排序方式： 共有8条查询结果，搜索用时 15 毫秒
1
1.
2.
农业机械运动轨迹不仅包括田间作业轨迹,还包括道路行驶轨迹。有效区分农机行驶过程中田间作业和道路行驶等作业轨迹,可精确划分有效作业地块和精准评估农机作业效率,从而实现农机的远程智能管理。通过对农机轨迹点属性的分析,提取典型特征数据,利用BP_Adaboost方法建立的训练模型对农机轨迹点进行识别,将道路与田间交界处易错轨迹点重新标记后再次训练,轨迹识别正确率达96.89%。该方法既避免了传统聚类算法对阈值和参数依赖的问题,也有效解决了将道路行驶轨迹误识别为田间作业轨迹的难题。 相似文献
3.
农业机械(农机)在多个地块作业,费用和效率有时需按地块统计,现有的农机监控系统仅能记录农机定位信息和作业状态信息,难以实现地块的自动精准划分。本文通过研究轨迹点属性特征,分析作业地块数量不确定性和轨迹点分布规律,采用基于密度聚类方法(Density-based spatial clustering of applications with noise, DBSCAN)和分类器集成算法(BP＿Adaboost)结合的方法划分地块。根据DBSCAN算法对农机轨迹点多数有效、识别错误集中的特点,结合BP＿Adaboost算法挖掘多维度信息关联、容错能力强、分类效果好等优势,先利用DBSCAN得到初步的轨迹点状态类别,再利用BP＿Adaboost算法建立训练模型对农机轨迹点状态精准识别,根据时间序列和类别标记划分地块。本文方法既解决了只依靠阈值和经纬度信息聚类不准确的问题,也减少了大量样本标记工作。利用该方法轨迹点状态识别准确率达96.75%,地块划分准确率为97.74%。 相似文献
4.
5.
为提高香梨商品价值,将香梨分级是一种常用的做法。该文提出一种基于香梨称量指标的香梨分级设备,利用压敏传感器和AD转换器构成称量模块,由气动摆杆组成执行模块,实现香梨的分级。并且利用圆锥滚子的翻转能力和高速运动能力作为分级线的托盘,满足了高速分级的效果,同时可以为基于图像的香梨外部品质识别做好平台基础。试验验证分级线称量准确度在0.4 g以内,平均误差值在0.4%,精度符合要求。分级执行机构在电机运转＞15 Hz时,分级准确度接近100%,满足实际生产要求。 相似文献
6.
7.
8.
为提升农机管理水平和用户收益，该研究利用影响作业效益的因素，以每台农机一天的作业信息作为一条数据评估农机当天作业效益。作业信息包括农机作业效率、油耗、作业质量、重复作业率、遗漏作业率、有效作业时间占比等。使用半监督BP_Adaboost方法对农机作业效益进行评估，对部分数据进行人工评分，根据评分结果标记农机每天作业效益的好坏，其中一部分作为训练样本，另一部分作为测试样本，再利用BP_Adaboost方法训练模型后对剩余未评分数据预测，以减少训练样本的人工标记工作量和提高模型准确性。从32 000条深松作业数据中选取1 000条样本进行标记，其中500条作为训练样本，500条作为测试样本，使用BP_Adaboost方法得到的模型预测准确率为93.36%，使用半监督BP_Adaboost方法增加训练样本得到的模型预测准确率为97.03%。根据作业效益推荐最优农机机具组合，增强作业能力，提高效益。 相似文献
1