共查询到20条相似文献,搜索用时 578 毫秒
1.
0概况巴西联邦共和国,位于南美洲东部.全国总面积851.20万km2,约占南美洲总面积的一半,是南美洲面积最大的国家。总人口为18065.4万人(2004年),也是南美洲人口最多的一个国家,其中55%为白种人,38%为混血种人,葡萄牙语为其官方语言, 相似文献
2.
在一跃成为玉米多功能收获机销售量全国领先和政府补贴台数领先的企业之后,2008年,山东金亿机械制造有限公司(以下简称"金亿公司")欲继续发力于自走式小麦收获机市场. 相似文献
3.
1.选好机型 目前,水稻联合收割机机型很多,应按先进适用原则,选择性能好、效率高、适应性强、可靠性好、价格合理的机型.2006年在江西省吉水县推广的机型有丹霞4L-0.5、柳林-160、三联-160和碧浪4L-1.0等.经使用,丹霞4L-0.5型具有体积小、转移方便、适用于山区和种粮大户的特点,每台每季可作业7hm2以上,农民反映较好.柳林-160型具有质量好、功效高、故障少的特点,适应于平原大田块和为其他农户服务用,每台每季作业13hm2以上,深受机手和农民欢迎. 相似文献
4.
紧急受命 1954年,山西省在文水县南安乡谢家寨村建起了山西省碱地改良站,前苏联专家在视察该改良站土地后提出:对留茬的玉米地,必须先用拖拉机进行深耕(耕深22cm),等过了冬季,才能检验出防治盐碱的效果.在当时,前苏联专家的建议就是最权威的命令,山西省农业厅的领导不敢怠慢,赶紧组织人手、分配任务,由于条件有限,整个晋中地区只有榆次县张庆乡有几台拖拉机,在汾河岸以西还没有一台农业机械. 相似文献
5.
(本刊讯)天上飞行助威、地上热歌劲舞。10月26日上午,2007年全国农机产品订货交易会暨第十一届中国国际农业机械展览会开幕式在郑州国际会展中心 相似文献
6.
介绍了Audi(奥迪A6)MOST-BUS结构,传输和工作过程的特点,针对MOST-BUS结构,提出MOST-BUS系统故障诊断的基本思路和环型断裂诊断法. 相似文献
7.
8.
随着浦城县农村经济的快速发展,联合收割机的使用越来越普遍,作为一种致富的工具,联合收割机越来越受到用户的重视和欢迎。但用户在使用联合收割机过程中时常反映"跑粮"(籽粒损失)问题。 相似文献
9.
2006年8月28日20时10分,一辆装有泥土的翻斗汽车在安徽省宿松某开发区工地卸土时,不慎将一条10 kV高压线挂断,致使县城西南方上千户居民和单位突然断电.由于高压线采用的是绝缘线,车主才幸免于难. 相似文献
10.
11.
为提高高空间分辨率遥感影像(高分影像)中苹果园提取精度,基于Quick Bird遥感数据,研究综合光谱特征和纹理特征的苹果园自动提取方法。该方法首先采用最佳指数因子(OIF)获取多光谱波段最佳组合,然后采用不同大小滑动窗口(从3像素×3像素到13像素×13像素)提取全色波段的灰度共生矩阵(GLCM)、分形和空间自相关3种纹理特征并分别与光谱特征组合,最后通过支持向量机(SVM)分类进行苹果园分类识别。研究表明:在分类特征上,与单一光谱或纹理特征相比,光谱特征结合纹理特征能有效提高苹果园提取精度(Fa)和总体分类精度(OA),其中光谱+GLCM纹理(9像素×9像素)分类精度最高,Fa和OA分别为96.99%和96.16%,比光谱+分形纹理分别提高0.63个百分点和1.56个百分点,比光谱+空间自相关纹理显著提高11.92个百分点和9.20个百分点。在分类方法上,通过对比分析SVM、最大似然和神经网络3种方法的分类结果,探明SVM分类识别苹果园精度最高。最后对苹果园提取结果进行面积统计,结果表明GLCM纹理结合SVM分类的苹果园面积估算与目视解译结果的一致性超过98%。 相似文献
12.
植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。针对低维特征不能全面描述叶片信息,识别准确率低的问题,提出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理,获得去除颜色、虫洞、叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征,对灰度图像提取Hu不变矩特征、灰度共生矩阵特征、局部二值模式特征和Gabor特征,对纹理图像提取分形维数,共得到2 183维特征参数。再采用主成分分析与线性评判分析相结合的方法对叶片多特征进行特征降维,将叶片高维特征数据降到低维空间。降维后的训练样本特征数据使用支持向量机分类器进行训练。试验结果表明:使用训练后的支持向量机分类器对Flavia数据库和ICL数据库的测试叶片样本进行分类识别,平均正确识别率分别为92.52%、89.97%,有效提高了植物叶片识别的正确率。 相似文献
13.
