共查询到20条相似文献，搜索用时 378 毫秒
1.
【目的】针对农机使用环境恶劣、欠缺后期维护等问题,研究农机轴承故障诊断新方法,克服卷积神经网络难以全局提取特征的不足,提高故障诊断准确率以及农机使用的安全性和稳定性。【方法】研究团队引入了二维改进Transformer网络,利用未经优化的短时傅里叶变换生成的二维图像,并结合深度学习模型,进行了农机轴承故障诊断。研究团队还基于凯斯西储大学的轴承故障数据集进行了实验,从而验证该故障诊断方法的有效性。【结果】在训练30轮后即可在故障类型和故障程度的诊断中达到99.9%的准确率,高于常用的卷积神经网络。【结论】该故障诊断方法流程简单,在负载情况下具有可靠性、优越性,减少了对专家系统的依赖,为农机轴承故障诊断提供了更便捷可靠的方法。 相似文献
2.
【目的】保证农业采摘设备能够稳固地抓取不规则农作物,提高农业机械化收获效率和质量,促使农业生产向信息化、智能化、高效化的方向不断发展。【方法】设计了一种先进、新型的农业采摘机多自由度机械臂。从机械臂的运行原理入手,分别设计了加固板、加强板、限位板、滑动装置、稳定槽、挡板等组成部分,完成了对机械臂结构的科学化设计,最后仿真验证了机械臂的抓取精度。【结果】该机械臂与移动平台所对应的抓取误差被控制在0.01 mm以下,该机械臂可以实现对目标物体的精确采摘。【结论】该机械臂具有定位精确度高、抓取自由灵活等特点,能够满足农业采摘机对水果、蔬菜等农作物的抓取需求,应用前景广阔。希望本研究能为农业生产人员和农机科研人员提供有益的借鉴和参考。 相似文献
3.
【目的】为在养殖场实现非接触对病死、死因不明或染疫猪猪头进行目标检测。【方法】课题组提出了一种基于YOLOv3的病死猪猪头的识别方法,将采集的病死猪图片通过处理制成数据集,并按一定比例分成训练验证集与测试集,通过YOLOv3模型训练,得到预训练权重参数,用评价指标对模型检测效果进行评估,从而获得最优模型的训练测试比。【结果】在训练测试比为8∶2时,YOLOv3算法模型对病死猪猪头的识别平均精度值达91.74%,准确率达95.56%,召回率达89.58%,满足目标检测精度要求,且该模型的平均准确率、准确率、召回率均高于SSD和FasterR-CNN算法模型。【结论】YOLOv3算法模型有助于在对病死猪进行无害化处理时,为机械手提供抓取目标,实现处理设备的智能化、无人化发展。 相似文献
4.
【目的】解决卫星姿态控制系统中反作用飞轮执行机构中的故障定位问题。【方法】本研究提出了一种基于支持向量机的卫星反作用飞轮故障诊断方法。首先,利用半物理仿真平台模拟出卫星真实在轨运行数据,数据分为反作用飞轮卡死故障、空转故障、力矩衰减累积故障、正常数据四类,每类数据提取约70 h（周期为0.25 s）;其次,对卫星反飞轮注入故障,选取反作用飞轮的转速数据进行时域分析,选取其时域特征作为故障特征,并将正常数据集与反作用飞轮衰减数据集在时域中划分成13种特征,得到每类50份数据;最后,利用支持向量机算法完成对卫星反作用飞轮中出现的卡死、空转、衰减故障的识别。【结果】正常数据、反作用飞轮卡死故障与空转故障的分类结果,正常数据与反作用飞轮衰减故障的分类结果,识别准确率均为100%。【结论】本研究可以为卫星的故障定位问题提供一种更好的解决方案。 相似文献
5.
