共查询到20条相似文献，搜索用时 203 毫秒
1.
为了提高蝴蝶兰自动化快速繁育过程中组培苗夹取点视觉检测的适应性和效率，该研究提出了一种基于改进U2-Net显著性检测网络（MBU2-Net+）的组培苗夹取点定位方法。首先，通过显著性检测网络得到蝴蝶兰组培苗的显著性图像；然后，对显著性图像进行骨架提取，并经过形态学分析计算定位组培苗夹取点；最后，将夹取点位置数据发送给机械臂进行夹取。在图像显著性检测试验中，MBU2-Net+的平均绝对误差为0.002，最大F1分数为0.993，FPS（frames per second，每秒帧率）为33.99 帧/s，模型权重大小为2.37 MB；在组培苗夹取试验中，4组共112颗苗的夹取点提取成功率为85.71%。为验证该研究的适应性，将其应用于各阶段组培苗以及部分虚拟两叶苗共11株种苗的夹取点提取，成功率为81.82%，使用该方法对不同时期的蝴蝶兰组培苗进行夹取点检测，具有较高的成功率。研究结果可为发展组培苗自动化快速繁育技术提供参考。 相似文献
2.
农业车辆双目视觉障碍物感知系统设计与试验 总被引：2，自引：2，他引：0
为保证智能化农业机械在自主导航过程中的安全可靠性,该研究将嵌入式AI计算机Jetson TX2作为运算核心,设计一套基于双目视觉的农业机械障碍物感知系统。使用深度卷积神经网络对作业环境中的障碍物进行识别,并提出一种基于改进YOLOv3的深度估计方法。将双目相机抓取的左右图像分别输入至改进的YOLOv3模型中进行障碍物检测,并将输出的目标检测框信息进行目标匹配和视差计算,完成对障碍物的识别、定位和深度估计。试验结果表明,该系统能够对障碍物进行准确识别,平均准确率和召回率分别达到89.54%和90.18%;改进YOLOv3模型的深度估计误差均值、误差比均值较原始YOLOv3模型分别降低25.69%、25.65%,比Hog+SVM方法分别降低41.9%、41.73%;动态场景下系统对障碍物深度估计的平均误差比为4.66%,平均耗时0.573s,系统在深度预警时能够及时开启电控液压转向模块进行安全避障。研究结果可为农业机械的自主导航提供有效的环境感知依据。 相似文献
3.
为解决自然环境中苹果叶片病害检测场景复杂、小目标病害检测难度高以及模型参数大无法在移动端和嵌入式设备部署等问题,提出一种基于YOLOv5s的苹果叶片小目标病害轻量化检测方法。该方法将YOLOv5s的骨干网络更改为ShuffleNet v2轻量化网络,引入CBAM（convolutional block attention module）注意力模块使模型关注苹果叶片小目标病害,添加改进RFB-s（receptive field block-s）支路获取多尺度特征,提高苹果叶片病害检测精度,并更改边界框回归损失函数为SIoU（scylla-intersection over union）,增强病斑定位能力。试验表明改进后的YOLOv5s模型在IoU大于0.5时的平均精度均值（mean average precision,mAP0.5）和每秒传输帧数（frame per second,FPS）分别达到90.6%和175帧/s,对小目标的平均检测准确率为38.2%,与基准模型YOLOv5s相比,其mAP0.5提升了0.8个百分点,参数量减少了6.17 MB,计算量减少了13.8 G,对小目标的检测准确率提高了3个百分点。改进后的YOLOv5s目标检测模型与Faster R-CNN、SSD、YOLOv5m、YOLOv7、YOLOv8和YOLOv5s目标检测模型相比,具有最小的参数量和计算量,对小目标病害叶斑病和锈病的检测准确率分别提高了1.4、4.1、0.5、5.7、3.5、3.9和1.5、4.3、1.2、2.1、4、2.6个百分点,该方法为真实自然环境下苹果叶片病害尤其是小目标病害的轻量化检测提供参考依据。 相似文献
4.
