吸附量的1.31 ~ 1.76倍和1.06 ~ 1.53倍。洗脱水溶性盐分可以降低生物质炭对Cd2+和Pb2+的吸附,水洗后小麦秸秆和玉米秸秆生物质炭对Cd2+的最大吸附量分别降低42.36%和60.13%,对Pb2+的最大吸附量分别降低29.47%和62.72%。水洗处理提高了两种秸秆生物质炭对Cd2+和Pb2+的解吸率,其中小麦秸秆生物质炭提高幅度较大,由原来对Cd2+的解吸率为1.84% ~ 13.05%提高到7.88% ~ 20.19%,对Pb2+的解吸率为1.57% ~ 11.82%提高到6.34% ~ 16.94%。因此,可溶性盐分在秸秆生物质炭吸附Cd2+和Pb2+的过程中具有重要作用,该研究结果将为制备高效修复重金属污染土壤的生物质材料提供技术支撑。 相似文献
2.
3.
4.
种子的质量对于增产丰收具有重要的意义。为了准确检测玉米种子是否有机械损伤裂纹,基于机器视觉技术提出了一种能自动提取玉米种子,并自动识别裂纹种子的方法。首先,采用最大类间方差法、数学形态学处理和区域属性度量函数提取单粒玉米种子图像;进而,采用基于模糊集和浮雕算法的图像增强方法与基于小波变换模极大值的边缘检测算法凸显玉米种子的裂纹区域;最后,采用图像相乘运算和数学形态学处理等方法去除种子的轮廓与种子区域的噪声,并提取出玉米种子的裂纹区域。以"郑单958"玉米种子为例,选取了160粒经机械脱粒后外部轮廓形态基本完整的裂纹和无裂纹种子,对320幅胚面和胚乳面图像的识别结果表明:该方法对胚面和胚乳面裂纹检测的准确率分别为94.4%和86.9%,平均准确率为90.6%。本研究为基于机器视觉技术检测裂纹玉米种子,保证种子的质量,提高出苗率提供了技术支持。 相似文献
5.
6.
7.
物联网功能丰富、适用范围广,是现代蔬菜产业中不可缺少的技术手段之一。生态农业技术理念先进,节能环保,在现代蔬菜种植中也发挥着重要作用。文章运用调查法、文献法等,就物联网与生态农业技术在有机蔬菜种植中的具体应用进行分析,希望能为相关工作带来帮助。 相似文献
8.
基于改进YOLOv5m的采摘机器人苹果采摘方式实时识别 总被引:1,自引:0,他引:1
为准确识别果树上的不同苹果目标,并区分不同枝干遮挡情形下的果实,从而为机械手主动调整位姿以避开枝干对苹果的遮挡进行果实采摘提供视觉引导,提出了一种基于改进YOLOv5m面向采摘机器人的苹果采摘方式实时识别方法。首先,改进设计了BottleneckCSP-B特征提取模块并替换原YOLOv5m骨干网络中的BottleneckCSP模块,实现了原模块对图像深层特征提取能力的增强与骨干网络的轻量化改进;然后,将SE模块嵌入到所改进设计的骨干网络中,以更好地提取不同苹果目标的特征;进而改进了原YOLOv5m架构中输入中等尺寸目标检测层的特征图的跨接融合方式,提升了果实的识别精度;最后,改进了网络的初始锚框尺寸,避免了对图像里较远种植行苹果的识别。结果表明,所提出的改进模型可实现对图像中可直接采摘、迂回采摘(苹果上、下、左、右侧采摘)和不可采摘果实的识别,识别召回率、准确率、mAP和F1值分别为85.9%、81.0%、80.7%和83.4%。单幅图像的平均识别时间为0.025s。对比了所提出的改进算法与原YOLOv5m、YOLOv3和EfficientDet-D0算法在测试集上对6类苹果采摘方式的识别效果,结果表明,所提出的算法比其他3种算法识别的mAP分别高出了5.4、22、20.6个百分点。改进模型的体积为原始YOLOv5m模型体积的89.59%。该方法可为机器人的采摘手主动避开枝干对果实的遮挡,以不同位姿采摘苹果提供技术支撑,可降低苹果的采摘损失。 相似文献
9.
【目的】根据‘海沃德’猕猴桃膨大果和未经膨大剂处理的猕猴桃正常果在果萼形状上的差异,建立一种基于K-means聚类算法的猕猴桃膨大果的图像识别方法。【方法】利用K-means聚类算法对猕猴桃的RGB图像进行聚类,以初步分割出猕猴桃果萼;对RGB图像进行灰度化,并采用最大类间方差法对灰度图像进行阈值分割,基于阈值分割后的二值图像提取猕猴桃的边缘区域;基于K-means聚类分割的结果与猕猴桃边缘区域的二值图像提取果萼的聚类,再利用数学形态学处理精确提取出猕猴桃的果萼。求取果萼区域最小外接矩形的长宽比,并根据长宽比进行猕猴桃正常果与膨大果的判断与识别。【结果】对提取的猕猴桃果萼特征的统计分析表明,当猕猴桃果萼区域最小外接矩形的长宽比值大于1.6时为膨大果,否则为正常果,利用该算法对‘海沃德’猕猴桃膨大果的总体正确识别率为91.5%。【结论】基于K-means聚类分割算法和果萼形状上的差异所提出的猕猴桃膨大果无损、便捷检测方法,为猕猴桃膨大果的工业化在线检测及基于手机平台的猕猴桃膨大果识别软件的开发提供了新思路。 相似文献
10.