共查询到19条相似文献，搜索用时 859 毫秒
1.
基于分形系统的烟草花序可视化仿真研究 总被引：1，自引：0，他引：1
为实现聚散或团状植物花序三维建模和可视化仿真,以烟草为例,提出了一种基于分形系统的植物花序可视化仿真方法。通过分析烟草花序的形态结构特征,构建初始分形单元,以仿射变换为基本框架,按照一定的迭代生成算法,分别建立了烟草花序结构与几何模型,并对烟草花序生长进行了模拟。建模过程中,烟草单花的器官几何模型分别用球B样条曲线和参数曲面表示,通过调节对应控制点与参数,重构了不同开花状态下的三维几何模型。实验结果表明,该方法得到的烟草花序模型能充分地表现烟草花序的形态特征,单花器官有较高的真实感,为其他聚散或团状花序的三维可视化提供了技术手段。 相似文献
2.
3.
4.
油菜花序三维形态结构数字化设计技术研究 总被引：1，自引：0，他引：1
为了实现油菜花序三维形态结构的交互设计、几何建模和真实感显示,提出了基于形态特征参数的油菜花序三维形态数学模型以及交互式设计方法.油菜花序模型的建立过程包括单花三维重构、花序三维重构和花序动态生长模拟3个阶段.通过对油菜花序形态结构的观测分析,分别创建了花瓣、花萼、花序轴、花轴、雄蕊和雌蕊等器官的几何模型,并提取具有明确农学意义的几何模型参数.实验结果表明,该方法可控性强,易于操作,可以精确地重构出油菜花序的三维形态,并且可以根据油菜花序结构的发展规律,实现油菜花序生长的可视化模拟. 相似文献
5.
6.
植物叶脉可视化造型研究 总被引：1，自引：0，他引：1
提出了植物叶脉可视化建模方法,包括植物叶的形态几何建模及植物叶脉的形状建模.植物叶的形态几何模型采用矩形形状变形;同时对植物叶脉的形状建模提出了多种构建方法.利用非线性多项式生成羽状叶序,提出了基于种子生长的随机迭代方法生成网状脉及基于叶片生长方法生成掌状脉序.方法简单易行,可控性好,易于构造各种不同类型的叶脉.通过给出的树叶模拟结果,表明其仿真效果较好. 相似文献
7.
番茄植株三维形态精确重构研究 总被引：4，自引：0，他引：4
为实现番茄形态的数字化设计与可视化模拟,通过对番茄进行长期的观察测量与分析,提出了对实测数据统计分析的基础上进行器官模板分类的几何建模方法.对叶片和侧枝进行了分类,每种分类都建立模板库.依据番茄器官的主要形态特征,提取器官几何模型的主控参数.结合模板技术实现了番茄主要器官和植株三维形态结构的交互式设计软件.所提出的基于番茄器官几何模型的植株结构交互式设计方法所构建的模型呈现多态性,并且对模型和对应的真实植株的垂直投影叶面积与总叶面积的比值进行了计算,分别为0.478 8和0.483 2,其误差为0.91％,具有较高的真实感效果.该设计方法易于结合农学知识,且满足番茄形态多样化的数字化设计要求,对形态结构复杂的园艺作物几何建模具有一定的参考价值. 相似文献
8.
针对不同形状的叶片,文章提出了植物叶片形状可视化建模的一种方法。植物叶片的形状几何模型造型采用矩形形状变形得到。通过在原矩形的参数方程上连续加上或减去不同幅度、频率、相位的三角波函数以及变形的高斯函数来实现叶片形状可视化模型研究。使用这种建模方法对不同形状的叶片进行研究。然后,在通过研究获得的叶片上加上叶脉,与真实树叶照片的对比,表明其仿真效果较好。 相似文献
9.
10.
11.
苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花,是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求,提出了一种基于CRV-YOLO的苹果中心花和边花识别方法。本文基于YOLO v5s模型进行了如下改进：将C-CoTCSP结构融入Backbone,更好地学习上下文信息并提高了模型特征提取能力,提高了模型对外形相似和位置关系不明显的中心花和边花的检测性能。在Backbone中添加改进RFB结构,扩大特征提取感受野并对分支贡献度进行加权,更好地利用了不同尺度特征。采用VariFocal Loss损失函数,提高了模型对遮挡等场景下难识别样本检测能力。在3个品种1 837幅图像数据集上进行了实验,结果表明,CRV-YOLO的精确率、召回率和平均精度均值分别为95.6%、92.9%和96.9%,与原模型相比,分别提高3.7、4.3、3.9个百分点,模型受光照变化和苹果品种影响较小。与Faster R-CNN、SSD、YOLOX、YOLO v7模型相比,CRV-YOLO的精确率、平均精度均值、模型内存占用量和复杂度性能最优,召回率接近最优。研究成果可为苹果智能疏花提供技术... 相似文献
12.
基于深度语义分割网络的荔枝花叶分割与识别 总被引：2，自引：0，他引：2
针对使用目标检测、实例分割方法无法对复杂自然环境下稠密聚集的荔枝花进行识别的问题,提出一种基于深度语义分割网络识别荔枝花、叶像素并实现分割的方法。首先在花期季节于实验果园拍摄荔枝花图像;然后制作标签,并进行数据增强;构建深度为34层的ResNet主干网络,在此基础上引入稠密特征传递方法和注意力模块,提取荔枝花、叶片的特征;最后通过全卷积网络层对荔枝花、叶片进行分割。结果表明,模型的平均交并比(mIoU)为0.734,像素识别准确率达到87%。本文提出的深度语义分割网络能够较好地解决荔枝花的识别与分割问题,在复杂野外环境中具有较强的鲁棒性和较高的识别准确率,可为智能疏花提供视觉支持。 相似文献
13.
茶树花多酚粗提物分离纯化及抗氧化性 总被引：4，自引：1，他引：3
在采用超滤膜一树脂吸附乙醇一次洗脱联用技术提取茶树花多酚工艺得到粗提物的基础上,探索了不同体积分数乙醇水溶液梯度洗脱法制备高纯度茶树花多酚的方法,分离纯化得到了各洗脱物,应用HPLC法分析了各洗脱物的儿茶素的组成,并采用清除·OH及DPPH·方法比较了各洗脱物的抗氧化性能。结果表明,收集10％、20％、30％和40％乙醇洗脱液浓缩干燥后可得到得率为84．19％,质量分数为92．25％的茶多酚精制品,比一次用体积分数为70％乙醇水溶液洗脱得到多酚质量分数84．32％的样品纯度高。其中体积分数为20％乙醇的洗脱组分多酚质量分数为97．71％;各洗脱组分中不同儿茶素得到有效富集分离,它们对·OH及DPPH·清除率均呈量效关系,都高于未分离纯化的样品,其中体积分数为20％乙醇的洗脱组分中,EGCG质量分数最高为67．39％,咖啡碱得到有效去除,其对自由基清除率最高,可作为高级抗氧化剂使用。 相似文献
14.
针对密集分布的荔枝花遮挡严重导致检测困难,现有研究方法忽略了非极大抑制过程中密集建议框之间的相互作用的问题,为提升检测精度、降低漏检率,提出了一种基于polyphyletic损失函数的检测方法。该方法在损失函数中包含一个聚合损失项,以迫使建议框接近并紧凑定位相应目标,同时增加专门为密集作物场景设计的边界框排斥损失,使预测框远离周围对象,提高密集荔枝花检测鲁棒性。与Faster R-CNN、Focus Loss、AdaptiveNMS和Mask R-CNN进行对比,实验表明,该方法在标准苹果花数据集上识别精度比其他方法高2个百分点,验证了该方法检测的通用性,同时,该方法在自建荔枝花数据集的平均精度均值达到87.94%,F1值为87.07%,缺失率为13.29%,相比Faster R-CNN、Focus Loss、AdaptiveNMS和Mask R-CNN分别提高20.09、14.10、8.35、4.86个百分点,具有较高检测性能。因此,本文提出的方法能够高效地对密集荔枝花进行检测,为复杂场景下的密集作物检测提供参考。 相似文献
15.