采用改进Mask R-CNN算法定位鲜食葡萄疏花夹持点 总被引：1，自引：1，他引：0
为实现鲜食葡萄疏花机械化与自动化,该研究提出了一种鲜食葡萄疏花夹持点定位方法。首先基于ResNeXt骨干网络并融合路径增强,改进Mask R-CNN模型,解决鲜食葡萄花穗、果梗目标较小难以检测的问题;进而针对花穗、果梗生长姿态的复杂性与不确定性,提出一种集合逻辑算法,该算法采用IoU函数剔除重复检测的花穗与果梗,建立花穗、果梗对,并对果梗掩模进行形态学开运算,利用集合关系获取主果梗掩模,确定以主果梗质心附近的中心点为果梗的夹持点。最后,随机选取测试集中的图像进行试验。试验结果表明：果梗夹持点平均定位准确率为83.3%,平均定位时间为0.325 s,夹持点x、y方向定位误差及定位总误差最大值分别为10、12和16像素,能够满足鲜食葡萄疏花的定位精度与速度要求,可为实现鲜食葡萄疏花机械化与自动化提供理论支撑。 相似文献
5.
针对国内缺少沙棘专用机械收获装备、探明沙棘枝条最优切割参数组合,该研究设计了双动刀沙棘枝条切割试验台并开展沙棘枝条切割试验,确定了切割装置关键结构参数,基于LabVIEW开发了沙棘枝条切割特性测控系统和数据采集软件。通过单因素试验探究平均切割速度、刀具滑切角、刀刃高度和动刀组数对单位直径峰值力及单位面积切割功耗的影响;采用Box-Behnken多因素试验设计方法,以平均切割速度、枝条喂入速度和刀具滑切角为试验因素,以单位直径峰值力和单位面积切割功耗为评价指标建立回归模型。试验结果表明,评价指标随着平均切割速度、刀具滑切角和刀刃高度的增大而减小,在双动刀时比单动刀时数值更小。通过响应曲面法优化回归模型,确定最优切割参数组合为平均切割速度0.45 m/s、枝条喂入速度0.64 m/s、刀具滑切角9.4°,该组合下单位直径峰值力为53.33 N/mm,单位面积切割功耗为69.87 N/mm2,模型误差小于5%,切割参数优化结果准确。研究结果可为后续沙棘枝条收获装备的研发提供数据支撑。 相似文献
6.
为提高自然环境下生姜叶片病虫害的识别精确率，提出一种基于改进YOLOv5s的生姜叶片病虫害识别模型。建立了田间不同自然环境条件下的生姜叶片病虫害数据集，为保证模型在田间移动设备上流畅运行，实现网络模型的轻量化，在YOLOv5s中引入GhostNet网络中的Ghost模块和Ghost BottleNeck结构。同时，为避免生姜叶片病虫害图像小目标特征丢失的情况，增强图像特征提取，加入CA注意力机制模块，提升生姜叶片病虫害的识别准确率和定位精确度。改进后的模型参数量、计算量和权重文件大小分别为YOLOv5s模型的52.0%、50.6%和55.2%，对生姜叶片病虫害识别平均精度均值达到了83.8%。与Faster-RCNN、SSD、YOLOv4、YOLOv5s、Tea-YOLOv5s等算法相比，平均精度均值分别提高37.6、39.1、22.5、1.5、0.7个百分点，将改进后的目标检测模型部署在Jetson Orin NX开发板上，并使用TensorRT、Int8量化和CUDA等方法对检测模型加速，加速后的模型检测速度为74.3帧/s，满足实时检测的要求，测试结果显示，改进后的模型减少了漏检、误检的情况，并且对目标定位更加精准，适用于自然环境下生姜叶片病虫害的精准识别，为后续生姜机械自动化施药作业提供技术理论支持。 相似文献
7.
采用轻量级网络MobileNetV2的酿酒葡萄检测模型 总被引：1，自引：1，他引：0
为提高高分辨率田间葡萄图像中小目标葡萄检测的速度和精度,该研究提出了一种基于轻量级网络的酿酒葡萄检测模型（Wine Grape Detection Model,WGDM）。首先,采用轻量级网络MobileNetV2取代YOLOv3算法的骨干网络DarkNet53完成特征提取,加快目标检测的速度;其次,在多尺度检测模块中引入M-Res2Net模块,提高检测精度;最后,采用平衡损失函数和交并比损失函数作为改进的定位损失函数,增大目标定位的准确性。试验结果表明,提出的WGDM模型在公开的酿酒葡萄图像数据集的测试集上平均精度为81.2%,网络结构大小为44 MB,平均每幅图像的检测时间为6.29 ms;与单发检测器（Single Shot Detector,SSD）、YOLOv3、YOLOv4和快速区域卷积神经网络（Faster Regions with Convolutional Neural Network,Faster R-CNN）4种主流检测模型相比,平均精度分别提高8.15%、1.10%、3.33%和6.52%,网络结构分别减小了50、191、191和83 MB,平均检测时间分别减少了4.91、7.75、14.84和158.20 ms。因此,该研究提出的WGDM模型对田间葡萄果实具有更快速、更准确的识别与定位,为实现葡萄采摘机器人的高效视觉检测提供了可行方法。 相似文献
8.