【目的】使用传统卷积神经网络测量土壤含水率的识别准确率低、泛化性能差。为了满足重大工程扰动下的含水率测量需要,需提出一种适用于不同土壤类型且不受深度制约的探测方法。【方法】笔者搭建了室内实验平台,采集了延安、兰州和蓝田三个地区间隔等级为2%的8类不同土壤水分下的图像,构造了用于神经网络训练和测试的数据集。然后,基于对抗域适应算法（CDAN）,比较了ResNet、MobileNetV2、Xception和ViT四种网络,选取识别准确率最高的模型作为其特征提取器,构建基于对抗域适应的土壤含水率识别模型,对比分析含水率识别模型在不同迁移任务上的识别效果。【结果】域适应模型CDAN的测试准确率明显高于MobileNetV2、Xception和ViT等模型,对不同地区土壤含水率的测试准确率均达到68%以上,最高识别准确率为84.3%。【结论】使用域适应方法具有良好的泛化能力和识别精度,能够为开发土壤地质信息探测机器人的视觉系统提供算法支持。然而,目前的土壤含水率识别算法仅适用于实验室条件下所搭建的土壤含水率数据集,若想实现实际的工程应用,则需要进一步完善土壤含水率图像数据集,使室内搭建的算法实现... 相似文献
6.
基于数据平衡和深度学习的开心果品质视觉检测方法 总被引：1，自引：0，他引：1
为探究数据集中分类数量的平衡性对开心果品质检测的影响,将开心果图像与深度学习网络相结合,提出一种数据自动平衡的检测方法。根据行业标准将开心果数据集分为开口、闭口和缺陷3类,在此基础上再分为未经数据平衡和经过数据平衡2个数据集,分别使用AlexNet、GoogLeNet、ResNet50、SqueezeNet、ShuffleNet和Xception 6种网络对2类数据集进行分类测试。结果表明,经过数据平衡的数据集网络准确率均得到了提高,6种网络平均测试准确率由96.75%提高到99.26%,SqueezeNet网络的测试集准确率提升最明显,由93.76%提高到99.02%,ResNet50网络的测试准确率最高,为99.96%。本文方法可用于开心果品质视觉检测。 相似文献
7.
【目的】农业采摘机器人是一种集机械、电子、传感、计算机于一体的多功能农业机械设备,被广泛应用于水果、蔬菜采摘领域。但其在对果实的识别和抓取方面仍存在很大的不足。【方法】机械臂是农业采摘机器人重要的组成部分之一,也是其主要执行机构。笔者根据机械臂结构特点与功能需求,设计了一种六自由度、关节运动灵活且可更换的采摘机器人机械臂,该机械臂通过控制系统调节3个平动关节在工作空间中的位置和角度,从而获得末端执行器能够完成采摘任务所需的最小工作空间,通过六自由度变换得出6个关节在工作空间中坐标系之间运动轨迹关系。该机械臂由视觉模块、驱动模块及控制模块构成。基于D-H参数法对采摘机器人机械臂进行运动学分析,并进行仿真验证。【结果】该机械臂具有较好的定位精度,能够满足农业采摘机器人对果实的抓取要求。 相似文献
8.
针对苹果叶片病害图像识别存在数据集获取困难、样本不足、识别准确率低等问题,提出基于多尺度特征提取的病害识别网络(Multi-scale feature extraction ConvNext, M-ConvNext)模型。采用一种结合改进的循环一致性生成对抗网络与仿射变换的数据增强方法(Improved CycleGAN and affine transformation, CycleGAN-IA),首先,使用较小感受野的卷积核和残差注意力模块优化CycleGAN网络结构,使用二值交叉熵损失函数代替CycleGAN网络的均方差损失函数,以此生成高质量样本图像,提高样本特征复杂度;然后,对生成图像进行仿射变换,提高数据样本的空间复杂度,该方法解决了数据样本不足的问题,用于辅助后续的病害识别模型。其次,构建M-ConvNext网络,该网络设计G-RFB模块获取并融合各个尺度的特征信息,GELU激活函数增强网络的特征表达能力,提高苹果叶片病害图像识别准确率。最后,实验结果表明,CycleGAN-IA数据增强方法可以对数据集起到良好的扩充作用,在常用网络上验证,增强后的数据集可以有效提高苹果叶片病害图像识别准确率;通过消融实验可得,M-ConvNex识别准确率可达9918%,较原ConvNext网络准确率提高0.41个百分点,较ResNet50、MobileNetV3和EfficientNetV2网络分别提高3.78、7.35、4.07个百分点,为后续农作物病害识别提供了新思路。 相似文献
9.