识别小麦抽穗扬花期抽穗情况,可用于指导后期水肥管理、病害防治和产量预测等。为实现准确、自动地麦穗计数,提出一种基于颜色特征的麦穗计数方法。抽穗扬花期小麦麦穗与叶片、茎秆颜色非常接近,常见颜色特征并不能有效分割麦穗,通过彩色直方图均衡化和红绿归一化差异指数对麦穗进行有效提取。针对图像中麦穗粘连问题,利用改进Harris角点检测算法分别对垂直拍摄和45°夹角拍摄的小麦图像进行验证。通过样本图像进行计数试验,准确率分别为96.06%和94.74%。结果表明,经均衡化处理后麦穗、叶片和茎秆出现明显颜色色差,可以利用颜色特征提取大田环境下抽穗扬花期麦穗图像;麦穗细化后进行骨架交点检测,可用于粘连麦穗的准确计数。 相似文献
14.
马铃薯典型病害图像自适应特征融合与快速识别 总被引:3,自引:0,他引:3
针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。 相似文献
15.
16.
基于超像素特征的苹果采摘机器人果实分割方法 总被引:3,自引:0,他引:3
针对苹果采摘机器人在自然环境下对着色不均匀果实的识别分割问题,提出了基于超像素特征的苹果采摘机器人果实分割方法。首先,采用简单线性迭代聚类算法将图像分割成内部像素颜色较为一致的若干超像素单元;然后,提取每个超像素的纹理和颜色特征,并采用支持向量机将超像素分为果实和背景两个类别;最后,根据超像素之间的邻接关系对分类结果进行进一步修正。实验表明,该方法能够对大部分超像素单元进行正确分类,平均每幅图像被错误分类的超像素约为2.28个。与采用像素级特征的色差法和采用邻域像素特征的果实分割方法相比,采用超像素特征的果实分割方法具有更好的分割效果。在进行邻接关系修正前,该方法图像分割准确率达0.9214,召回率达0.8565,平均识别分割一幅图像耗时0.6087s,基本满足实时性需求。 相似文献
17.
准确获取西兰花花球面积和新鲜度是确定其长势的关键步骤,本研究通过对深度残差网络ResNet进行改进得到一种新型的西兰花花球分割模型,并通过花球部位黄绿颜色占比判断其新鲜度,实现低成本高效准确地西兰花表型信息提取。主要技术流程包括:(1)基于地面自动影像获取平台拍摄西兰花花球正射影像并建立原始数据集;(2)对训练图像进行预处理并输入模型进行分割;(3)基于颜色信息用粒子群结构PSO和大津法Otsu对分割结果进一步进行阈值分割,获取其新鲜度指标。试验结果表明:本研究建立的分割模型精度优于传统深度学习模型和基于颜色空间变换和阈值分割模型,4个评价指标结构相似性指数(SSIM)、平均精度(Precision)、平均召回率(Recall)、F-度量(F-measure)结果分别为0.911、0.897、0.908和0.907,相比于传统方法提升了10%-15%,且对土壤反射率波动、冠层阴影、辐射强度变化等干扰具有一定的鲁棒性。同时,在分割结果的基础上采用PSO-Otsu法可以实现花球新鲜度快速分析,其精度超过了0.8。本研究结果实现了西兰花田间多表型参数的高通量获取,可以为作物田间长势监测研究提供重要参考。 相似文献
18.
19.
小波域马铃薯典型虫害图像特征选择与识别 总被引:3,自引:0,他引:3
为准确、快速地识别马铃薯典型虫害,提出了一种基于小波域的马铃薯典型虫害特征提取与识别方法。该方法以自然环境下的马铃薯虫害分割图像为对象,提取小波域高斯空间模型的高频协方差阵特征值与低频低阶矩(HELM)的12个不变纹理特征、空间域Hu不变矩的4个形状特征,进行支持向量机(SVM)的虫害分类识别。通过对8类典型虫害的识别,试验结果表明:在SVM识别方法下,本文HELM特征提取方法,相比传统纹理特征提取方法,在特征计算量不增加的同时,平均识别率至少提高了17个百分点;在HELM特征与Hu矩特征下,本文SVM的运行时间为0.481 s,比人工神经网络快了近2 s,平均识别率为97.5%,比人工神经网络、贝叶斯分类器识别率提高了至少6个百分点,有明显的识别优势。 相似文献
20.
大闸蟹是我国特有的名优水产养殖品种,其质量既是确定投喂量的重要依据,亦是评判其生长状况、品质等级的重要指标。为了准确估算蟹体质量,提出一种基于多维度特征和轻量梯度提升机(Light gradient boosting machine,LightGBM)的大闸蟹质量估算方法。首先通过相机获取蟹体图像,其次采用图像处理技术对图像进行分割以获取背甲图像,然后提取背甲二值图像的几何特征构成形状特征(Shape features,SF);提取不同颜色空间背甲图像的各通道分量值构成颜色特征(Color features,CF),并采用标定法计算特征值;最后采用基于LightGBM的方法预测大闸蟹质量。本文根据色泽表征其发育状况,提取背甲颜色特征与形状特征构成多维度特征,解决单一形状特征导致预测精度不高的问题;提取背甲轮廓比值作为形状特征,有效降低随机调整相机高度对特征值稳定性的影响;在真实数据集上进行预测,结果表明平均绝对误差(MAE)为2.751g,均方根误差(RMSE)为3.680g,决定系数R2为0.949。并与SF-LightGBM、SF3-LightGBM 、area-OLS、MF-BPNN和MF-SVM质量估算方法进行对比,本文方法的各评价指标的性能均有较大幅度提升,能够较准确地估算出大闸蟹蟹体质量。 相似文献