排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
为实现烤烟等级的快速准确识别,降低人工分级中主观因素对分级结果的影响,提高烟叶分级的准确性和一致性,提出一种基于烤烟RGB图像和深度学习的多尺度特征融合的烟叶图像等级分类方法,采用ResNet50提取烟叶图像特征,并引入基于注意力机制的SE模块(压缩激发模块),增强不同通道特征的重要程度;同时,采用FPN(特征金字塔网络)对提取的由浅及深不同层级的烟叶特征进行融合,以实现烟叶多尺度特征的表达。采集皖南地区6068个烤烟的正面和背面图像用于建模和分析。结果表明,提出的烟叶分级方法的分级正确率比经典CNN(卷积神经网络)高出5.21%,分级模型在新批次7个等级烟叶上的分级正确率为80.14%,相邻等级的分级正确率为91.50%。因此,采用RGB图像结合深度学习技术可实现烤烟烟叶等级的良好识别,可为烤烟烟叶收购等级评价提供一种新方法。 相似文献
2.
为解决大型禽业企业物流订单位置跨度大、配送车辆调度工作人工参与度高、雏鸡配送成本高的问题，本研究结合车辆路径优化问题求解思路，提出了基于订单位置聚类的雏鸡配送车辆调度优化模型。模型通过引入K-means聚类算法，实现了基于订单位置的配送单元划分方法，并基于肘部法则与轮廓系数法设计了自动化订单位置聚类流程，实现了订单配送单元的自主式划分。在划分的各组订单基础上，以配送成本最优作为目标函数，建立雏鸡配送车辆调度优化模型，并结合改进的遗传算法进行求解。研究采用北京某禽业企业实际订单数据，对订单未聚类情况下的整体调度优化与聚类分组情况下的调度优化两种情况的结果进行了对比分析，结果表明订单聚类分组情况下，优化模型使配送车辆平均每天总里程比订单未聚类情况降低69.84%，可以得出，加入聚类算法的订单分组优化更适合实际订单位置跨度大、订单数量多的车辆调度场景。基于以上研究，研发设计了适用于雏鸡配送的车辆调度优化服务系统，实现了订单自动化聚类、配送车辆调度优化、定制化模型服务等功能，通过模型的实际应用，达到了为禽业企业提供智能化配送车辆调度优化服务的目的，切实提高了企业运行效率，降低了企业配送成本。 相似文献
3.
运用灰色关联分析法(GRA)筛选出北京市房山地区的主要气象因子,作为支持向量机(SVM)模型的输入特征向量,通过粒子群算法(PSO)优化SVM的惩罚因子C和核函数参数δ,建立了基于灰色关联和PSO–SVM的葡萄霜霉病短期预测模型,应用该模型对该地区未来1 d的葡萄霜霉病发病等级进行短期预测。与改进网格搜索法优化的SVM模型、经验选择参数的标准SVM、不同训练函数和粒子群算法优化的BP网络模型进行比较,结果基于灰色关联分析的PSO–SVM模型预测效果最好,对葡萄霜霉病发病等级的预测正确率为95.24%,与基于全部气象因子的PSO–SVM模型相比,预测正确率提高了1.19%,运行速度快1.81 s。 相似文献
1