排序方式: 共有55条查询结果,搜索用时 31 毫秒
1.
2.
基于BMV特征的西瓜成熟度无损检测方法 总被引:2,自引:1,他引:1
针对西瓜成熟度无损测定的难度较大这一问题,提出了一种基于音频响应频带幅值向量(BMV)特征的西瓜成熟度无损检测方法。搭建了一套简单的音频采集平台,检验了BMV音频特征与西瓜成熟度的相关性,并与4种已用于西瓜无损检测的音频特征进行了比较;测定了不同打击力度对音频响应和BMV的影响;使用PNN算法对2个品种西瓜的BMV样本进行了成熟度检测。试验结果表明:经过音频特征间的比较,BMV与西瓜成熟度相关性最高,并且打击力度对特征的影响较小,整套算法对2个品种的成熟度检测准确度较高。 相似文献
3.
4.
5.
传统农业效率低、工作量大、难度高,已经不能满足现代农业的生产要求。介绍了物联网的概念、特征以及基于RFID技术、传感器技术的物联网技术在现代农业中的应用。将物联网技术应用到农业生产是现代农业依托智能化应用的一大进步,能够提高动植物生产能力,确保农产品质量安全,从而促进现代农业的发展。 相似文献
6.
7.
农机跨区作业紧急调配算法适宜性选择 总被引:7,自引:6,他引:1
目前农机跨区紧急作业中供需信息不对称,农机部门缺乏科学合理的紧急调配方案,无法在紧急状况下指导农机进行及时有效的调配。针对上述问题,该文研究了农机跨区作业紧急调配模型和算法。首先分析了多机多任务紧急调配过程,建立了以最小化调配成本和损失为目标的紧急调配模型,提出了基于距离最近优先的多机多任务紧急调配算法(shortest-distance first algorithm,SDFA)和基于贡献度最大优先的多机多任务紧急调配算法(max-ability first algorithm,MAFA),前者是搜索当前距离最近的农田和农机,进行优先分配,后者是搜索当前贡献度最大的农田和农机并进行优先分配。采用该文算法对河北省邯郸市2017年的真实数据以及随机生成的农田和农机实例库进行计算与分析可知,当农机数量充足时,算法MAFA的平均调配成本要比SDFA的平均调配成本降低4.34%。当农机不足时,SDFA的平均损失和平均调配成本要比MAFA的平均损失和平均调配成本分别下降了12.79%和4.11%。进一步验证可知,当农田数量为6时,上述2种算法比笔者之前提出的基于非合作博弈紧急调配算法(non-cooperative game algorithm,NCGA)的平均运算性能均提升25%以上,当农田数量为30时,性能均提升41%。该研究可为农机管理部门紧急调配与决策分析提供科学依据。 相似文献
8.
智慧农机调配管理平台设计与实现 总被引:2,自引:0,他引:2
针对目前农机作业过程中资源调度不合理、效率低下以及缺乏有效的农机调度与监管手段等问题,提出一种基于互联网的智慧农机管理平台。该平台分为数据采集层、网络传输层、平台层、访问层、用户层5个层次。围绕该平台,开发谷物收割机的机载数据采集单元,"我是地主"、"我是机手"手机APP,通过终端+APP的方式,将农机信息,服务供需双方信息进行实时动态匹配和对接,解决农机服务过程中供需之间的信息不对称问题。为解决大规模数据高并发的数据接收和存储问题,给出三层数据接收与存储架构,该结构同时具备良好的可扩展性。以机手为服务对象,提出在多目标约束下的基于回溯策略的农机智能调度算法,在作业季内可提高机手收益20.6%,实现了对农机资源的高效调配。设计改进型的三角形分割法,该方法提高农机作业面积计算精确性,使平均相对误差降至4.5%以下,减少农机服务过程中因测量作业面积产生的人力成本,能够满足服务费用快速计算的要求。将互联网技术融入农业机械的作业和管理环节,为实现农业机械作业全程信息化和智能化进行有益的尝试。 相似文献
9.
10.
基于改进YOLO v3的自然场景下冬枣果实识别方法 总被引:4,自引:0,他引:4
为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3(YOLO v3-SE)的冬枣果实识别方法。YOLO v3-SE模型利用SE Net 的SE Block结构将特征层的特征权重校准为特征权值,强化了有效特征,弱化了低效或无效特征,提高了特征图的表现能力,从而提高了模型识别精度。YOLO v3-SE模型经过训练和比较,选取0.55作为置信度最优阈值用于冬枣果实检测,检测结果准确率P为88.71%、召回率R为83.80%、综合评价指标F为86.19%、平均检测精度为82.01%,与YOLO v3模型相比,F提升了2.38个百分点,mAP提升了4.78个百分点,检测速度无明显差异。为检验改进模型在冬枣园自然场景下的适应性,在光线不足、密集遮挡和冬枣不同成熟期的情况下对冬枣果实图像进行检测,并与YOLO v3模型的检测效果进行对比,结果表明,本文模型召回率提升了2.43~5.08个百分点,F提升了1.75~2.77个百分点,mAP提升了2.38~4.81个百分点,从而验证了本文模型的有效性。 相似文献