排序方式: 共有68条查询结果,搜索用时 15 毫秒
1.
伴生杂草不仅与作物争夺养分和水分,而且还是多种病虫害的中间寄主,成为困扰作物高效生产的难题。随着深度学习技术的发展,杂草的自动检测和分类识别在清除杂草过程中得到重要应用。首先阐述应用于杂草识别过程中深度学习的硬件需求以及软件实现过程,分析用于深度学习不同硬件的优缺点,阐述深度学习模型建立、训练、模型评估以及模型部署等基本步骤;并重点论述深度学习方法在杂草和作物识别以及杂草分类识别的研究进展。然后指出深度学习数据需求量大,目前无通用数据集,杂草、作物相互遮挡,光照环境复杂,机器作业条件恶劣等情况下识别准确率低的问题。最后提出图像与光谱数据融合、杂草识别模型模块化、杂草长势预测、模型嵌入式部署研究将成为基于深度学习的杂草识别方法未来的研究方向。 相似文献
2.
为方便测量不同喷雾条件下雾滴粒径大小,该文设计了喷头位置、喷雾角度、喷雾压力和风速大小等试验条件可精确调节的风送喷雾雾滴粒径测量系统。该系统喷头xyz三维空间位置调节范围分别为0~0.9、0~0.8和0~0.7m,调整精度为±0.04mm;喷雾角度调节范围为0~360°,调整精度为±0.005°;喷雾压力调节范围为0.2~0.5MPa,相对误差不大于1.5%;风速调节范围为0~15m/s,相对误差不大于4.17%。雾滴粒径风速影响特性试验表明,常用的3个粒径统计项D32、D43和DV0.5随风速增加而增大,其平均变化率分别为2.62、3.59和6.83μm·s/m,速度从3m/s增加到15m/s时,三者分别增加46%、26%和71%;雾滴粒径喷雾压力影响特性试验表明,D32、D43和DV0.5随压力增加而减小,其平均变化率分别为90.33、232.3和300.2μm/MPa,喷雾压力从0.2MPa增加到0.5MPa时,三者分别减小31%、36%和56%,表明风速和喷雾压力对雾滴粒径影响较大,在喷雾系统中进行风速和压力选择时需着重考虑其对粒径变化的影响。 相似文献
3.
喷杆式施药机对行喷雾控制系统设计与试验 总被引:2,自引:0,他引:2
针对现有大田喷杆式施药机喷雾过程中喷头无法精准对行喷施造成农药浪费的问题,基于机器视觉技术设计了喷杆式施药机对行喷雾控制系统。该系统包括作物行中心线位置提取上位机软件和电动喷杆控制系统,利用工业相机获取作物行RGB图像,采用G-RTG-BT算法及形态学处理实现作物行分割,基于改进的垂直投影法获取作物行中心线,利用坐标系转换实现将作物行中心线位置信息转化为喷杆横向偏移量,并经RS2 3 2串口传输至ATMega1 6控制器,控制推杆电机带动喷杆在滑轨上左右移动,借助位移传感器实时监测喷杆移动距离,以实现作物行追踪和对行喷雾控制。实验室和田间试验表明:改进的作物行中心线提取算法平均耗时12.51ms,喷杆横向偏移量计算误差小于0.44cm;电动喷杆右移最大误差0.3cm,左移最大误差0.5cm;小车速度为0.26m/s时,对倾角为5°、10°、15°模拟作物行的最大对行误差分别为3.22、2.86、2.51cm;小车速度为0.2 4 m/s,最大偏移1 4.0 2 cm时,对田间玉米幼苗的对行喷雾最大误差为4.8 6 cm,为实现作物行追踪和对行喷雾控制提供了一种有效的解决方案。 相似文献
4.
5.
树型喷洒靶标外形轮廓探测方法 总被引:10,自引:9,他引:1
为了在线探测靶标外形并为变量喷药提供基础支持,研究了树型喷洒靶标外形轮廓探测方法。该文基于超声传感器搭建了靶标外形轮廓探测试验平台,该平台能够驱动步进电机精确匀速运动,以0.02 m为步长密集测量树冠形状,将获得的数据传给计算机实时显示,并能够在Access数据库中长期存储。使用该测试平台针对自制规则树树冠和花期樱桃树树冠分别进行了试验。试验结果显示规则树冠和樱桃树冠体积探测精度分别为92.8%和90.0%,表明该方法具有较高探测精度。 相似文献
6.
针对半自动移栽机作业效率低、作业质量差的问题,设计了一种面向蔬菜移栽机器人的夹茎式自动取苗装置。取苗装置经过整排取苗、等距分苗、精准投苗,可实现高效、高质自动化取投苗作业。建立多级剪叉分苗机构与夹苗装置的运动力学模型,对钵苗下落运动、气动系统进行模型设计及分析计算,搭建取苗试验装置。试验选取穴盘辣椒苗作为研究对象,以钵苗苗龄、基质含水率、取苗频率为试验因素,设计以取苗成功率、基质破碎率为评价指标的单因素试验。根据试验结果,采用Box-Behnken响应曲面分析法设计正交试验,探究了苗龄与基质含水率、苗龄与取苗频率及基质含水率与取苗频率之间的交互作用对取苗效果的影响,优化取苗参数。试验结果表明,当苗龄33 d、钵苗基质含水率46%、取苗频率75株/min时,取苗成功率为97.36%,基质破碎5.07%,可满足大田自动化移栽的取苗及投苗要求。 相似文献
7.
针对自然环境复杂背景下葡萄霜霉病检测分级困难的问题,提出了一种基于语义分割结合K-means聚类和随机森林算法的葡萄霜霉病检测分级方法,实现对葡萄霜霉病快速分级。构建了葡萄霜霉病数据集,采用HRNet v2+OCR网络建立葡萄叶片语义分割模型,提取复杂环境下葡萄叶片;采用K-means聚类算法将葡萄叶片分解为若干子区域图像,并标记少量数据集进行随机森林算法学习,实现葡萄叶片病斑分割与提取;同时在叶片提取和病斑提取过程中,设计一种像素尺寸变换方法,解决图像分辨率引起的精度低问题。基于HRNet v2+OCR网络的葡萄叶片分割模型的准确率为98.45%,平均交并比为97.23%;融合K-means聚类和随机森林(RF)算法的葡萄叶片正面、反面和正反面霜霉病病害分级准确率分别为52.59%、73.08%和63.32%,病害等级误差小于等于2级时的病害分级准确率分别为88.67%、96.97%和92.98%。研究结果表明,基于K-means聚类和随机森林算法的葡萄霜霉病检测分级方法能够准确地分割自然环境复杂背景下的葡萄叶片和葡萄霜霉病病斑,并实现葡萄霜霉病分级,为葡萄霜霉病精准防治提供了方法和... 相似文献
8.
9.
10.