基于改进YOLOv3的果树树干识别和定位 总被引：1，自引：1，他引：0
为提高果园机器人自主导航和果园作业的质量、效率,该研究提出一种基于改进YOLOv3算法对果树树干进行识别,并通过双目相机进行定位的方法。首先,该算法将SENet注意力机制模块融合至Darknet53特征提取网络的残差模块中,SENet模块可增强有用特征信息提取,压缩无用特征信息,进而得到改进后残差网络模块SE-Res模块;其次,通过K-means聚类算法将原始YOLOv3模型的锚框信息更新。果树树干定位通过双目相机的左、右相机对图像进行采集,分别传输至改进YOLOv3模型中进行果树树干检测,并输出检测框的信息,再通过输出的检测框信息对左、右相机采集到的果树树干进行匹配;最后,通过双目相机三角定位原理对果树树干进行定位。试验表明,该方法能较好地对果树树干进行识别和定位,改进YOLOv3模型平均精确率和平均召回率分别为97.54%和91.79%,耗时为0.046 s/帧。在果树树干定位试验中,横向和纵向的定位误差均值分别为0.039 和0.266 m,误差比均值为3.84%和2.08%;与原始YOLOv3和原始SSD模型相比,横向和纵向的定位误差比均值分别降低了15.44、14.17个百分点和21.58、20.43个百分点。研究结果表明,该方法能够在果园机器人自主导航、开沟施肥、割草和农药喷洒等作业中进行果树识别和定位,为提高作业效率、保障作业质量奠定理论基础。 相似文献
9.
基于Lucas-Kanade稀疏光流算法的奶牛呼吸行为检测 总被引：2，自引：2，他引：0
奶牛呼吸行为的智能检测对于奶牛疾病的自动诊断及奶牛精准养殖具有重要意义。该研究基于Lucas-Kanade稀疏光流算法,提出了一种适合于非结构化养殖环境的无接触式单目标奶牛呼吸行为检测方法。通过在HSV颜色空间完成奶牛目标的提取,然后通过Canny算子和掩模操作完成奶牛所有花斑边界的检测,再利用Lucas-Kanade稀疏光流算法计算提取奶牛花斑边界光流,最后根据视频序列帧中花斑边界平均光流的方向变化规律实现奶牛呼吸行为的检测。为了验证本研究算法的有效性,利用不同环境下获取的105段共计25 200帧数据进行了测试,并与基于整体Lucas-Kanade光流法、整体Horn-Schunck光流法和基于花斑边界的Horn-Schunck光流法进行了对比验证。试验结果表明,该研究算法的帧处理耗时在0.10～0.13 s之间,在试验视频上的平均运行时间为14.14 s。奶牛呼吸行为检测的准确率为83.33%～100%之间,平均准确率为98.58%。平均运行时间较基于整体Lucas-Kanade光流法的呼吸行为检测方法慢1.60 s,较Horn-Schunck整体光流的呼吸行为检测方法快7.30 s,较基于花斑边界的Horn-Schunck光流法快9.16 s。呼吸行为检测的平均准确率分别高于3种方法 1.91、2.36、1.26个百分点。研究结果表明,通过Lucas-Kanade光流法检测奶牛花斑边界平均光流方向变化实现奶牛呼吸行为检测是可行的,该研究可为奶牛热应激行为的自动监测及其他与呼吸相关疾病的远程诊断提供参考。 相似文献
10.
