排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
准确识别玉米幼苗是实现自动化精准除草、间苗、补种等苗期作业的重要前提。为此,针对自然环境下农业机器人对玉米幼苗的检测问题,结合深度残差网络强大的特征提取能力和级联网络连接多个检测器不断优化预测结果的特点,对Cascade R-CNN模型进行改进,使之适用于自然环境下玉米幼苗的检测。模型使用残差网络ResNet-50与特征金字塔网络FPN作为特征提取器提取玉米幼苗图像的特征图,利用区域建议网络生成目标候选框,通过感兴趣区域池化将不同大小的特征图转换为统一尺寸的输出;最后,分类回归模块根据特征图对目标进行分类,并使用边框回归修正候选框的位置和大小,从而完成玉米幼苗目标检测。同时,以3～5叶期玉米幼苗为研究对象,采集其田间图像并制作数据集,用所制作的数据集对Cascade R-CNN模型进行训练,选取AlexNet、VGG16、ResNet18、ResNet50与ResNet50+FPN分别作为特征提取网络进行对比试验,确定所提出的ResNet50+FPN为最优特征提取网络,平均精度均值(mAP)为91.76%,平均检测时间为6.5ms。选取双阶段目标检测模型Faster R-CNN、R-F... 相似文献
2.
由于果园环境复杂、树冠特征单一,且叶片会引起光线漫反射等因素,导致果园环境的地图构建过程中出现误匹配,增大建图的累计误差。针对以上问题提出一种基于Scan Context与NDT-ICP相融合的果园环境导航地图构建方法。该方法首先对Ring key进行快速地上层搜索,得到候选帧,并对候选帧与当前帧进行相似度评分,通过两阶段搜索算法来有效地检测回环以减少果园环境地图中的误匹配。同时使用基于正态分布变换粗配准与迭代最近点精确配准融合的点云配准方法降低果园环境地图的累计误差。试验结果表明,在KITTI数据集中使用半径搜索回环检测的回环数为42,使用Scan Context回环检测的回环数为51,回环数提高21.4%。NDT-ICP匹配算法的均方根误差为12.86 m,ICP匹配算法的均方根误差为15.11 m。在真实果园环境中使用半径搜索回环检测的回环数为196,使用Scan Context回环检测的回环数为261,回环数提高33.2%。该研究算法有效地降低果园环境地图构建过程中的误匹配、累计误差大的影响,满足果园环境下的高精度环境建图需求,为推进果园环境的无人化作业提供技术支撑。 相似文献
1