|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于ResNeXt单目深度估计的幼苗植株高度测量方法显示文摘幼苗高度是幼苗培育过程中的重要性状,是幼苗生长状况和优良性状筛选的重要参考指标。针对目前研究多选用专业测量工具、使用带有标记的测量手段这一现状,该研究提出了一种基于单目图像深度估计技术的幼苗高度无参测量方法。首先以NYU Depth Dataset V2深度数据集为基础,以ResNeXt 101网络为深度估计网络主体实现植株图像深度估计。通过深度信息计算出拍摄点到植株的真实距离,结合图像中幼苗植株的像素高度和标定好的视场角实现幼苗高度的测量。为验证该方法的有效性,通过采集不同距离下的番茄幼苗图像1728幅,辣椒幼苗图像160幅,甘蓝幼苗图像160幅进行植株高度测量试验。试验结果表明,在拍摄距离为105cm内番茄幼苗平均绝对误差(Mean Absolute Error,MAE)为0.569 cm,均方根误差(Root Mean Square Error,RMSE)为0.829 cm,平均植株高度比例为1.005。辣椒,甘蓝幼苗的MAE为0.616和0.326cm,RMSE为0.672和0.389cm。每株幼苗高度的平均计算时间为2.01s。试验结果表明该方法具有较好的可行性和普适性。不同光照强度下植株高度测量结果表明,在感光度小于160时,植株高度测试结果的MAE为0.81 cm,仍具有较好的测量准确度。当单幅图像中植株个数处于5以内时,MAE和RMSE的平均值分别为0.652和0.829cm。研究结果表明,该模型可以较准确地从单幅图像中检测出多株植株高度,且在不同距离和一定光照强度变化内均可完成多种幼苗植株高度的精确测量。可为幼苗培育和成长时期判断等研究提供一种无损的植株高度测量方法。 | 宋磊 李嵘 焦义涛 宋怀波 | 2022 | 农业工程学报2022，38，3： | 6 |
| 2 | 基于改进三维形状上下文的点云配准显示文摘针对目前常用配准算法不能满足生产制造行业中高精度工艺要求的问题,本文基于三维点云提出一种改进三维形状上下文(3DSC)点云配准的有效解决方案。首先,通过改进的降采样方式设定阈值采集轮廓点云,对采集的点云依次进行三维网格划分形成形状上下文。然后,进行改进的3DSC初始配准,进而采用迭代最近点(ICP)精确配准,实现了源点云与目标点云之间的旋转平移变换。为验证改进算法的有效性,采用FPFH-ICP、PFH-ICP、传统3DSC和本文改进算法进行配准实验对比。实验结果表明,对于bunny点云和flowerpot点云,本文改进算法精度分别可达2.25355e-05 m和9.96902e-06 m,明显优于其他算法的配准精度。与传统3DSC配准算法相比,改进的3DSC配准算法可节省75%~85%的配准时间。改进的3DSC点云配准方法有利于提高配准精度且能优化配准时间,提高了配准效率。 | 赵云涛 齐佳祥 李维刚 甘镭 | 2022 | 液晶与显示2022，37，12： | 4 |
| 3 | 基于三维联合识别网络的毫米波雷达手势识别方法显示文摘随着智能化时代的到来,基于毫米波雷达的手势识别逐渐成为研究热点。针对目前基于雷达的手势识别方法中存在利用信息有限且泛化能力低的问题,文中在三维卷积神经网络的基础上提出了三维联合识别网络(3DURNet)模型。3DURNet以宽带雷达获取的距离-多普勒(RD)图序列作为输入,使用金字塔注意力卷积模块提取RD序列的多尺度空间特征并自适应地校准跨维度的通道权重,强化重要特征,进一步使用时间自注意力模块对全局时序信息进行建模,最后通过分类器得到识别结果。文中利用毫米波雷达在多种场景下对多名实验对象的不同手势动作进行测量形成一套雷达手势识别数据集。对比实验表明:所提出的3DURNet网络模型对手势动作识别的准确率可达到95.6%,参数量比主流3D网络降低一个数量级,同时具有良好的泛化能力,可为基于雷达技术的手势动作识别提供新的技术方案。 | 杨磊 张文鹏 姜卫东 杨威 | 2022 | 现代雷达2022，44，12： | 1 |
| 4 | 基于概率神经网络的电力设备铭牌文本识别显示文摘针对电力设备入库统计管理存在的问题,提出一种基于概率神经网络的电力设备铭牌文本识别方法.根据Prewitt边缘检测算子、逻辑运算、文本列方向灰度值累计值,实现铭牌文本的字符分割;利用字符灰度矩阵和LBP直方图统计,对字符进行多特征综合提取;设计概率神经网络(PNN)模型,对分割后的字符图像进行批量训练和测试,并与RBF网络模型作对比.结果表明:当扩散速度Spread取0.1时,加噪、不加噪图像训练的结果均为最优;PNN模型在训练时间、正确率方面均具有较明显的优势. | 杨丽 张硕 薛亚许 杨光 | 2023 | 平顶山学院学报2023，38，2： | 0 |
| 5 | 基于计算机视觉技术和支持向量机的手势识别算法研究显示文摘针对现有的手势识别方法在复杂环境中识别效率不理想的情况,提出一种双通道卷积神经网络模型,该模型同时采用灰度世界算法和离散小波变换对输入数据进行预处理,减少照变化对图像的影响并提高识别效率和模型稳定性。然后通过高维特征融合模块将提取的图像信息进行融合,再利用帝国竞争算法对支持向量机分类器进行优化,提高分类效果。实验结果显示,在实验环境中,该模型的平均识别率达95%,收敛速度快,效率高。经过消融实验对比,性能比基准模型提高4%以上。在实际测试中,对于简单手势的识别率均在90%以上,对于复杂收手势的识别率在80%以上。 | 徐飞 邹寿春 | 2023 | 佳木斯大学学报(自然科学版)2023，41，1： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员