基于改进可变形部件模型与判别模型的葡萄叶片检测与跟踪 总被引：1，自引：1，他引：0
为解决酿酒葡萄生长状态自动监测问题,该文提出基于机器视觉和视频处理技术的自动监测系统,开发了多角度可变形部件模型的葡萄叶片检测算法和基于颜色特征的判别模型跟踪算法。在叶片检测方面,该算法对颜色特征图像采用可变形部件模型训练出多角度叶片检测器,通过多模型匹配后产生叶片检测候选集合,选择集合中得分最高的检测结果作为最后的定位信息;在跟踪方面,结合图像中目标的颜色直方图,建立具有区分背景和目标的组合判别模型,并将位置函数的最大值作为相邻帧的目标位置,从而实现对叶片目标的实时跟踪。试验结果表明,该文检测算法对自然条件下的葡萄叶片平均检测率为88.31%,误检率为8.73%;叶片跟踪的准确性也相对较高,其重叠率高达0.83,平均中心误差为17.33像素,其证明了该算法的有效性,研究结果为葡萄生长状态的自动分析提供参考。 相似文献
11.
12.
为实现虾只机械剥壳环节裸肉虾与带壳虾自动分选,该研究提出一种基于改进YOLOv4模型的虾只肉壳辨识方法。将YOLOv4模型中CSP-Darknet53网络替换为GhostNet网络,增强模型自适应特征提取能力及简化模型参数计算量。在YOLOv4主干特征提取网络Resblock模块中引入轻量级注意力机制,增强主干特征提取网络的特征提取能力。将YOLOv4模型中GIoU损失函数替换为CIoU损失函数,提高模型预测框的回归效果。为检测改进效果进行了不同模型对比验证,轻量化结果表明改进YOLOv4模型参数量最少、计算量最小;消融试验表明改进YOLOv4模型的平均精度均值为92.8%,比YOLOv4模型提升了6.1个百分点。不同场景下应用改进YOLOv4模型进行虾只肉壳辨识性能试验。结果表明：同品种不同环境的虾只肉壳辨识总体平均准确率为95.9 %,同品种不同剥壳方式的虾只肉壳辨识准确率平均值为90.4 %,不同品种虾只肉壳辨识准确率平均值为87.2 %。研究结果可为裸肉虾与带壳虾自动分选提供技术支撑。 相似文献
13.
针对现有嫁接机存在技术不成熟、价格较高、难以大规模推广应用的问题,提出一种采用高速蔬菜苗切割输送装置配合人工嫁接的新型嫁接模式。蔬菜苗高速切割输送装置包括穴盘输送装置、拨苗装置、切割装置和蔬菜苗输送装置等。根据切割装置结构和工作原理,分析了穴盘输送速度、拨苗轮转速和切割频率之间的关系,并进行了试验研究。试验结果表明:切割装置采用成排连续切割的方式,其蔬菜苗切割效率达到37 000株/h,能够满足嫁接流水线37个人工嫁接工位的用苗需求,达到了30工位的设计要求;刀具切割频率、拨苗轮转速需要匹配穴盘输送速度才能获得最小伤苗率和最优切割成功率。该装置的研制为规模化嫁接苗的生产提供了一种高效率、低成本的人机协同生产方式。 相似文献
14.
基于叶片下苗茎侧视图像的白掌穴盘苗品质检测 总被引：1，自引：1，他引：0
针对穴盘苗叶片之间相互覆盖难以利用俯视图像判断种苗品质的问题,该研究以白掌苗为研究对象,提出一种叶片下观测苗茎局部区域的方法,通过提取穴盘苗叶片下苗茎参数,结合种苗级别判断标准,实现叶片相互覆盖穴盘苗的自动化品质检测。该方法首先确定白掌苗苗茎品质分级临界值,并构建由微型相机和导光纤维组成的苗茎图像采集单元,在检测室暗室环境中捕获白掌苗叶片下光纤光斑区域苗茎图像,利用视觉算法提取苗茎图像和苗茎投影面积,通过提取的待测白掌苗苗茎投影面积与白掌苗苗茎品质分级临界值对比分析,确定不合格苗,并返回不合格苗穴孔位置信息。试验结果表明,穴盘苗品质检测准确度主要受种苗在穴中位置和输送速度影响,当苗偏离穴中心10 mm以上时,种苗品质检测准确度最低降至85%以下。当种苗品质接近分级临界值时,种苗品质检测准确度略微下降,但不显著（P>0.05）。针对72孔待售白掌穴盘苗进行品质检测试验,试验结果表明,当输送带速度为0.045 m/s,苗茎偏离距离在10 mm内,系统的识别准确率可达97.92%,对应生产率为150盘/h（10 800株/h）。本研究可为存在相邻叶片覆盖时穴盘苗分级、品质检测的自动化评估提供理论指导和参考。 相似文献
15.