疏花是梨生产中的重要农艺措施，机械化智能疏花是当今高速发展的疏花方式，花朵与花苞的分类与检测是保证疏花机器正常工作的基本要求。本研究针对目前梨园智能化生产中出现的梨树花序检测与分类问题，提出了一种基于改进YOLOv5s的水平棚架梨园花序识别算法Ghost-YOLOv5s-BiFPN。通过对田间采集的梨树花苞与花朵图像进行标注与数据扩充后送入算法进行训练得到检测模型。Ghost-YOLOv5s-BiFPN运用加权双向特征金字塔网络（Bi-directional Feature Pyramid Network，BiFPN）替换原始的路径聚合网络（Path Aggregation Network，PAN）结构，对网络提取的不同尺寸目标特征进行有效的融合。同时运用Ghost模块替换传统卷积，在不降低准确度的同时减少模型参数量和提升设备运行效率。田间试验结果表明，改进的Ghost-YOLOv5s-BiFPN算法对梨树花序中花苞与花朵的检测精度分别为93.2%和89.4%，两种目标平均精度为91.3%，检测单张图像时间为29 ms，模型大小为7.62 M。相比于原始YOLOv5s算法，检测精度与召回度分别提升了4.2%和2.7%，检测时间和模型参数量分别降低了9 ms和46.6%。本研究提出的算法可对梨树花苞与花朵进行精确的识别和分类，为后续梨园智能化疏花的实现提供技术支持。 相似文献
16.
为普及鲜切花插花艺术的基本技法,详细介绍鲜切花插花技术的学习方法,讨论鲜切花的保鲜方法,包括花材的选择与保存、插花用水的选择、增强花材吸水能力的方法、防止切口感染等,并总结东方和西方的传统插花技法。 相似文献
17.
针对菊花种类繁多,花型差别细微,准确标注比较困难的问题,基于深度主动学习与混合注意力机制模块(Convolutional block attention module,CBAM),提出了一种标号数据不足情况下的菊花表型智能识别方法和框架。首先,通过主动学习策略基于最优标号和次优标号法（Best vs second best,BvSB）在未标记菊花样本中选取信息量较大的样本进行标记,并将标记后的样本放入训练样本中;其次,使用深度卷积神经网络ResNet50作为本文的主干网络训练标记样本,引入混合注意力机制模块CBAM,使模型能够更为准确地提取细粒度图像中的高层语义信息;最后,用更新后的训练样本继续训练分类模型,直到模型达到迭代次数后停止。实验结果表明,该方法在少量菊花标记样本下,精确率、召回率和F1值分别达到93.66%、93.15%和93.41%。本文方法可为标号数据不足情况下的菊花等花卉智能化识别提供技术支撑。 相似文献
18.
随着人们生活水平的提高,对花卉的需求量不断攀升。目前,在盆花规模化生产中大多采用人工分级,存在分级标准不统一、分级效率不高及分级结果不准确等问题。为此,针对花盆口径120mm、底径90mm、高度9 0 mm的盆栽花卉,开发了一套基于机器视觉的盆栽花卉分级旋向装置。该装置可以用单一相机在同一位置获取盆栽花卉多方向的综合信息;通过试验考察了在旋向装置中盆栽花卉前进速度、旋转速度与两条旋向输送带速度的关系。结果表明:当旋转180°获取两幅盆栽花卉图像时,视窗的最小范围在160mm。 相似文献
19.
为探究切花向日葵生产碳足迹和经济效益,通过调研切花向日葵生产企业,利用生命周期评价法评估露地,拱棚和日光温室3种不同生长条件下切花向日葵碳排放,核算生产成本和效益,结果表明：露地切花向日葵生产碳足迹为2174.46kg/hm2,生产成本51994元/ hm2,收入178608元/ hm2;拱棚向日葵生产碳足迹为2041.13kg/ hm2,生产成本59443元/ hm2,收入175973元/ hm2;日光温室向日葵生产碳足迹为2038.92kg/ hm2,生产成本58465元/ hm2,收入179544元/ hm2。3种不同生长条件下切花向日葵生产的主要成本均来自人工,种子,地租和肥料,碳排放最主要的来源均为厩肥和氮肥。在未来切花向日葵生产中,可通过优化生产技术提高肥料利用率,研发专用机械降低劳动力投入,增加轮作等途径来实现减排增收的目的。 相似文献