利用高光谱成像技术,明确苹果虫害无损检测的最优特征向量,以实现对苹果虫害的快速、准确、无损检测。本文首先对646 nm波长的特征图像进行阈值分割、膨胀与腐蚀运算获得掩膜图像,并利用掩模图像对高光谱图像进行掩模和主成分分析,对获...利用高光谱成像技术,明确苹果虫害无损检测的最优特征向量,以实现对苹果虫害的快速、准确、无损检测。本文首先对646 nm波长的特征图像进行阈值分割、膨胀与腐蚀运算获得掩膜图像,并利用掩模图像对高光谱图像进行掩模和主成分分析,对获得的PC1(the first principal component,第一主成分)图像进行最大熵阈值分割以有效提取虫害区域。然后对比分析虫害区域与正常区域图像的纹理特征,提取灰度共生矩阵的4个方向的4个纹理参数(能量、熵、惯性矩和相关性),并且采用基于高光谱图像的光谱差值获取了2个特征波长对应的光谱相对反射率作为光谱特征。优化组合纹理特征和光谱特征成4个特征向量组,采用BP(back propagation,反向传播)神经网络对正常苹果和虫害苹果进行检测。结果表明,融合0度方向的能量、熵、惯性矩和相关性的纹理特征和646、824 nm波段的相对光谱反射率的光谱特征进行检测识别效果最好,正常果的识别率为100%,虫害果的识别率为100%,并且速度快、误差小。该研究所获得的特征向量可为开发多光谱成像的苹果品质检测和分级系统提供参考。展开更多
针对目前日光温室中番茄采摘主要靠人工且费时费力的问题,设计并制作了一种可以应用于日光温室的番茄采摘机器人。该机器人能够在大棚垄道间巡检并自动识别成熟番茄,完成采摘、收集。本设计以STM32微控制器为主控制器,使用麦克纳姆轮全...针对目前日光温室中番茄采摘主要靠人工且费时费力的问题,设计并制作了一种可以应用于日光温室的番茄采摘机器人。该机器人能够在大棚垄道间巡检并自动识别成熟番茄,完成采摘、收集。本设计以STM32微控制器为主控制器,使用麦克纳姆轮全向移动平台作为机器人的移动底盘,采用由Raspberry Pi 4B控制器驱动的深度相机作为成熟番茄的识别装置,底盘上平台安装风力补偿风机、可水平滑动的6自由度机械臂,机械臂搭载了附有薄膜压力传感器的柔性手爪。整个上平台由安装在底盘下平台的垂直升降机构驱动,滑动机构和升降机构均配有测距传感器,通过Raspberry Pi 4B所驱动的摄像头识别与捕捉,再通过串行总线将成熟番茄的坐标数据传输至STM32控制器,STM32控制器通过机械臂逆运动学分析驱动机械臂、滑轨与升降平台的联合动作,配合机械臂末端关节动作,即可实现番茄采摘。展开更多
为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解(EEMD)与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验...为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解(EEMD)与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 k W的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。展开更多
文摘利用高光谱成像技术,明确苹果虫害无损检测的最优特征向量,以实现对苹果虫害的快速、准确、无损检测。本文首先对646 nm波长的特征图像进行阈值分割、膨胀与腐蚀运算获得掩膜图像,并利用掩模图像对高光谱图像进行掩模和主成分分析,对获得的PC1(the first principal component,第一主成分)图像进行最大熵阈值分割以有效提取虫害区域。然后对比分析虫害区域与正常区域图像的纹理特征,提取灰度共生矩阵的4个方向的4个纹理参数(能量、熵、惯性矩和相关性),并且采用基于高光谱图像的光谱差值获取了2个特征波长对应的光谱相对反射率作为光谱特征。优化组合纹理特征和光谱特征成4个特征向量组,采用BP(back propagation,反向传播)神经网络对正常苹果和虫害苹果进行检测。结果表明,融合0度方向的能量、熵、惯性矩和相关性的纹理特征和646、824 nm波段的相对光谱反射率的光谱特征进行检测识别效果最好,正常果的识别率为100%,虫害果的识别率为100%,并且速度快、误差小。该研究所获得的特征向量可为开发多光谱成像的苹果品质检测和分级系统提供参考。
文摘针对目前日光温室中番茄采摘主要靠人工且费时费力的问题,设计并制作了一种可以应用于日光温室的番茄采摘机器人。该机器人能够在大棚垄道间巡检并自动识别成熟番茄,完成采摘、收集。本设计以STM32微控制器为主控制器,使用麦克纳姆轮全向移动平台作为机器人的移动底盘,采用由Raspberry Pi 4B控制器驱动的深度相机作为成熟番茄的识别装置,底盘上平台安装风力补偿风机、可水平滑动的6自由度机械臂,机械臂搭载了附有薄膜压力传感器的柔性手爪。整个上平台由安装在底盘下平台的垂直升降机构驱动,滑动机构和升降机构均配有测距传感器,通过Raspberry Pi 4B所驱动的摄像头识别与捕捉,再通过串行总线将成熟番茄的坐标数据传输至STM32控制器,STM32控制器通过机械臂逆运动学分析驱动机械臂、滑轨与升降平台的联合动作,配合机械臂末端关节动作,即可实现番茄采摘。
文摘为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解(EEMD)与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 k W的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。
