排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
为深入了解拖拉机实际作业的能效情况,该研究提出基于实际作业工况的拖拉机能效评价方法,对拖拉机整体能效进行全面度量。基于距离最短分区原理,通过K-means聚类与成对比较矩阵方法进行拖拉机发动机常用工况点提取;通过对186台162 kW的拖拉机能效分析,提出拖拉机能效等级划分标准,确定能效限值和各级能效比限值,并对不同作业环节的平均能效进行分析。研究结果显示:拖拉机发动机实际8工况点和ISO稳态8工况点区别较大;不同拖拉机能效差异较大,50%的拖拉机能效值分布在3.20～3.65 (kW·h)/kg区间;162 kW拖拉机实际能效合格限值为3.07 (kW·h)/kg;拖拉机不同作业环节的平均能效值差异大,旋耕作业的平均能效值最高,行走模式最低。研究结果可为发动机节能减排技术升级提供数据基础,也可为农机节能考核、与绿色化作业水平挂钩的应用补贴方法研究等提供参考。 相似文献
2.
基于Swin Transformer模型的玉米生长期分类 总被引：1，自引：1，他引：0
快速准确识别玉米生长的不同阶段,对于玉米种植周期的高效精准管理具有重要意义。针对大田环境下玉米生长阶段分类辨识易受复杂背景、户外光照等因素影响的问题,该研究采用无人机获取玉米不同生长阶段的图像信息,以苗期、拔节期、小喇叭口期、大喇叭口期4个生长阶段为对象,利用Swin Transformer模型引入迁移学习实现玉米不同生长阶段的快速识别。首先结合玉米垄面走向特性,将训练集旋转8次用以扩充数据集;为探究各模型在非清晰数据集上的表现,采用高斯模糊方法将测试集转换6次;最后以AlexNet,VGG16,GoogLeNet做为对比,评估Swin-T模型性能。试验结果表明,Swin-T模型在原始测试集的总体准确率为98.7%,相比于AlexNet,VGG16,GoogLeNet模型分别高出6.9、2.7和2.0个百分点;在错误分类中,大喇叭口期和小喇叭口期由于冠层特征相似,造成识别错误的概率最大;在非清晰数据集下,AlexNet,VGG16,GoogLeNet模型精度总体退化指数分别为12.4%、10.4%和15.0%,Swin-T模型总体退化指数为8.31%,并且退化均衡度、平均退化指数、最大退化准确率均表现最佳。研究结果表明：在分类精度、模糊图像输入等方面,Swin-T模型能够较好地满足实际生产中,玉米不同生长阶段分类识别的实际需求,可为玉米生长阶段的智能化监测提供技术支撑。 相似文献
1