蔬菜穴盘苗自动补苗试验台穴孔定位与缺苗检测系统 总被引：4，自引：4，他引：0
为了精确获得蔬菜穴盘育苗空穴信息并为自动补苗提供依据,研制了蔬菜穴盘苗自动补苗试验台。利用该试验台获取了苗龄25、35 d的拟南介穴盘苗彩色图像,对彩色图像依次进行灰度化处理、Otsu阈值分割得到幼苗和穴盘二值图;对幼苗二值图进行开运算去除噪声,提取出幼苗特征图像;将穴盘二值图去除幼苗图像并去除噪声获得穴盘特征图像,依据穴盘特征图像分别在行、列上的像素统计峰值、峰宽及穴盘规格化结构,精确确定了穴孔边界;对穴孔内幼苗图像像素统计以判定是否空穴,结果表明:25、35 d拟南芥穴盘苗有苗穴孔与无苗穴孔内像素统计值差异极显著,空穴、有苗穴判断正确率均为100%,为穴盘苗空穴自动补苗提供了精确的幼苗信息与穴孔位置。 相似文献
16.
基于改进YOLOv5s和迁移学习的苹果果实病害识别方法 总被引：8，自引：8，他引：0
为实现对苹果果实病害的快速准确识别,提出了一种基于改进YOLOv5s的果实病害识别模型：GHTR2-YOLOv5s （YOLOv5s with Ghost structure and TR2 module）,并通过迁移学习策略对其进行优化。在YOLOv5s基础上通过加入幻影结构和调整特征图整体宽度得到小型基线模型,通过卷积块注意力模块（Convolutional Block Attention Module, CBAM）和加权双向特征金字塔网络（Bidirectional Feature Pyramid Network, BIFPN）提高模型精度,使用TR2（Two Transformer）作为检测头增强模型对全局信息的获取能力。改进后模型大小和识别速度为2.06 MB和0.065 s/张,分别为YOLOv5s模型的1/6和2.5倍;IoU阈值为0.5下的平均精度均值（mAP0.5）达到0.909,能快速准确地识别苹果果实病害。研究通过在线图像增强与迁移学习相结合的方式提高模型收敛速度,进一步提高模型精度,其mAP0.5达到0.916,较原始模型提升8.5%。试验结果表明,该研究提出的基于GHTR2-YOLOv5s和迁移学习的苹果病害识别方法有效优化了模型训练过程,实现了占用较少计算资源的情况下对苹果病害进行快速准确地识别。 相似文献
17.
自动补苗装置精准定位自适应模糊PID控制 总被引：7，自引：7，他引：0
为实现补苗装置精准定位控制,解决自动移栽作业过程中因穴盘缺苗和取苗投苗失败而导致的漏栽问题,采用自适应Fuzzy-PID控制算法来实现钵苗输送的步进定位控制。构建了步进电机角速度控制传递函数的数学模型,设计了自适应Fuzzy-PID控制器及其模糊规则,通过MATLAB的Simulink模块建立了基于模糊PID控制器的步进电机系统角速度控制模型,以阶跃信号作为激励信号,自适应模糊PID控制和PID控制的仿真试验表明:PID控制的响应时间为7 s,出现超调量为0.1的振荡,通过调整PID控制器参数增大比例系数,系统响应时间缩短为2.2 s,系统响应速度明显加快,且未出现振荡环节;自适应模糊PID的响应时间为0.12 s,步进电机系统快速到达阶跃响应的稳态值,步进电机角速度控制稳定,角速度响应快,满足钵苗输送的定位要求。自动补苗试验结果表明:在植苗频率为40、50与60株/min时,补苗成功率分别为100%,100%、95.8%,且只要光纤传感器检测到漏苗信号,基于自适应Fuzzy-PID控制的步进电机系统快速响应,补苗控制系统都能准确及时地进行自动补苗。该研究可为解决自动移栽机田间作业的漏栽问题提供参考。 相似文献
18.