为在仅有少量训练样本条件下获得较高的植物病害分类精度,采用小样本学习模型作为病害分类器,在匹配网络、原型网络和关系网络3种典型小样本学习算法框架下分别采用Conv4、Conv6、ResNet10、ResNet18和ResNet34 5种浅层网络作为特征提取网络,在PlantVillage植物病害数据集上对病害识别性能进行对比试验。在1shot条件下,匹配网络、原型网络和关系网络对植物叶片病害识别的平均准确率分别为72.29%、72.43%和69.45%;其中原型网络+ResNet34为表现最好的组合,病害识别准确率达到了77.60%。在5shot条件下,匹配网络、原型网络和关系网络平均准确率分别为87.11%、87.50%和82.92%,各种网络病害识别准确率比1shot条件均有明显提升;原型网络+ResNet34依旧是表现最佳的组合方式,识别准确率达到89.66%。上述试验结果表明,通过优选小样本学习框架和特征提取网络的组合方式,对于少量样本的病害也能取得较好的识别效果。 相似文献
10.
基于改进ResNet的植物叶片病虫害识别 总被引：1，自引：0，他引：1
轻量化植物叶片病虫害识别算法设计是实现移动端植物叶片病虫害识别的关键。研究提出一种基于改进ResNet模型的轻量化植物叶片病虫害识别算法Simplify ResNet。以人工采集图像和PlantVillage数据集图像为实验数据,根据移动端植物病虫害识别对准确率、速度和模型大小的实际需求,改进ResNet模型。使用5×5卷积替代7×7卷积,采用残差块的瓶颈结构代替捷径结构,采用模型剪枝处理训练后的模型。通过测试集5 786幅图像测试Simplify ResNet模型,证明5×5卷积和残差块的瓶颈结构可有效降低模型参数量,模型剪枝可有效降低训练后的模型大小。Simplify ResNet模型对测试集图像的识别准确率为92.45%,识别时间为48 ms,内存大小为36.14 Mb。与LeNet、AlexNet和MobileNet等模型相比,其准确率分别高18.3%,7.45%和1.2%。为移动端植物病虫害识别解决最重要的算法设计问题,为移动端植物病虫害识别做出有益探索。 相似文献
11.
油茶果脱壳后果壳与茶籽混合在一起,采用传统的机械分选仍会出现掺杂果壳的情况,清选率有待提高。比较ResNet不同层数模型,发现在当前壳籽实验样本下ResNet18与其他模型相比每次迭代的平均训练时间最少,并且验证集平均准确率最高,同时均优于其他CNN分类模型。为进一步提升分选效率,在ResNet18网络中引入注意力机制,结果表明,SE-ResNet18模型与改进前的模型相比,训练过程中每次迭代的平均时间由1.31 s下降到1.13 s,缩短0.18 s,验证集平均准确率为98.88%,提升1.4个百分点。经过测试后得出,测试集整体准确率为98.43%,与原模型相比提升1.3个百分点,说明使用ResNet18模型结合注意力机制的方法在油茶果果壳与茶籽的分选上是可行的,为油茶果在分选方法提供一种新的理论基础与思考方向。 相似文献
12.
为实现非接触、高精度个体识别,本文提出了一种基于牛只脸部RGB-D信息融合的个体身份识别方法。以108头28~30月龄荷斯坦奶牛作为研究对象,利用Intel RealSense D455深度相机采集2334幅牛脸彩色/深度图像作为原始数据集。首先,采用冗余图像剔除方法和自适应阈值背景分离算法进行图像预处理,经增强共得到8344幅牛脸图像作为数据集;然后,分别选取Inception ResNet v1、Inception ResNet v2和SqueezeNet共3种特征提取网络进行奶牛脸部特征提取研究,通过对比分析,确定FaceNet模型的最优主干特征提取网络;最后,将提取的牛脸图像特征L2正则化,并映射至同一特征空间,训练分类器实现奶牛个体分类。测试结果表明,采用Inception ResNet v2作为FaceNet模型的主干网络特征提取效果最优,在经过背景分离数据预处理的数据集上测试牛脸识别准确率为98.6%,验证率为81.9%,误识率为0.10%。与Inception ResNet v1、SqueezeNet网络相比,准确率分别提高1、2.9个百分点;与未进行背景分离的数据集相比,准确率提高2.3个百分点。 相似文献
13.