针对目前在水下复杂环境中池塘养殖河蟹与饵料的检测算法存在检测精度低、速度慢等问题,该研究提出了基于改进YOLOv5s（you only look once version 5 small）的河蟹与饵料检测方法。首先,采用轻量化卷积Ghost替换普通卷积,同时利用GhostBottleneck结构替换原主干网络中的残差结构快速提取网络特征,减少模型计算量,满足安卓端的应用要求。其次,为了弥补因网络参数量减少造成网络检测精度稍有降低的问题,借鉴BiFPN（bidirectional feature pyramid network）的思想改进原始YOLOv5s的双向融合骨干网络,以较低的计算成本提高网络对小目标的检测精度。此外,为了帮助网络进一步更好地识别目标,加入了CA（coordinate attention）注意力机制,使得图像中感兴趣的区域能够更准确地被捕获。试验结果表明：该研究改进模型平均精度均值为96.9%,计算量为8.5GFLOPs,与当前主流的单阶段有锚框目标检测算法SSD（single shot multibox detector）和YOLOv3相比,具有更高的检测精度以及更少的计算量。相比于原始YOLOv5s模型,本文改进模型平均精度均值提高了2.2个百分点,计算量和模型内存都降低了40%以上。最后,将改进前后的模型部署到安卓设备上测试。测试结果表明：改进后模型的平均检测速度为148ms/帧,相较于原始模型检测速度提高了20.9%,并且保持了较好的检测效果,平衡了安卓设备对模型检测精度以及速度的性能需求,能够为河蟹养殖投饵量的精准确定提供参考。 相似文献
19.
为了提高番茄穴盘苗分级检测精度,该研究提出了改进YOLOv5s目标检测模型,并通过迁移学习对番茄穴盘病苗识别精度进行优化。采用轻量级网络EfficientNetv2的Backbone部分作为特征提取网络,保留YOLOv5s中的SPPF空间金字塔池化模块,压缩模型参数数量以减少计算量;更改模型Neck部分原始上采样模块为CARAFE轻量级上采样模块,在引入很少参数量的情况下提高模型精度;同时将PANet替换为BiFPN,引入特征权重信息,增强不同尺度特征融合能力;引入有效多尺度注意力机制(efficient multi-scale attention,EMA),提高对番茄苗的关注,减少背景干扰;替换CIoU损失函数为SIoU损失函数,考虑真实框与预测框之间的方向匹配,提高模型收敛效果。试验结果表明,改进的YOLOv5s目标检测模型经过迁移学习训练后,平均精度均值达到95.6%,较迁移学习前提高了0.7个百分点;与原YOLOv5s模型相比,改进YOLOv5s模型平均精度均值提升2.6个百分点;改进YOLOv5s模型的参数量、计算量和权重大小分别为原YOLOv5s模型的53.1%、20.0%... 相似文献
20.
准确、快速地统计苗木数量对苗圃的运营和管理具有重要意义,是提高苗圃运营和管理水平的有效方式。为快速准确统计完整地块内苗木数量,该研究选取云杉为研究对象,以无人机航拍完整地块云杉视频为数据源,提出一种基于YOLOv3（You Only Look Once v3,YOLOv3）和SORT（Simple Online and Realtime Tracking,SORT）的云杉数量统计方法。主要内容包括数据采集、YOLOv3检测模型构建、SORT跟踪算法和越线计数算法设计。以平均计数准确率（Mean Counting Accuracy,MCA）、平均绝对误差（Mean Absolute Error,MAE）、均方根误差（Root Mean Square Error,RMSE）和帧率（Frame Rate,FR）为评价指标,该方法对测试集中对应6个不同试验地块的视频内云杉进行数量统计的平均计数准确率MCA为92.30%,平均绝对误差MAE为72,均方根误差RMSE为98.85,帧率FR 11.5 帧/s。试验结果表明该方法能够快速准确统计完整地块的云杉数量。相比SSD+SORT算法,该方法在4项评价指标优势显著,平均计数准确率MCA高12.36%,帧率FR高7.8 帧/s,平均绝对误差MAE和均方根误差RMSE分别降低125.83和173.78。对比Faster R-CNN+SORT算法,该方法在保证准确率的基础上更加快速,平均计数准确率MCA仅降低1.33%,但帧率FR提高了10.1 帧/s。该研究从无人机航拍视频的角度为解决完整地块的苗木数量统计问题做出了有效探索。 相似文献