【目的】常规的柔性机械臂姿态自动检测方法,检测错误次数多,精度较低,需要设计一种全新的农业纸带栽种机械的柔性机械臂姿态自动检测方法。【方法】该方法使用姿态传感器作为数据采集装置,采集农业纸带栽种机械的柔性机械臂姿态数据。结合数据建立相应的姿态图像坐标系,根据柔性机械臂姿态在图像中的随动效应,计算出农业纸带栽种机械的柔性机械臂姿态自转角。根据编码器实测的角度,姿态角度传感器实测角度,求出柔性机械臂末端在竖直方向的高度,进而计算出姿态变化过程中柔性机械臂末端变形量。利用柔性机械臂姿态自转角和柔性机械臂末端变形量之间的相关性,求出待检柔性机械臂姿态的位置信息,进而实现了农业纸带栽种机械的柔性机械臂姿态自动检测。【结果】该方法的错误次数均值仅为5.25次,平均错误次数小于6,而对比方法达到了10次以上,相较于对比方法,该方法的柔性机械臂姿态检测错误次数降低了4次以上。【结论】设计的农业纸带栽种机械的柔性机械臂姿态自动检测方法有效降低了错误次数,检测方法精度高,检测效果较好,具备一定的应用价值。 相似文献
14.
杨亚红王海瑞 《农业装备与车辆工程》2022,(10):163-166
针对时域故障诊断效率不高,而且在对SVM超参数寻优时原始PSO以及部分改进PSO容易陷入局部最小值,使得收敛效果较差的问题,提出一种AsyLnCPSO-SVM的滚动轴承故障诊断方法。提取信号的时域特征,构建故障诊断数据集,运用AsyLnCPSO-SVM模型对故障进行诊断,在诊断过程中动态调节学习因子c和c的值,使得c呈非线性异步递减,而c呈非线性异步递增,从而达到良好的故障诊断效果。实验结果表明,设计的模型具有较快的收敛性,仅需4次迭代便可收敛,并且准确率可达98.87%。 相似文献
15.
【目的】液压传动技术具有易于控制、使用方便、系统设计优化、配置参数高、工作效能高等优势,对搬运机械臂液压系统进行计算和元件优化选型研究具有重要的现实意义。【方法】课题组采用模块化设计理念,在相关最优参数的控制指标下完成了一种搬运机械臂液压系统的计算和元件选型设计。在以往传统液压传动装置的基础上,利用液压传动的理论及实践成果,综合考虑负载机械臂的热处理特性,确定了搬运机械臂液压缸的主要参数、液压泵的规格和电机的驱动功率等,最后对机械臂液压系统进行了压力损失和温升的验算。【结果】搬运机械臂液压系统的总压力损失符合系统的假定设定,元件选型在安全许可范围内,规格符合设计要求。【结论】通过液压系统的计算和元件选型,可以很好地满足工业实体化设计中轻便、移动灵活、结构简便等要求,减轻重体力作业人员的劳动强度,实现自动化电气控制,机、电、液一体化生产。 相似文献
16.
准确检测机械部件的故障是减少维修成本、生产损失和延长机器使用寿命的重要基础条件。在农业生产环境中，由于作业环境较差、干扰信号较多，导致传统故障传感器灵敏度降低，不能及时对故障进行判断与处理，故障频发。为此，选取拖拉机为研究目标，对其辅助齿轮箱进行智能故障诊断。在3种不同的转速(600、1350、2000r/min)条件下，收集了健康和故障小齿轮的振动信号，基于离散小波变换(DWT)作为信号处理，通过相关性特征选择(CFS)方法被用来进行特征选取，并采用随机森林(RF)和多层感知器(MLP)神经网络来对数据进行分类。研究结果表明：不使用特征选择的情况下，RF故障预测准确率为86.25%;在600r/min时，不使用特征选择的RF故障预测准确率为86.25%,使用CFS的最佳6个特征通过训练的RF的相应值，在600r/min时，RF故障预测准确率为92.5%;在1350r/min时，RF故障预测准确率为95.0%。 相似文献
17.
《中国农机化学报》2016,(10)
提出一种针对液压机械无级变速箱离合器液压系统的故障诊断方法。首先,试验得到87组压力数据并进行数据预处理;而后,通过随机抽取的方法得到训练样本集与测试样本集,基于BP神经网络对训练样本集进行训练并得到故障判别模型,使用该模型对随机样本集进行分类测试;最后,基于神经网络特征选择方法对所得分类模型进行属性约简,并对BP神经网络的多值分类作了比较研究。结果显示:BP二值分类方法对正常及4种典型故障模式的平均识别率分别为98.89%、99.78%、99.78%、99.11%、99.78%;BP多值分类方法对5种典型油路状态模式的平均识别率分别为97.11%、99.78%、99.33%、99.56%、100%;正常模式、活塞卡住、密封圈损坏、油道阻塞与密封不严分别可约简3、4、3、3、3个样本属性。该结果表明:换段期间的油压波动与各故障模式之间存在特异性关联,可通过BP网络方法进行模式分类,但该方法对于组合故障判别无效,还有待进一步研究。 相似文献
18.
为了解决饲料生产过程中入仓原料种类采用人工取样感官识别所存在的问题,实现原料种类自动识别,以玉米、麸皮、小麦、豆粕、鱼粉等大宗饲料原料为研究对象,自主设计搭建了多通道入仓原料种类自动识别装置,采集饲料原料图像数据集,并使用数据增强的方法增加样本多样性。基于ResNet18网络模型加入通道注意力机制、增加Dropout函数,并嵌入余弦退火法的Adam优化器,引入迁移学习机制训练模型,构建适用于饲料原料种类识别的CAM-ResNet18网络模型。CAM-ResNet18网络模型的原料种类验证准确率达99.1%,识别时间为2.58ms。与ResNet18、ResNet34、AlexNet、VGG16等网络模型相比,模型验证集准确率分别提升0.6、0.2、3.7、1.1个百分点。针对混淆矩阵结果分析,测试集识别平均准确率达99.4%,具有较高的精确度和召回率。结果表明,构建的CAM-ResNet18网络模型在饲料原料种类识别方面具有较高的识别精度和较快检测速度,自主研发的多通道入仓原料种类自动识别装置具有实际应用价值。 相似文献
19.
李路云王海瑞 《农业装备与车辆工程》2023,(5):81-86
针对齿轮箱在噪声、转速、加载电流变化的情况下故障诊断模型泛化性能差的问题,提出一种GAF-AlexnetELM的齿轮箱故障诊断模型。利用格拉姆角场（GAF）的方法将齿轮箱的振动信号转化为二维图像,将二维图像压缩至适当大小,再输入卷积神经网络（Alexnet）进行特征提取,最后将Alexnet提取的特征放入极限学习机（ELM）进行故障识别。为了验证模型性能,采用千鹏公司QPZZ-II旋转机械振动分析及故障诊断试验平台系统的数据集进行齿轮箱故障诊断分析,同时进行多组对比实验,验证不同模型的故障诊断性能和泛化性能。结果表明,该模型故障识别准确率达到了96.33%;在噪声、转速、加载电流变化的情况下,故障识别准确率也较高,证明了所提方法具有良好的故障诊断效果和泛化性能。 相似文献
20.
基于Faster R-CNN的田间西兰花幼苗图像检测方法 总被引：4，自引：0，他引：4
为解决自然环境下作物识别率不高、鲁棒性不强等问题,以西兰花幼苗为研究对象,提出了一种基于Faster R-CNN模型的作物检测方法。根据田间环境特点,采集不同光照强度、不同地面含水率和不同杂草密度下的西兰花幼苗图像,以确保样本多样性,并通过数据增强手段扩大样本量,制作PASCAL VOC格式数据集。针对此数据集训练Faster R-CNN模型,通过设计ResNet101、ResNet50与VGG16网络的对比试验,确定ResNet101网络为最优特征提取网络,其平均精度为90. 89%,平均检测时间249 ms。在此基础上优化网络超参数,确定Dropout值为0. 6时,模型识别效果最佳,其平均精度达到91. 73%。结果表明,本文方法能够对自然环境下的西兰花幼苗进行有效检测,可为农业智能除草作业中的作物识别提供借鉴。 相似文献